از مارکویتز تا جنگل تصادفی؛ پایان دوران تحلیل سنتی

به گزارش بورس امروز؛ بورس اوراق بهادار به‌عنوان یکی از ارکان اصلی بازارهای مالی و سرمایه، نقش حیاتی در تأمین نیاز مالی شرکت‌ها و توسعه اقتصادی کشور دارد. تلاش برای استفاده از فناوری‌های نوین در تحلیل روندهای قیمتی و شکل‌دهی سبدهای سرمایه‌گذاری به‌منظور کسب بازدهی مطلوب، از دغدغه‌های اصلی سرمایه‌گذاران امروزی محسوب می‌شود. با افزایش پیچیدگی‌ها در داده‌های مالی و تأثیر عوامل بیرونی نظیر سیاست و عوامل روان‌شناختی سرمایه‌گذاران، رویکردهای سنتی تحلیل اغلب ناکافی به نظر می‌رسند.

در همین راستا، استفاده از رویکردهای یادگیری ماشین به‌ویژه الگوریتم جنگل تصادفی، با توجه به توانمندی آن در تحلیل داده‌های حجیم و نامنظم، زمینه‌ساز ایجاد سیستم‌های پیش‌بینی دقیق و ارائه راهکارهای بهینه در مدیریت سبد سهام شده است. تلفیق این الگوریتم‌ها با روش‌های برنامه‌ریزی درجه دوم، امکان پیش‌بینی قیمت و بازده سهام و بهینه‌سازی سبد سرمایه‌گذاری را فراهم می‌کند. از مهم‌ترین مزایای این رویکرد می‌توان به بهبود دقت پیش‌بینی، کاهش ریسک سرمایه‌گذاری و ارائه سودمندی بالاتر نسبت به روش‌های کلاسیک مانند مدل مارکویتز اشاره کرد.

تشکیل سبد بهینه جهت کاهش ریسک و افزایش بازده در سرمایه‌گذاری‌های بورس، همواره مورد توجه فعالان بازار بوده است. مدل‌های سنتی مانند پرتفوی حداقل واریانس مبتنی بر داده‌های تاریخی، محدودیت‌هایی ازجمله عدم انعکاس دقیق روند آینده را دارند. استفاده از داده‌های تاریخی به‌تنهایی برای پیش‌بینی تغییرات آینده سهام، ریسک‌های قابل‌توجهی به همراه دارد؛ از این‌رو، رویکردهای مبتنی بر یادگیری ماشین با استفاده از داده‌های به‌روزتر و الگوریتم‌های هوشمند می‌توانند به‌عنوان جایگزینی کارآمد معرفی شوند. توجه به اهمیت شفافیت اطلاعات و افزایش اعتماد سرمایه‌گذاران ازجمله مواردی است که می‌تواند به توسعه بازارهای سرمایه کمک شایانی نماید.

 تکامل بازارهای مالی و نظریه‌های مدیریت سبد سرمایه‌گذاری

بازار بورس اوراق بهادار از قرون وسطی آغاز شد و با گذر زمان به یکی از مهم‌ترین ارکان سیستم‌های مالی تبدیل گردید. نخستین مفاهیم خریدوفروش سهام در اروپا ایجاد شد و سپس با گسترش اقتصادی و فناوری‌های مدرن، مدل‌های تحلیل بنیادی و تکنیکال در تصمیم‌گیری‌های سرمایه‌گذاران نقش مهمی ایفا کردند.

پرتفوی و بهینه‌سازی آن: از مدل کلاسیک مارکویتز تا رویکردهای نوین

پرتفوی که به معنای سبد سرمایه‌گذاری ترجمه شده، مفهومی فراتر از سبد سهام دارد و سایر سرمایه‌گذاری‌های غیرسهم را نیز شامل می‌شود. از منظر فنی، یک سبد سرمایه‌گذاری مجموعه کاملی از دارایی‌های حقیقی و مالی سرمایه‌گذار را در بر می‌گیرد.

