مدل ترکیبی SVM–مارکویتز برای انتخاب سهام و تشکیل پرتفوی بهینه بر پایه شاخصهای بنیادی
نویسندگان
1 گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه خاتم، تهران، ایران
2 گروه مالی، دانشکده مدیریت و امور مالی، دانشگاه خاتم، تهران، ایران
doi
چکیده
در شرایط پرنوسان و ناپایدار بازارهای مالی، بهینهسازی تصمیمات سرمایهگذاری، بهویژه در بازارهای نوظهور، اهمیتی دوچندان دارد. هدف این پژوهش، طراحی و ارزیابی چارچوبی ترکیبی برای انتخاب و تخصیص پرتفوی سهام در بازار سرمایه ایران است که در آن الگوریتمهای یادگیری ماشین برای پیشگزینش داراییها و مدل مارکویتز برای بهینهسازی پرتفوی بهکار گرفته میشوند. دادههای بنیادی و قیمتی ۱۵۷ شرکت بورس تهران طی دوره فروردین ۱۳۹۲ تا آذر ۱۴۰۳ گردآوری و در قالب ۴۲ پنجره زمانی پردازش شد. پس از پاکسازی و نرمالسازی، چهار الگوریتم طبقهبندی شامل درخت تصمیم، جنگل تصادفی، رگرسیون لجستیک و ماشین بردار پشتیبان آموزش داده شدند. عملکرد مدلها با شاخصهایی مانند صحت، دقت، بازخوانی و امتیاز F1 سنجیده شد و ماشین بردار پشتیبان با صحت ۶۱٪ و امتیاز F1 برابر ۷۱.۸٪ بهترین عملکرد را داشت. سپس دو استراتژی پرتفوی شامل وزن مساوی و بهینهسازی مارکویتز با هدف بیشینهسازی نسبت شارپ پیادهسازی شدند. نتایج نشان داد پرتفوی مبتنی بر مدل مارکویتز نسبت به پرتفوی وزن مساوی و شاخص بازار از نظر بازده تجمعی (۴۵.۸٪)، نسبت شارپ (۰.۵۲)، و آلفای جنسن عملکرد برتری دارد و در کنترل افت سرمایه و حفظ بتای متعادل نیز موفق بود. نوآوری اصلی این پژوهش در یکپارچهسازی الگوریتمهای یادگیری ماشین با مدل کلاسیک مارکویتز است که موجب ارتقای دقت ورودیها و جلوگیری از ورود سهام با پتانسیل ضعیف به مرحله بهینهسازی میشود. همچنین، ارزیابی همزمان چند الگوریتم و انتخاب کاراترین مدل برای پیشگزینش داراییها، ارزش افزوده علمی و عملی ایجاد کرده است. این چارچوب بهعنوان یکی از نخستین نمونهها در بازار سرمایه ایران، میتواند الگویی نوین و قابل تعمیم برای سایر بازارهای نوظهور باشد.
