فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و اهداف: پیش‌بینی بازده دارایی‌ها، مدیریت ریسک دنباله‌ای و تشکیل پرتفوی کارا از چالش‌های اصلی بازارهای مالی، به‌ویژه در محیط‌های پرنوسان و غیرایستایی مانند بازار سرمایه ایران است. بسیاری از پژوهش‌ها هر یک تنها بر یکی از مراحل پیش‌بینی بازده، انتخاب دارایی یا بهینه‌سازی پرتفوی تمرکز کرده‌اند و رویکردی یکپارچه که بتواند این مراحل را هم‌زمان و به‌صورت هوشمند انجام دهد، کمتر ارائه شده است. پژوهش حاضر باهدف رفع این شکاف، چارچوبی نوین برای بهینه‌سازی هوشمند پرتفوی سهام ارائه می‌کند که مبتنی بر یادگیری گروهی ماشین و الگوریتم بهینه‌سازی فراابتکاریِ عقاب جهت پیش‌بینی دقیق بازده و کمینه‌سازی ریسک دنباله به کمک ارزش در معرض خطر شرطی است. روش‌ها: پژوهش حاضر از داده‌های روزانه کلیه شرکت‌های بورسی و فرابورسی ایران طی دوره فروردین ۱۳۹۲ تا مهر ۱۴۰۳ استفاده کرده است. پس از پیش‌پردازش و حذف داده‌های غیرمنطقی و نمادهای فاقد پوشش کافی، ۳۷۰ نماد انتخاب شد. در مرحله اول، یک مدل یادگیری گروهی شامل سه الگوریتم جنگل تصادفی، تقویت تطبیقی و تقویت گرادیان شدید توسعه یافت. الگوریتم بهینه‌سازی فراابتکاری عقاب به طور هم‌زمان سه وظیفه را انجام داد: انتخاب ویژگی‌های مؤثر، تنظیم ابرپارامترها و تعیین وزن بهینه الگوریتم‌های پایه. معیار ارزیابی تابع برازش، ترکیبی از میانگین خطای مجذور میانگین مربعات سهام و جریمه اندازه ویژگی‌ها بود. سپس مدل بهینه‌شده بازده آتی همه نمادها را پیش‌بینی کرده و بر اساس خطای پیش‌بینی، ۳۰ سهم با بالاترین ثبات رفتاری انتخاب شد. در مرحله دوم، این ۳۰ سهم در مدل بهینه‌سازی محدب ارزش در معرض خطر شرطی راکفلار و اوریاسف قرار گرفتند تا وزن‌های بهینه پرتفوی برای سطوح بازده موردانتظار ۰%2/0، %5/0 و %8/0 تعیین شود. عملکرد پرتفوی‌ها نیز با معیار های شارپ و سورتینو ارزیابی شد. همچنین برای اطمینان از دقت ریسک دنباله‌ای، آزمون بازآزمایی آسربی–زکِلی انجام گرفت. یافته‌ها: نتایج نشان داد مدل یادگیری گروهی با بهینه‌سازی الگوریتم فراابتکاری عقاب توانست مجموعه‌ای کوچک اما بسیار مؤثر از ویژگی‌های قیمتی، روند، نوسان و حجم را انتخاب کند و به‌دقت پیش‌بینی قابل‌توجهی دست یابد. پرتفوی مبتنی بر بازده موردانتظار %5/0بهترین عملکرد را ثبت کرد و در سطوح اطمینان %95 و %99، بالاترین نسبت شارپ و سورتینو را داشت. این پرتفوی نسبت به پرتفوی شاخص‌محور حدود %24 بهبود در کارایی ریسک‌تعدیل‌شده ایجاد کرد. همچنین حدود %76 وزن پرتفوی بهینه تنها به هشت سهم برتر اختصاص یافت که عمدتاً از صنایع پالایشی، پتروشیمی و سرمایه‌گذاری با همبستگی پایین در بحران‌ها بودند. آزمون آسربی–زکِلی نیز نشان داد مدل ارزش در معرض خطر شرطی کاملاً کالیبره و فاقد کم‌برآورد ریسک است. نتیجه‌گیری: این پژوهش نخستین چارچوب یکپارچه را ارائه می‌کند که سه عنصر کلیدی تصمیم‌گیری مالی و پیش‌بینی بازده، انتخاب هوشمند دارایی و بهینه‌سازی پیشرفته پرتفوی را در قالب یک سیستم هوشمند ترکیبی گرد هم آورده است. نتایج تأیید می‌کنند که ادغام یادگیری گروهی و بهینه‌سازی با الگوریتم فراابتکاری عقاب بر اساس رویکرد ارزش در معرض خطر شرطی، می‌تواند به شکل معناداری ریسک نزولی پرتفوی را کاهش داده و بازده تعدیل‌شده مبتنی بر ریسک را بهبود بخشد. این چارچوب قابلیت استفاده عملی توسط صندوق‌های سرمایه‌گذاری، سبدگردانان و سرمایه‌گذاران نهادی را داشته و قابل‌تعمیم به سایر بازارهای نوظهور است.