انتخاب سبد سهام با استفاده از یک رویکرد پیشنهادی برای تولید نظرات سرمایه گذار در مدل بلک لیترمن

یکی از دستاوردهای اصلی در مدلسازی تخصیص دارایی در مدل بلک لیترمن ارائه ایده به روزرسانی سبد سهام براساس نظرات سرمایه گذار است. اخیرا مبحث تحقیقاتی در مورد تولید نظرات با روشهای پیشبینی مالی که از الگوریتم های اقتصادسنجی یا یادگیری استفاده می کنند، به وجود آمده است. بیشتر پژوهش ها در این حوزه درباره ترکیب روشهای مختلف پیشبینی و یا ایجاد روشهای دیگر برای تولید نظرات سرمایه گذار در مدل بلک لیترمن هستند. در این پژوهش، یک روش ترکیبی برای تولید ماتریس نظرات سرمایه گذار پیشنهاد میشود که در آن با توجه به نتایج خوب روشهای یادگیری در پیشبینی ها، از ترکیب روش یادگیری حافظه طولانی کوتاه مدت (LSTM) و یک روش فراابتکاری بکاربرده شده در یکی از مقالات (سلماس نیا و همکاران، (۲۰۱۹ استفاده شده است تا ماتریس نظرات سرمایه گذار به عنوان ورودی مدل بلک لیترمن تولید شود. سپس مدل پیشنهادی در بازار بورس تهران روی سهام های موجود در شاخص ۳۰ شرکت بزرگ تهران مورد آزمون قرار گرفته است. نتایج نشاندهنده بازده و نسبت شارپ بهتر برای سبد سهام حاصل از مدل بلک لیترمن پیشنهادی است. درواقع بکارگیری دو روش یاد شده برای تولید ماتریس نظرات سرمایه گذار منجر به بهبود نتایج سبد سهام حاصل شده است.

Keywords:

بهینه سازی سبد سهام , مدل بلک لیترمن , حافظه طولانی کوتاه مدت (LSTM) , مدل مارکویتز , پیشبینی