یادگیری ماشین مبتنی بر رویکرد سلسلهمراتبی برابری ریسک (مطالعه موردی: پرتفولیو سهام متشکل از 30 شرکت برتر بورس اوراق بهادار تهران)
نویسندگان
1 دکتری، گروه مهندسی مالی، دانشکده، اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران.
2 دانشیار، گروه مدیریت مالی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران.
doi
10.22059/frj.2021.319092.1007146چکیده
هدف: مسئلۀ تخصیص داراییها، به تصمیمگیری تحت شرایط عدم اطمینان نیاز دارد. تشکیل پرتفوی سرمایهگذاری، یکی از مشکلات مالی بسیار رایج است. همواره سرمایهگذاران در تکاپوی تشکیل بهترین پرتفوی برای سرمایهگذاری هستند تا بتوانند بیشترین سود را کسب کنند. تاکنون روشهای زیادی برای تشکیل پرتفوی معرفی شده است که مشهورترین آن، رویکرد مارکویتز است. تئوری میانگین ـ واریانس، بهدلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی، اشکالهای عملی زیادی دارد. هدف از اجرای این پژوهش، یافتن روشی برای بهینهسازی سبد سهام است که در شبیهسازی بروننمونه برای بازار سهام ایران، عملکرد برتری داشته باشد. روش: در این پژوهش، از تکنیک یادگیری ماشین برابری ریسک سلسلهمراتبی استفاده شده و نتایج آن با رویکرد مینیمم واریانس مقایسه شده است. برای اجرای این پژوهش، از قیمت پایانی تعدیلشده 30 شرکت بورسی برای 760 روز معاملاتی در دوره زمانی 1397 تا 1399 استفاده شده است. یافتهها: برای ارزیابی عملکرد پرتفولیو از نسبت شارپ برای هر دو دوره دروننمونه و بروننمونه استفاده شد. نتایج بهدستآمده از تحلیل دروننمونه و بروننمونه نشان داد که رویکرد برابری ریسک سلسلهمراتبی، در مقایسه با رویکرد مینیمم واریانس، عملکرد بهتری دارد. نتیجهگیری: رویکرد برابری ریسک سلسلهمراتبی، جایگزین معناداری برای رویکردهای سنتی تخصیص دارایی، از جمله رویکرد مینیمم واریانس است و برای سرمایهگذاران، ابزار مهم مدیریت ریسک محسوب میشود. مدیران سبدگردان و سرمایهگذاران نیز میتوانند از این روش برای تخصیص وزن به سبد خود استفاده کنند.
