[صفحه اصلی ]   [Archive] [ English ]  
بخش‌های اصلی
صفحه اصلی
فرم ثبت‌ نام
فرم ارسال مقاله
اطلاعیه‌ها
برای نویسندگان و داوران
موضوع مقالات قابل چاپ
انواع مقالات قابل چاپ
ویژگی‌های فایل مقاله
ویژگی‌های باطن مقالات
ویژگی‌های ظاهر مقالات
صفحه‌کلید استاندارد فارسی
فرایند داوری و چاپ مقالات
فرم تعارض منافع
راهنما
راهنمای ثبت نام
راهنمای ارسال مقاله
راهنمای داوری مقالات
آرشیو مجله و مقالات
کلیه شماره‌های مجله
آخرین شماره
مقالات آماده انتشار
نمایه نویسندگان
نمایه واژه های کلیدی
اطلاعات نشریه
اهداف و زمینه‌ها
هیات تحریریه
اطلاعات نشریه
پیشینه نشریه
اصول اخلاقی نشریه
اسامی داوران
تماس با ما
اطلاعات تماس
فرم برقراری ارتباط
::
شبکه‌های اجتماعی


..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات از پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار نشریه
تعداد دوره های نشریه: 19
تعداد شماره ها: 68
تعداد مشاهده ی مقالات: 1452331

مقالات دریافت شده: 2288
مقالات پذیرفته شده: 435
مقالات رد شده: 1741
مقالات منتشر شده: 414

نرخ پذیرش: 19.01
نرخ رد: 76.09

میانگین دریافت تا پذیرش: 237 روز
میانگین پذیرش تا انتشار: 74.4 روز
____
..
نشریات مرتبط

پژوهش‌های مالیه اسلامی

AWT IMAGE

(دوفصلنامه)

..
:: سال 19، شماره 68 - ( 6-1405 ) ::
سال 19 شماره 68 صفحات 380-355 برگشت به فهرست نسخه ها
سبد سهام میانگین-واریانس مبتنی بر پیش بینی ماتریس کواریانس با شبکه‌های LSTM با رهیافت تجزیه چولسکی
سیف الله حیدری1 ، امیر محمدزاده*1 ، سهیلا خویشتن دار1
1- دانشگاه آزاد قزوین ، دانشکده مدیریت و حسابداری
چکیده:   (248 مشاهده)