مفاهیم بهینه‌سازی سبد سهام و تنوع‌بخشی، به ابزاری برای توسعه و فهم بازارهای مالی و تصمیم‌گیری مالی تبدیل شده‌اند. انتشار نظریه پرتفوی هری مارکویتز، مهم‌ترین موفقیت در این مسیر بود. مدل مارکویتز از زمان انتشار، تحولات و بهبودهای فراوانی در شیوه نگرش به سرمایه‌گذاری ایجاد کرد و به‌عنوان ابزاری کارا برای بهینه‌سازی سبد سهام به کار گرفته شد. مارکویتز پیشنهاد کرد که سرمایه‌گذاران ریسک و بازده را به‌صورت توأمان در نظر بگیرند و میزان تخصیص سرمایه بین فرصت‌های مختلف را بر اساس تعامل این دو عامل انتخاب کنند.

یکی از مباحث مهم در بازارهای سرمایه، انتخاب سبد سرمایه‌گذاری بهینه است. سرمایه‌گذاران معمولاً ریسک‌گریز هستند و همواره به دنبال سرمایه‌گذاری در دارایی‌هایی با بیشترین بازده و کمترین ریسک می‌باشند. به عبارت دیگر، بازده سرمایه‌گذاری به‌عنوان عاملی مطلوب و واریانس بازده‌ها (ریسک) به‌عنوان عنصری نامطلوب در نظر گرفته می‌شود.

در بهینه‌سازی پرتفوی، مسئله اصلی انتخاب بهینه دارایی‌ها با مقدار مشخصی سرمایه است. مسئله بهینه‌سازی مارکویتز و تعیین مرز کارای سرمایه‌گذاری، زمانی که تعداد دارایی‌ها و محدودیت‌ها کم باشد، با مدل‌های ریاضی قابل‌حل است. اما با در نظر گرفتن شرایط دنیای واقعی، مسئله پیچیده و دشوار می‌شود. سال‌هاست که ریاضیات پیشرفته و رایانه‌ها در حل چنین مسائل پیچیده‌ای به کمک انسان آمده‌اند.

ازجمله روش‌هایی که در سال‌های اخیر موفق بوده‌اند، الگوریتم‌های فراابتکاری هستند. این روش‌ها با هدف رفع کاستی‌های روش‌های کلاسیک معرفی شدند و با جستجوی جامع و تصادفی، احتمال دستیابی به نتایج بهتر را تضمین می‌کنند. از جمله این الگوریتم‌ها می‌توان به ژنتیک، کوچ پرندگان، تبرید فلزات، جستجوی ممنوعه، کولونی مورچگان، رقص زنبورها و رقابت استعماری اشاره کرد.

 بهینه‌سازی کلاسیک و مدل مارکویتز

مارکویتز مفهوم تنوع‌بخشی در سبد سهام را معرفی و توسعه داد. او نشان داد که چگونه تنوع‌بخشی ریسک سرمایه‌گذاری را کاهش می‌دهد. سرمایه‌گذاران می‌توانند سبد سهام کارا را به ازای یک بازده معین و از طریق کمینه کردن ریسک به دست آورند. این فرآیند منجر به تشکیل سبدهای کارایی می‌شود که مرز کارای میانگین-واریانس نامیده می‌شوند.

دلیل ریسکی بودن سهام یک شرکت، تصادفی بودن نرخ بازدهی آن است. ازآنجاکه این نرخ‌ها با گذشت زمان تغییر می‌کنند، می‌توان برای آن‌ها تابع توزیع احتمال تعریف کرد و معیارهای موردنیاز مدل مارکویتز نظیر میانگین، انحراف معیار و کوواریانس را به دست آورد.

