[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
مقالات پذیرفته شده
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: 69
تعداد مشاهده ی مقالات: 1540327

مقالات دریافت شده: 2320
مقالات پذیرفته شده: 435
مقالات رد شده: 1843
مقالات منتشر شده: 420

نرخ پذیرش: 18.75
نرخ رد: 79.44

میانگین دریافت تا پذیرش: 236 روز
میانگین پذیرش تا انتشار: 76 روز
____
..
نشریات مرتبط

پژوهش‌های مالیه اسلامی

AWT IMAGE

(دوفصلنامه)

..
:: سال 19، شماره 69 - ( 9-1405 ) ::
سال 19 شماره 69 صفحات 644-609 برگشت به فهرست نسخه ها
سبد سهام برابری ریسک مبتنی بر شبکه‌های حافظه بلند مدت و کوتاه مدت با رهیافت تجزیه چولسکی
امیر محمدزاده ، سهیلا خویشتن دار ، سیف اله حیدری*1
چکیده:   (62 مشاهده)
سبد برابری ریسک با توزیع متوازن ریسک میان تمامی دارایی ها موجود در سبد، تلاش می کند تا از تمرکز ریسک بر روی یک دارایی یا گروه هاص جلوگیری کرده و به پایداری و مقاومت سبد سرمایه گذاری در برابر شوک های بازار کمک کند . با این حال ، پیاده سازی موثر استراتژی برابری ریسک ، مستلزم درک و مدیریت پویای کواریانس دارایی هاست ، چرا که روابط و همبستگی میان دارایی ها درطول زمان تغییر می کند . پژوهش حاضر از شبکه های حافظه بلندمدت و کوتاه مدت (LSTM) برای پیش بینی پویای ماتریس کواریانس استفاده می کند و نوآوری آن درزمینه رفع مشکل عدم مثبت معین بودن ماتریس کواریانس پیش بینی شده ، استفاده از رویکردچولسکی می باشد . در این پژوهش ، رویکرد برابری ریسک برای بهینه سازی سبد سهام متشکل از 10 شاخص عمده بورس تهران در بازه زمانی 1390 تا خرداد 1404 ، با مقایسه سه مدل شبکه حافظه بلند مدت و کوتاه مدت با رهیافت تجزیه چولسکی ، پنهان مارکوف و دی سی سی گارچ مورذ ارزیابی قرار گرفت .نتایج مدل نشان دادمدل LSTM در معیارهای میانگین بازده هفتگی  ، نسبن شارپ ، بازده تجمعی و حداکثر افت سرمایه نسبت به دو مدل دیگر برتری دارد. این برتری ، ناشی از توانایی LSTM در مدل سازی الگوهای پیچیده و پویای بازار سرمایه ایران است .
 
شماره‌ی مقاله: 6
واژه‌های کلیدی: کلمات کلیدی:سبد برابری ریسک، شبکه حافظه بلندمدت و کوتاه مدت، تجزیه چولسکی، مدل پنهان مارکوف، مدل دی سی سی گارچ
متن کامل [PDF 1504 kb]   (45 دریافت)    
نوع مطالعه: مقاله نظری | موضوع مقاله: مؤسسات و خدمات مالی (G2)
دریافت: 1404/11/28 | پذیرش: 1405/3/11 | انتشار: 1405/7/25
فهرست منابع
1. 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 به‌کمک پیش‌بینی بازده مورد انتظار با استفاده از روش‌‌‌های شبکۀ عصبی LSTM، جنگل تصادفی، و.ARIMA چشم‌انداز مدیریت مالی، 13 (43)، 9-28.
3. کیانی‌زاده، ح.، باغانی، ع.، و حمیدیان، م. (1402). مقایسۀ 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). ارائۀ روشی جدید برای بهره‌گیری از یادگیری ماشین در فرایند 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. Deković, D., & Šimović, P. P. (2025). Hierarchical risk parity: Efficient implementation and real world analysis. Future Generation Computer Systems, 107744. [DOI:10.1016/j.future.2025.107744]
7. 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]
8. 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]
9. Haratizadeh, S., & Rezaee, F. (2023). A novel machine learning approach for portfolio optimization. Journal of Decisions and Operations Research, 8(2), 527-539. [DOI:10.22105/dmor.2022.307005.1488]
10. Kevin, J., & Yugopuspito, P. (2025). Hybrid LSTM and PPO Networks for Dynamic Portfolio Optimization. arXiv. [DOI:10.1145/3789982.3790022]
11. 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]
12. Li, X. (2025). LSTM based Portfolio Optimization Strategy. Highlights in Business, Economics and Management, 50, 347-354. [DOI:10.54097/n4ypa255]
13. Majumder, R., Ji, Q., & Neerchal, N. K. (2024). Optimal Stock Portfolio Selection with a Multivariate Hidden Markov Model. arXiv.
14. Salas-Molina, F., Pla-Santamaria, D., Garcia-Bernabeu, A., & Hilario-Caballero, A. (2025). An Empirical Evaluation of Distance Metrics in Hierarchical Risk Parity Methods for Asset Allocation. Computational Economics, 1-18. [DOI:10.1007/s10614-025-10848-w]
15. 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]
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 69 - ( 9-1405 ) برگشت به فهرست نسخه ها
فصلنامه پژوهش‌های پولی-بانکی Journal of Monetary & Banking Research
Persian site map - English site map - Created in 0.24 seconds with 40 queries by YEKTAWEB 4774