مدل میانگین - واریانس بر مبنای کمینه سازی ریسک در سطوح مختلف بازده مورد انتظار بنا شده است . اما کلید موفقیت در این رویکرد ، به پیش بینی دقیق و پویای بردار بازده و ماتریس کواریانس میان دارایی ها وابسته است ، چرا که این روابط دائما در حال تغییر هستند و درک این پویایی برای دستیابی به سبد بهینه ، امری حیاتی  است . پژوهش حاضر از شبکه های حافظه بلندمدت و کوتاه مدت برای پیش بینی پویایی ماتریس کواریانس استفاده می کند و نوآوری آن در زمینه رفع مشکل عدم مثبت معین بودن ماتریس کواریانس پیش بینی شده ، استفاده از رویکرد تجزیه چولسکی می باشد . در این پژوهش ، رویکرد میانگین - واریانس برای بهینه سازی سبد سهامی متشکل از 10 شاخص عمده بورس تهران در بازه زمانی 1390تا خرداد 1404 ، با مقایسه سه مدل شبکه حافظه بلند مدت و کوتاه مدت با رهیافت تجزیه چولسکی ، پنهان مارکوف و دی سی گارچ مورد ارزیابی قرار گرفت . نتایج نشان داد مدل LSTM با میانگین بازده هفتگی 0.0050 ریسک 0.038 ، نسبت شارپ 0.13 و بازده تجمعی 2.42 ، برتری قابل توجه ای نسبت به دو مدل دیگر در کنترل ریسک و سود آوری داشته است . این برتری ، ناشی از توانایی LSTM در مدل سازی الگوهای پیچیده و پویای بازار سرمایه است .
واژه‌های کلیدی: شبکه حافظه بلندمدت و کوتاه مدت، تجزیه چولسکی، مدل پنهان مارکوف، مدل دی سی سی گارچ
متن کامل [PDF 1588 kb]   (88 دریافت)    
نوع مطالعه: مقاله نظری | موضوع مقاله: مؤسسات و خدمات مالی (G2)
دریافت: 1405/1/26 | پذیرش: 1405/3/11 | انتشار: 1405/4/2
فهرست منابع
1. رفرنس های متنی مثل خروجی کراس رف را در اینجا وارد کرده و تایید کنید اسفندیار، م.، کرامتی، م.ع.، و غلامی جمکرانی، ر. (1401). بهینه‌سازی پورتفوی سهام در بورس اوراق بهادار تهران (کاربرد رهیافت یادگیری تقویتی). مدلسازی اقتصادی، 16(58)، 51-66.
2. اقتصاد، ا.ع. و محمدی، ع. (1402). بهینه‌سازی سبد سرمایه‌گذاری به کمک پیش‌بینی بازده مورد انتظار با استفاده از روش‌های شبکهٔ عصبی LSTM، جنگل تصادفی و. ARIMA چشم‌انداز مدیریت مالی، 13(43)، 9-28.
3. کیانی‌زاده، ح.، باغانی، ع.، و حمیدیان، م. (1402). مقایسهٔ دقت مدل‌های منتخب یادگیری ماشین جهت پیش‌بینی قیمت سهام در بورس اوراق بهادار. بورس اوراق بهادار، 16(62)، 75-102.
4. هراتی‌زاده، س.، و رضایی، ف. (1402). ارائه روشی جدید برای بهره‌گیری از یادگیری ماشین در فرآیند بهینه‌سازی سبد سهام. تصمیم‌گیری و تحقیق در عملیات، 8(2)، 527-539.
5. Agal, S., Raulji, K., & Odedra, N. D. (2025). A machine learning approach to risk based asset allocation in portfolio optimization. Scientific Reports, 15, 42263. [DOI:10.1038/s41598-025-26337-x]
6. Espiga Fernández, F., García Sánchez, Á., & Ordieres Meré, J. (2024). A systematic approach to portfolio optimization: A comparative study of reinforcement learning agents, market signals, and investment horizons. Algorithms, 17(12), 570. [DOI:10.3390/a17120570]
7. Fan, Y. (2025). Enhancing Investment Strategies with LSTM based Stock Prediction and Mean Variance Portfolio Optimization. Advances in Economics, Management and Political Sciences, 182, 110-117. [DOI:10.54254/2754-1169/2024.23667]
8. Kevin, J., & Yugopuspito, P. (2025). Hybrid LSTM and PPO networks for dynamic portfolio optimization. arXiv. [DOI:10.1145/3789982.3790022]
9. Li, H., & Liu, T. (2023). Portfolio optimization based on the LSTM forecasting model. Advances in Economics, Management and Political Sciences, 48, 97-106. [DOI:10.54254/2754-1169/48/20230431]
10. Li, X. (2025). LSTM based portfolio optimization strategy. Highlights in Business, Economics and Management, 50, 347-354. [DOI:10.54097/n4ypa255]
11. Majumder, R., Ji, Q., & Neerchal, N. K. (2024). Optimal stock portfolio selection with a multivariate hidden markov model. arXiv.
12. Taljaard, B. (2025). Regime based portfolio optimisation: A hidden Markov model approach for fixed income portfolios. European Stability Mechanism Working Paper. [DOI:10.2139/ssrn.5341853]
13.  
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
سال 19، شماره 68 - ( 6-1405 ) برگشت به فهرست نسخه ها
فصلنامه پژوهش‌های پولی-بانکی Journal of Monetary & Banking Research
Persian site map - English site map - Created in 0.18 seconds with 40 queries by YEKTAWEB 4774