مدل مارکویتز بر مبنای مفروضات زیر بنا شده است:

• سرمایه‌گذاران ریسک‌گریز هستند و مطلوبیت مورد انتظار افزایشی دارند
• سبد خود را بر مبنای میانگین و واریانس مورد انتظار بازدهی انتخاب می‌کنند
• هر گزینه سرمایه‌گذاری تا بینهایت قابل‌تقسیم است
• افق زمانی یک‌دوره‌ای و یکسان دارند
• در سطح مشخصی از ریسک، بازده بالاتری را ترجیح می‌دهند و بالعکس
• به دو عامل بازده مورد انتظار بالاتر و عدم‌اطمینان از بازده توجه می‌کنند

 بهینه‌سازی نوین و کاربرد یادگیری ماشین در پیش‌بینی بازده سهام

مبنای روش بهینه‌سازی نوین بر این استدلال استوار است که احتمال خطر از دست دادن سرمایه در یک سهام خاص، بسیار بیشتر از مجموعه یا ترکیبی از سهام است. بنابراین سرمایه‌گذار حرفه‌ای باید سرمایه خود را در مجموعه‌ای از سهام توزیع نماید که به آن پرتفوی یا سبد سهام می‌گویند. سبد سهام متشکل از سهام متعدد شرکت‌هایی است که در شرایط عادی، احتمال کاهش همزمان بازده همه آن‌ها نزدیک به صفر است.

با توجه به پیچیدگی عوامل تأثیرگذار در تشکیل پرتفوی بهینه، استفاده از روش‌های سنتی دشوار شده است. رفتار سهام در بازار رفتاری غیرخطی است؛ ازاین‌رو روش‌های خطی توانایی تشخیص صحیح این رفتار را ندارند و استفاده از الگوهای غیرخطی تأثیر بسزایی در اتخاذ تصمیمات بهینه دارد.

پس از مدل‌های کلاسیک، مدل‌های متعددی برای تشکیل پرتفوی بهینه ارائه شده است. ایده اساسی نظریه مدرن پرتفوی این است که اگر در دارایی‌هایی سرمایه‌گذاری شود که با یکدیگر همبستگی کامل ندارند، ریسک آن‌ها یکدیگر را خنثی کرده و می‌توان بازدهی نسبتاً ثابت با ریسک کمتر به دست آورد.

یکی از فناوری‌های نوین که مورد توجه قرار گرفته، مدل‌های مبتنی بر یادگیری ماشین و هوش مصنوعی است. این مدل‌ها می‌توانند روش‌های متعددی را برای انتخاب پرتفوی بهینه سهام ارائه دهند.

 بازده سهام

بازده سهام عبارت است از نسبت کل درآمد حاصل از سرمایه‌گذاری به میزان سرمایه‌ای که برای کسب آن درآمد طی یک دوره معین استفاده شده است. برای ارزیابی عملکرد واحدهای تجاری معیارهای مختلفی ارائه شده که مهم‌ترین آن‌ها نرخ بازده سهام است؛ معیاری که نقش اساسی در تصمیم‌گیری‌های سرمایه‌گذاری دارد. کاهش این معیار، زنگ هشداری برای شرکت محسوب شده و نشانه‌ای از عدم عملکرد مطلوب است. این معیار نسبت به شاخص‌های مبتنی بر حسابداری از محتوای اطلاعاتی بیشتری برخوردار است، زیرا ارزیابی مبتنی بر بازار، بازتاب‌دهنده اطلاعات سرمایه‌گذاران است.

 یادگیری ماشین

در موارد زیر به یادگیری ماشین نیاز پیدا می‌کنیم: زمانی که انسان خبره در دسترس نباشد؛ هنگامی که مسئله در طول زمان تغییر می‌کند؛ در شرایطی که حل مسئله به تطبیق با وضعیت خاصی نیاز داشته باشد. اگرچه ممکن است مدلی کاملاً دقیق ارائه نشود، اما می‌توان به تقریب خوب و مفیدی دست یافت.

مدل به‌دست‌آمده می‌تواند برای پیش‌بینی مورد استفاده قرار گیرد یا به‌منظور استخراج دانش از داده‌ها به کار آید. روش‌های مختلف یادگیری ماشین به شرح زیر است:

 روش‌های یادگیری نظارت‌شده

در این الگوریتم‌ها باید تابعی ایجاد شود که ورودی‌ها را گرفته و خروجی موردنظر را تولید کند. نمونه‌هایی از این الگوریتم‌ها عبارت‌اند از رگرسیون، درخت‌های تصمیم، جنگل‌های تصادفی، K نزدیک‌ترین همسایه و رگرسیون لجستیک.

