عنوان	بهینه‌یابی پرتفوی مبتنی بر پیش‌بینی در بورس اوراق بهادار تهران؛ رویکرد شبکه های عصبی NARX و LSTM
نوع پژوهش	مقاله چاپ‌شده در مجلات علمی
کلیدواژه‌ها	بهینه‌یابی پرتفوی، پیش‌بینی، شبکه عصبی NARX، شبکه عصبی LSTM، مارکوویتز
چکیده	هدف از مطالعه حاضر پیاده‌سازی بهینه‌یابی پرتفوی مبتنی‌بر پیش‌بینی در بورس اوراق بهادار تهران با استفاده از شبکه‌ عصبی خودبازگشتی غیرخطی با متغیرهای برون‌زا (NARX) به‌عنوان رویکرد اصلی و شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به‌عنوان رویکرد رقیب و نیز مقایسه عملکرد آن با روش بهینه‌یابی پرتفوی میانگین-واریانس مارکوویتز است. بدین منظور ابتدا رتبه‌بندی و تشخیص سهام شرکت‌هایی که سرمایه‌گذاری روی آن‌ها به‌صرفه است با بهره‌گیری از مدل تک عامله شارپ صورت گرفته، سپس در ‌راستای برآورد شاخص بازده مورد انتظار و ریسک پرتفوی از پیش‌بینی بازدهی سهام شرکت‌ها و واریانس خطاهای پیش‌بینی بر‌پایه رویکردهای مذکور استفاده شده و پس از آن بهینه‌یابی پرتفوی بر‌اساس روش کلی میانگین-واریانس مارکوویتز انجام‌ شده‌است. شرکت‌های موجود در شاخص 50 شرکت فعال‌تر بورسی مربوط به پایان سال 1400 به عنوان یک نمونه از جامعه آماری در نظر گرفته شدند و برآوردها با استفاده از داده‌های روزانه مربوط‌ به دوره زمانی 1/2/1399 تا 29/12/1400 انجام شد. نتایج نشان می‌دهد رویکرد شبکه عصبی NARX نسبت به رویکرد شبکه عصبی LSTM دقت بالاتری در پیش‌بینی بازدهی سهام شرکت‌ها دارد و در مرحله بهینه‌یابی نیز آن را مغلوب می‌کند. بهینه‌یابی پرتفوی مبتنی‌بر پیش‌بینی با استفاده از شبکه‌های عصبی NARX و LSTM در مقایسه‌ با بهینه‌یابی پرتفوی میانگین-واریانس مارکوویتز ریسک کمتر و حداکثر نرخ شارپ بالاتری را برای سرمایه‌گذاران فراهم‌‌می‌آورد.
پژوهشگران	راضیه صحرایی (نفر اول)، علی اکبر قلی زاده (نفر دوم)، حمید سپهردوست (نفر سوم)، سیداحسان حسینی دوست (نفر چهارم)