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.