 روش‌های یادگیری بدون نظارت

یادگیری بدون ناظر متغیر هدف ندارد و خروجی الگوریتم نامشخص است. بهترین مثال برای این نوع الگوریتم‌ها، خوشه‌بندی خودکار یک جمعیت است؛ به‌عنوان مثال با داشتن اطلاعات مشتریان، می‌توان آن‌ها را به‌صورت خودکار به گروه‌های همسان تقسیم کرد. الگوریتم‌های K-Means و K-Medoid از این دسته هستند.

 روش‌های پیشرفته یادگیری ماشین و کاربرد فینتک در بازارهای مالی

یادگیری تقویتی نوع سوم الگوریتم‌هاست که شاید بتوان آن‌ها را در زمره الگوریتم‌های بدون ناظر نیز دسته‌بندی کرد. در این نوع الگوریتم‌ها، یک ماشین برای گرفتن یک تصمیم خاص آموزش داده می‌شود. ماشین بر اساس موقعیت فعلی و عمل‌های مجاز، یک تصمیم می‌گیرد. به ازای هر عمل، سیستم یک بازخورد یا امتیاز به آن می‌دهد. ماشین از طریق این بازخورد متوجه می‌شود که تصمیم درست را اتخاذ کرده یا نه تا در مراحل بعدی همان عمل را تکرار کند یا رفتار دیگری را بیازماید. فرآیند تصمیم‌گیری مارکوف یکی از مثال‌های این گروه است. منظور از کلمه تقویتی، اشاره به مرحله بازخورد است که باعث تقویت و بهبود عملکرد الگوریتم می‌شود.

 روش‌های یادگیری عمیق

نوع جدیدی از یادگیری ماشین برگرفته از نحوه عملکرد مغز انسان است. مغز انسان ابتدا لبه‌ها، سپس لکه‌ها، سپس سطوح و بعد اشیاء را استخراج می‌کند. این مشاهدات الهام‌بخش روند جدیدی در یادگیری ماشین به‌عنوان یادگیری عمیق شده است.

 جنگل تصادفی

جنگل تصادفی یکی از محبوب‌ترین و پرکاربردترین الگوریتم‌های یادگیری ماشین از نوع نظارت‌شده و ناپارامتریک است که برای طبقه‌بندی و رگرسیون استفاده می‌شود. این الگوریتم از مجموعه‌ای از درخت‌های تصمیم چندگانه برای تولید پیش‌بینی بهره می‌گیرد. با ترکیب خروجی‌های درختان، جنگل تصادفی نتیجه‌ای تلفیقی و دقیق‌تر ارائه می‌دهد. قدرت آن در توانایی مدیریت مجموعه داده‌های پیچیده و کاهش بیش‌برازش نهفته است.

روش کار بدین صورت است که داده‌های نمونه‌ای با عمل جای‌گذاری به n مجموعه نمونه تقسیم می‌شود و از هر دسته، نمونه‌ای برای آموزش یک درخت استفاده می‌گردد. تمام درخت‌ها عمق مشخصی دارند و در هر گره، یک ویژگی به‌طور تصادفی انتخاب شده و تقسیم‌بندی بر اساس آن صورت می‌گیرد. به دلیل استفاده از چندین دسته نمونه، این روش مشکل داده‌های پرت و داده‌های گمشده را ندارد.

 فینتک

فینتک به معنای فناوری مالی است که در حال تبدیل‌شدن به بازوی سیستم مالی فعلی می‌باشد. استفاده از بسترهای ترکیبی فناوری‌هایی نظیر بلاک‌چین، اینترنت اشیا و هوش مصنوعی، این حوزه را دستخوش تغییرات عمده خواهد کرد.

