عنوان	حل مسئله بهینه سازی سبد سهام با استفاده از رویکرد ترکیبی چندهدفه الگوریتم گرگ خاکستری و روش های پیش انتخاب یادگیری ماشین
نوع پژوهش	پایان نامه
کلیدواژه‌ها	یادگیری ماشسن، سبد سهام، الگوریتم فراابتکاری
چکیده	این پایان ‌نامه به بهینه‌ سازی سبد سهام شرکت‌های فعال پذیرفته شده در بورس اوراق بهادار تهران بر اساس قیمتهای پیش‌بینی شده می‌پردازد. در این پژوهش از روش‌های مختلف فیلترکردن مانند بهینه ‌سازی قوانین معاملاتی مبتنی برتجزیه و تحلیل تکنیکال در شش سطح بسیار بسیار ضعیف، بسیار ضعیف، ضعیف، قوی، خیلی قوی و خیلی خیلی قوی و مدل زنجیره مارکوف و روش یادگیری ماشین ( روش‌های جنگل تصادفی و ماشین بردار پشتیبان) سهام‌های شرکت‌های حاضر را فیلتر کرده و سیگنالهای خرید را بین سال‌های 2011 تا 2020 بررسی می‌کند. از طرفی با ترکیب روش‌های فیلترکردن، سیگنالهای خرید بهتری صادر می‌شود که در نهایت با استفاده از مدل میانگین واریانس (M-V)، بازده سبد سهام افزایش و ریسک آن کاهش داده می‌شود. بر این اساس از 480 شرکت پذیرفته شده در بورس اوراق بهادار تهران، 85 شرکت فعال انتخاب شده و سبد سهام بر اساس دو الگوریتم چند هدفه ژنتیک (NSGA-II) و گرگ خاکستری (MOGWO) بهینه‌سازی می‌شود. نتایج نشان می‌دهد که استفاده از روش ماشین بردار پشتیبان منجر به خطای همبستگی جزئی نسبت به روش جنگل تصادفی می‌شود. بنابراین از این روش برای پیش‌بینی قیمت‌های سهام استفاده شده است. بر اساس نتایج به دست آمده، مشاهده می‌شود که اگر سهام شرکت‌ها فیلتر‌ شوند، ریسک معاملات کاهش و بازده آن افزایش می‌یابد و همچنین اگر هر دو روش فیلترینگ به طور همزمان اعمال شوند، سبد سهام دارای اندکی بازده و ریسک آن افزایش می‌یابد. بررسی‌ها نشان می‌دهند که الگوریتم MOGWO نرخ بازده سبد سهام را 133.13% و ریسک آن را 3.346 % به دست آورده است در حالی که الگوریتم NSGAII نرخ بازده سبد سهام را 107.73% و ریسک آن را 1.459% به دست آورده است با مقایسهی این دو الگوریتم، مشاهده می‌شود که الگوریتم MOGWO دارای کارایی بالایی درانتخاب سبد سهام است. این پایان نامه بر اساس مرجع [1] نوشته شده است.
پژوهشگران	مجید یوسفی خوشبخت (استاد راهنما)، مصطفی زوراوند (دانشجو)