مدلی نوین برای مدیریت پرتفو در ایران با استفاده از هوش مصنوعی

به گزارش روابط‌عمومی دانشگاه تهران، یک پژوهش تازه توسط اعضای هیأت علمی دانشگاه تهران با استفاده از یادگیری عمیق تقویتی، نشان می‌دهد که چگونه می‌توان با به‌کارگیری همزمان داده‌های قیمت و حجم معاملات و اندیکاتورهای تحلیل تکنیکال، بازدهی پرتفوی را در بازار سرمایه ایران به طور چشمگیری بهبود بخشید.
این مطالعه که به تازگی منتشر شده، نشان می‌دهد که استفاده از این الگوریتم‌های پیشرفته می‌تواند به سرمایه‌گذاران در اتخاذ تصمیمات به‌مراتب کارآمدتر از روش‌های سنتی کمک کند.

بر اساس یافته‌های این تحقیق که توسط دکتر بهنام امین‌رستم‌کلایی، عضو هیأت علمی دانشکده اقتصاد، دکتر باقر باباعلی و دکتر ابوالفضل نادی، اعضای هیأت علمی دانشکدگان علوم، انجام شده است، مدل طراحی‌شده با استفاده از داده‌های خام بازار (شامل قیمت‌های بازشدن، بالاترین، پایین‌ترین، قیمت پایانی و حجم معاملات) در کنار اندیکاتورهایی نظیر میانگین متحرک ساده و نمایی، باندهای بولینگر ، شاخص قدرت نسبی (RSI) و شاخص حرکت آسان(EMV)، توانسته است عملکرد بهتری نسبت به شاخص بازار و روش‌های کلاسیک مانند پرتفوی با وزن برابر و میانگین-واریانس مارکویتز ثبت کند.
پژوهشگران به یک نکته کلیدی در مورد افق‌های سرمایه‌گذاری اشاره کرده‌اند که حاصل این روش است.

دکتر باباعلی از نویسندگان این مقاله گفت: «نتایج نشان می‌دهد که افزودن اندیکاتورهای تکنیکال به مدل یادگیری عمیق، در بازه‌های یک‌ساله و دو‌ساله، بهبود قابل‌توجهی در بازده و بازده تعدیل‌شده بر اساس ریسک ایجاد کرده است، اما این بهبود در افق سه‌ساله از نظر آماری معنادار نبود، که نشان‌دهنده قدرت بیشتر این مدل در شناسایی نوسانات کوتاه‌مدت بازار است».
وی تاکید کرد: «هم‌افزایی داده‌ها و یادگیری ماشین دلیل اصلی موفقیت این رویکرد، توانایی آن در کشف الگوهای پیچیده نهفته در داده‌های بازار است».
عضو هیأت علمی دانشکدگان علوم اظهار داشت: «معماری به‌کاررفته در این مدل با الهام از روش‌های موفق در بازارهای مالی بین‌المللی طراحی شده که در آنها از شبکه‌های عصبی عمیق برای پردازش همزمان انواع داده‌های بازار و تصمیم‌گیری پویا استفاده می‌شود. سیستم‌های سنتی معمولاً توانایی انطباق با تغییرات لحظه‌ای بازار را ندارند، اما در این روش جدید، عامل هوشمند با مشاهده وضعیت بازار و دریافت پاداش (بازده پرتفوی)، به مرور زمان یک استراتژی بهینه برای تخصیص دارایی‌ها یاد می‌گیرد».
دکتر باباعلی افزود: «این رویکرد به ویژه برای سرمایه‌گذارانی که قدرت ریسک‌پذیری بالایی ندارند و به دنبال مدیریت ریسک نزولی هستند، می‌تواند کاربرد بیشتری داشته باشد.چشم‌انداز استفاده در بازار ایران با توجه به پیچیدگی‌ها و نوسانات ذاتی بازار سرمایه ایران، یافته‌های این مطالعه مسیر جدیدی را برای مدیران صندوق‌های سرمایه‌گذاری و تحلیل‌گران حرفه‌ای ترسیم می‌کند. استفاده از الگوریتم‌های یادگیری تقویتی نه‌تنها می‌تواند به بهینه‌سازی سبد دارایی‌ها کمک کند، بلکه با کاهش خطای انسانی و سرعت بالا در تحلیل داده‌ها، زمینه‌ساز معاملات الگوریتمی کارآمدتری در بازار فراهم می‌آورد».

https://www.scilit.com/publications/3ddc8ff7e4a07de2cc4520e5908858c4