فناوری‌های نوآورانه در حال ایجاد تحولات مهمی در عرصه خدمات مالی ازجمله سپرده‌گذاری و وام‌دهی، سرمایه‌گذاری، بیمه، خدمات پرداخت و توسعه بازار سرمایه هستند. استفاده از این فناوری‌ها موجب کاهش زمان و هزینه و ارتقای کیفیت خدمات شده که آثار مثبتی در رشد و توسعه اقتصادی، افزایش داده‌ها برای تحلیل‌ها، ایجاد شفافیت و افزایش تاب‌آوری اقتصادی به همراه خواهد داشت.

فناوری مالی با هدف رقابت با روش‌های سنتی در ارائه خدمات مالی، از فناوری برای بهبود فعالیت‌ها استفاده می‌کند. استفاده از تلفن‌های هوشمند برای بانکداری همراه، سرمایه‌گذاری و ارزهای رمزنگاری‌شده نمونه‌هایی از این فناوری‌ها هستند.

فناوری‌های مالی جدید با استفاده از بلاک‌چین، یادگیری ماشین، بیومتریک و محاسبات ابری تغییرات بزرگی در خدمات مالی ایجاد خواهند کرد. این فناوری‌ها می‌توانند تغییرات قابل‌توجهی در بازارهای مالی و رفتار سرمایه‌گذاران ایجاد نمایند. افزایش کارایی و اثربخشی در حوزه مالی، می‌تواند زمینه مناسبی برای رشد و توسعه اقتصادی فراهم آورد.

به‌کارگیری فناوری‌های مالی در راستای دستیابی به راه‌حل بهینه برای تصمیم‌گیری‌های کارآمدتر در خصوص سرمایه‌گذاری در بازار سهام، در عصر حاضر ضرورت یافته است تا در کنار مدل‌های کلاسیک، از یادگیری ماشین برای کمک به تصمیمات سرمایه‌گذاری استفاده شود. اگرچه فینتک از بسیاری جهات مانند ارائه راه‌حل‌های مشتری‌محور و هزینه‌های کمتر، بهتر از روش‌های سنتی عمل می‌کند، اما سازمان‌های مالی سنتی در عرصه اعتمادسازی موفق‌تر هستند. بااین‌حال، پیش‌بینی می‌شود سهم بازار فینتک در آینده افزایش یابد.

پیشینه کاربرد یادگیری ماشین در پیش‌بینی و بهینه‌سازی سبد سهام

شبکه‌های عصبی برای پیش‌بینی کوتاه‌مدت و روزانه قیمت سهام با بررسی سه سهام مهم آلمان به کار گرفته شدند. شبکه‌های پرسپترون، آدالین، مادالین و پس‌انتشار خطا در مدت ۱۰ روز به دقت بالایی تا ۹۰ درصد دست یافتند.

روش دیگری برای استفاده همزمان از دانش قبلی و شبکه‌های عصبی به منظور بهبود توانایی پیش‌بینی ارائه شد. دانش قبلی درباره قیمت سهام و اطلاعات روزنامه‌های داخلی و خارجی و چند شاخص اقتصادی بر اساس دانش پیشین انتخاب و به شبکه‌های عصبی وارد شدند. خطای پیش‌بینی این رویکرد از تحلیل رگرسیون چندگانه کوچکتر بود.

روش‌های اجماعی نظیر جنگل تصادفی، AdaBoost و Kernel Factory در برابر مدل‌های طبقه‌بندی واحد نظیر شبکه‌های عصبی، رگرسیون لجستیک، ماشین‌های بردار پشتیبانی و K نزدیک‌ترین همسایه با اطلاعات ۵۷۶۷ شرکت اروپایی ارزیابی شدند. جنگل تصادفی بهترین الگوریتم شناخته شد و پس از آن ماشین بردار پشتیبان، Kernel Factory، AdaBoost، شبکه عصبی، K نزدیک‌ترین همسایه و رگرسیون لجستیک قرار گرفتند.

