یادگیری ماشین مبتنی بر رویکرد سلسله مراتبی برابری ریسک (مطالعه موردی: پرتفولیو سهام متشکل از ۳۰ شرکت برتر بورس اوراق بهادار تهران)

هدف: مسئله تخصیص دارایی ها، به تصمیم گیری تحت شرایط عدم اطمینان نیاز دارد. تشکیل پرتفوی سرمایه گذاری، یکی از مشکلات مالی بسیار رایج است. همواره سرمایه گذاران در تکاپوی تشکیل بهترین پرتفوی برای سرمایه گذاری هستند تا بتوانند بیشترین سود را کسب کنند. تاکنون روش های زیادی برای تشکیل پرتفوی معرفی شده است که مشهورترین آن، رویکرد مارکویتز است. تئوری میانگین واریانس، به دلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی، اشکال های عملی زیادی دارد. هدف از اجرای این پژوهش، یافتن روشی برای بهینه سازی سبد سهام است که در شبیه سازی برون نمونه برای بازار سهام ایران، عملکرد برتری داشته باشد. روش: در این پژوهش، از تکنیک یادگیری ماشین برابری ریسک سلسله مراتبی استفاده شده و نتایج آن با رویکرد مینیمم واریانس مقایسه شده است. برای اجرای این پژوهش، از قیمت پایانی تعدیل شده ۳۰ شرکت بورسی برای ۷۶۰ روز معاملاتی در دوره زمانی ۱۳۹۷ تا ۱۳۹۹ استفاده شده است. یافته ها: برای ارزیابی عملکرد پرتفولیو از نسبت شارپ برای هر دو دوره درون نمونه و برون نمونه استفاده شد. نتایج به دست آمده از تحلیل درون نمونه و برون نمونه نشان داد که رویکرد برابری ریسک سلسله مراتبی، در مقایسه با رویکرد مینیمم واریانس، عملکرد بهتری دارد. نتیجه گیری: رویکرد برابری ریسک سلسلهمراتبی، جایگزین معناداری برای رویکردهای سنتی تخصیص دارایی، از جمله رویکرد مینیمم واریانس است و برای سرمایه گذاران، ابزار مهم مدیریت ریسک محسوب می شود. مدیران سبدگردان و سرمایه گذاران نیز می توانند از این روش برای تخصیص وزن به سبد خود استفاده کنند.

Keywords:

بهینه سازی پرتفولیو , مینیمم واریانس , سلسله مراتبی برابری ریسک , یادگیری ماشین , عملکرد پرتفولیو