یک روش یادگیری ماشین برای ارزیابی قیمت آتی سهام در طول زمان توانست در ۷۶.۵ درصد موارد به‌درستی پیش‌بینی کند که آیا ارزش یک شرکت طی یک سال ۱۰ درصد یا بیشتر افزایش می‌یابد.

انتخاب پرتفوی سهام با استفاده از تئوری شواهد دمپستر-شیفر در بورس بمبئی با بهره‌گیری از متغیرهایی مانند نسبت قیمت به سود، نسبت قیمت به ارزش دفتری، نسبت قیمت به فروش، نسبت بدهی‌های بلندمدت به حقوق صاحبان سهام، سود هر سهم و نسبت پرداخت بررسی شد. از مدل دلفی-فازی برای شناسایی عوامل ضروری استفاده و سپس با تئوری شواهد، رتبه‌بندی سهام انجام و مدل پرتفویی با سهام با رتبه بالا انتخاب گردید. نتیجه عملکرد در مقایسه با عملکرد اخیر دارایی‌ها بسیار رضایت‌بخش بود.

مقایسه روش‌های تصمیم‌گیری چندمعیاره برای انتخاب پرتفوی سهام در بورس نزدک آمریکا طی دوره چهل‌وسه‌ساله ۱۹۶۹ تا ۲۰۱۱ با چهار روش شامل مقیاس متوسط، فرآیند سلسله‌مراتب تحلیلی، تکنیک اولویت‌دهی بر اساس شباهت به راه‌حل ایده‌آل و تحلیل پوشش افزایشی داده‌ها انجام شد. متغیرها شامل ارزش بازار سهام، ارزش شرکت، سود، ارزش دفتری سهام، فروش، سود سهام عادی، جریان نقد عملیاتی، جریان نقد آزاد، سود قبل از بهره، مالیات و استهلاک و سود قبل از بهره و مالیات بودند. سرمایه‌گذاران با سبک‌های مشخص می‌توانند از روش‌های مختلفی استفاده کنند که بهترین سازگاری را با اهداف انتخاب پرتفوی آن‌ها دارد.

رویکرد برابری ریسک سلسله‌مراتبی برای تخصیص سبد سهام با استفاده از نظریه گراف و یادگیری ماشین برای ایجاد پرتفوی متنوع بررسی شد. این رویکرد تابعی از برآورد ماتریس کوواریانس است اما به برگشت‌ناپذیری ماتریس نیاز ندارد. تأثیر نادرست تشخیص کوواریانس بر عملکرد روش‌های مختلف تخصیص مطالعه و سپس تحت یک مدل پیش‌بینی کوواریانس مناسب بررسی شد. وقتی برآورد کوواریانس خام قوی‌تر است، پرتفوی‌های معیار نوسانات معکوس عملکرد بهتری دارند و پس از آن پرتفوی‌های مبتنی بر یادگیری ماشین قرار می‌گیرند.

تکنیک‌های بهینه‌سازی سبد دارایی ارائه‌شده توسط میانگین-واریانس مارکویتز و برابری ریسک سلسله‌مراتبی، بازدهی تعدیل‌شده سهام را با استفاده از سهام از پیش انتخاب‌شده با ابزار یادگیری ماشین افزایش می‌دهند. از روش جنگل تصادفی برای پیش‌بینی مقطع بازده اضافی مورد انتظار استفاده و n سهام با بیشترین پیش‌بینی ماهانه انتخاب شد. سپس با سه تکنیک مختلف وزن‌های سبد با استفاده از بازده سهام شاخص‌های S&P 500 و STOXX 600 مقایسه گردید. نتایج خارج از نمونه نشان داد هر دو بهینه‌ساز میانگین-واریانس و برابری ریسک سلسله‌مراتبی از قانون 1/N بهتر عمل می‌کنند. این نتیجه در تقابل با انتقاد رایج از کارایی بهینه‌سازها قرار دارد و روش جدیدی را برای استفاده عملی بالقوه از آن‌ها ارائه می‌دهد.

تجارب مرتبط در داخل کشور

انتخاب سبد سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم ژنتیک نشان داد که بهینه‌سازی پرتفوی با این رویکرد نسبت به راه‌حل‌های حاصل از مدل‌های کلاسیک کارآمدتر است و عملکرد بهتری نسبت به مدل سنتی مارکویتز به دست می‌آید.

مدل قیمت‌گذاری دارایی سرمایه‌ای تجدیدنظر شده با اندازه‌گیری درجه اهرم اقتصادی شامل اثرات پنج متغیر کلان (نرخ تورم، نرخ ارز، نرخ بیکاری، صادرات و هزینه مالی) بر فروش شرکت‌ها معرفی گردید. این مدل برای ۶۷ شرکت پذیرفته‌شده در بورس تهران طی یک دوره ۸ ساله با سایر مدل‌های قیمت‌گذاری مقایسه شد و توان تبیین بالاتری در پیش‌بینی ریسک و بازده داشت.

بهینه‌سازی پرتفوی متشکل از سهام صندوق‌های سرمایه‌گذاری مشترک بورس تهران با رویکرد الگوریتم ژنتیک در ۳۰ صندوق فعال طی سال‌های ۱۳۸۹ تا ۱۳۹۱ نشان داد که سبدهای تشکیل‌شده با الگوریتم ژنتیک نسبت به روش سنتی مطلوب‌تر هستند. هرچه تنوع سبد بیشتر باشد، برتری الگوریتم ژنتیک بر روش خطی قابل‌ملاحظه‌تر می‌شود.

فرایند انتخاب پرتفوی بهینه به روش ارزش در معرض ریسک با انواع روش‌های بهینه‌سازی شامل واریانس-کوواریانس، شبیه‌سازی تاریخی و شبیه‌سازی مونت‌کارلو بررسی و نتیجه گرفته شد که مدل ارزش در معرض ریسک بهترین مدل پیشنهادی است.

انتخاب پرتفوی بهینه با استفاده از سیستم خبره برای صنایع شیمیایی، فراورده‌های نفتی، کانی‌های فلزی و فلزات اساسی بورس تهران در بازه ۱۳۸۷ تا ۱۳۹۰ انجام شد. با متغیرهایی مانند حاشیه سود خالص، سود قبل از کسر مالیات، بازده حقوق صاحبان سهام، بدهی به حقوق صاحبان سهام، ارزش بازار، نسبت قیمت به سود، سود تقسیمی، نسبت ارزش بازار به ارزش دفتری، مومنتوم قیمت و شاخص فنی، شرکت‌ها رتبه‌بندی شدند. عملکرد پرتفوی برای سه حالت سرمایه‌گذار ریسک‌گریز، ریسک‌خنثی و ریسک‌پذیر مثبت بود، اما پرتفوی سرمایه‌گذار ریسک‌گریز در وضعیت مطلوب‌تری قرار داشت.

پیش‌بینی بازده در تشکیل پورتفولیو با ترکیب مدل یادگیری ماشین (جنگل تصادفی) و مدل یادگیری عمیق حافظه کوتاه‌مدت بلندمدت با داده‌های ۵ ساله (۱۳۹۶ تا ۱۴۰۱) از ۵ صنعت بانکی، خودرویی، دارویی، فلزی و نفتی نشان داد که مدل‌های بهینه‌سازی میانگین-واریانس با پیش‌بینی بازده به‌وسیله جنگل تصادفی، عملکرد بهتری دارند.

 کاربرد یادگیری ماشین در مدیریت سبد سهام

در سال‌های اخیر، استفاده از الگوریتم‌های یادگیری ماشین در کنار روش‌های بهینه‌سازی کلاسیک، افق تازه‌ای را در مدیریت سرمایه‌گذاری گشوده است. تجربه‌ای که در این زمینه با ترکیب الگوریتم جنگل تصادفی و برنامه‌ریزی درجه دوم به دست آمده، نتایج قابل‌توجهی را نشان می‌دهد.

جنگل تصادفی به عنوان یکی از الگوریتم‌های قدرتمند یادگیری ماشین، با بهره‌گیری از ویژگی‌های انتخابی و تکنیک‌های نمونه‌گیری، توانسته است پیش‌بینی نسبتاً دقیقی از تغییرات و بازده سهام ارائه کند. آنچه این روش را متمایز می‌کند، توانایی آن در کاهش وابستگی به داده‌های تاریخی صرف و افزایش انعطاف‌پذیری در مواجهه با نوسانات بازار است. به عبارت دیگر، به جای تکیه بر روندهای گذشته که ممکن است تکرار نشوند، این الگوریتم با استخراج الگوهای پنهان از داده‌های به‌روز، تصویر واقعی‌تری از آینده ارائه می‌دهد.

اما پیش‌بینی به تنهایی کافی نیست. نقطه قوت این رویکرد، ترکیب خروجی مدل پیش‌بینی با برنامه‌ریزی درجه دوم برای تعیین وزن بهینه سهام است. این ترکیب باعث می‌شود که ریسک غیرسیستماتیک سبد کاهش یافته و پایداری بازدهی افزایش پیدا کند. در مقایسه با روش‌های سنتی مانند پرتفوی حداقل واریانس، این رویکرد هوشمند از نظر سوددهی و کنترل ریسک عملکرد بهتری از خود نشان داده است.

نکته مهم دیگر، توجه به داده‌های به‌روز در کنار الگوریتم‌های هوشمند است. در شرایطی که بازارهای مالی با سرعت زیادی تغییر می‌کنند، اتکا صرف به داده‌های تاریخی می‌تواند گمراه‌کننده باشد. رویکردهای نوین با استفاده از داده‌های جاری و تکنیک‌های پیش‌بینی مبتنی بر هوش مصنوعی، امکان تصمیم‌گیری دقیق‌تری را برای سرمایه‌گذاران فراهم می‌کنند.

 تورم و بازار سهام؛ رابطه‌ای پیچیده

یکی از موضوعات چالش‌برانگیز در بازارهای مالی، رابطه بین تورم و بازده سهام است. تجربه‌های مختلف در این زمینه نشان می‌دهد که این رابطه به سادگی خطی نیست. در بسیاری از موارد، تورم بالا با کاهش بازده سهام همراه بوده است؛ زیرا افزایش تورم می‌تواند سود شرکت‌ها را کاهش دهد، فضای عدم اطمینان اقتصادی را تشدید کند و با افزایش نرخ تنزیل، ارزش فعلی سودهای آتی را پایین بیاورد.

اما این تمام ماجرا نیست. در شرایط خاص، به ویژه زمانی که تورم در سطوح متوسط قرار دارد، سهام می‌تواند نقش محافظی در برابر تورم ایفا کند. در چنین وضعیتی، شرکت‌ها قادرند هزینه‌های افزایش‌یافته را به مصرف‌کنندگان منتقل کنند و حاشیه سود خود را حفظ نمایند که این موضوع از قیمت سهام حمایت می‌کند.

آنچه از بررسی‌ها برمی‌آید، غیرخطی بودن رابطه تورم و بازده سهام است. تورم ملایم تا متوسط ممکن است به نفع بازار سهام تمام شود، در حالی که تورم بالا اثرات منفی به همراه دارد. این نکته ظریف نشان می‌دهد که نمی‌توان با یک نسخه واحد برای همه شرایط اقتصادی تصمیم‌گیری کرد و توجه به بستر و زمینه اقتصادی برای تحلیل دقیق ضروری است.

در مجموع، به نظر می‌رسد که استفاده از ابزارهای نوین مانند یادگیری ماشین، همراه با درک عمیق از متغیرهای کلان اقتصادی مانند تورم، می‌تواند تصویر واقعی‌تری از آینده سرمایه‌گذاری ارائه دهد و به تصمیم‌گیری آگاهانه‌تر کمک کند.

نویسنده: کامیار منکچیان شریف آباد_فریدون رهنمای رودپشتی

منبع:شماره 116 نشریه بورس امروز_اسفندماه