ارائه مدل بهینه‌سازی پرتفوی مبتنی‌بر پیش‌بینی با درنظرگیری احساسات سرمایه‌گذاری

نویسندگان

    علی قاسمی کیان * گروه مهندسی صنایع ، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران alikian7777777@gmail.com
    امیرعباس نجفی گروه مهندسی صنایع، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران

کلمات کلیدی:

 بهینه‌سازی پرتفوی, یادگیری ماشین, تحلیل احساسات سرمایه‌گذاران, بهینه‌ساز گرگ خاکستری

چکیده

هدف این پژوهش، ارائه یک مدل یکپارچه برای پیش‌بینی بازده سهام و بهینه‌سازی پرتفوی با استفاده از ترکیب داده‌های تاریخی بازار، شاخص‌های تکنیکال و احساسات سرمایه‌گذاران استخراج‌شده از شبکه‌های اجتماعی بود تا دقت تصمیم‌گیری سرمایه‌گذاری در بازارهای مالی بهبود یابد. این پژوهش با استفاده از داده‌های روزانه 16 نماد منتخب بورس آمریکا در بازه زمانی 30 سپتامبر 2021 تا 29 سپتامبر 2022 انجام شد. داده‌های قیمت، حجم معاملات و اطلاعات متنی مرتبط با شبکه‌های اجتماعی گردآوری و پس از پیش‌پردازش، در قالب 105 ویژگی شامل 92 ویژگی فنی و 13 ویژگی احساسی سازمان‌دهی شدند. برای انتخاب ویژگی‌های بهینه از الگوریتم گرگ خاکستری دودویی (BGWO) و برای مدل‌سازی و پیش‌بینی بازده سهام از الگوریتم XGBoost استفاده شد. در ادامه، بازده پیش‌بینی‌شده 31 روزه به‌عنوان ورودی مدل میانگین–واریانس مارکوویتز به‌کار گرفته شد و با استفاده از شبیه‌سازی مونت‌کارلو و تولید 100 هزار بردار وزنی، ترکیب بهینه پرتفوی تعیین گردید. شاخص‌های ارزیابی شامل MSE، RMSE، MAE، MAPE و R² برای سنجش عملکرد مدل استفاده شدند. نتایج نشان داد که ترکیب هم‌زمان ویژگی‌های فنی و شاخص‌های احساسات سرمایه‌گذاران موجب بهبود معنادار عملکرد پیش‌بینی مدل شد. بیشترین مقدار ضریب تعیین مربوط به نمادهای KO و COST به‌ترتیب برابر با 0.8945 و 0.8915 بود، در حالی‌که نمادهای TSLA و BX عملکرد ضعیف‌تری نشان دادند. همچنین، مدل BGWO–XGBoost توانست با انتخاب ویژگی‌های مؤثر، ساختاری کم‌افزونگی و پایدار برای پیش‌بینی ایجاد کند. در مرحله بهینه‌سازی پرتفوی، تنها نمادهایی با مقدار R² بیشتر از 0.70 وارد مدل مارکوویتز شدند. نتایج شبیه‌سازی نشان داد که پرتفوی نهایی دارای نسبت شارپ سالانه 3.1585، بازده موردانتظار 0.7956 و نوسان 0.2424 بود. بیشترین وزن‌های پرتفوی به نمادهای CRM، PG، KO و AAPL اختصاص یافت که بیانگر برتری این نمادها در توازن میان ریسک و بازده بود. نتایج پژوهش نشان داد که ادغام الگوریتم‌های یادگیری ماشین با تحلیل احساسات سرمایه‌گذاران و چارچوب‌های کلاسیک بهینه‌سازی مالی، می‌تواند دقت پیش‌بینی بازده سهام و کیفیت تصمیم‌گیری سرمایه‌گذاری را به‌طور قابل‌توجهی افزایش دهد. مدل پیشنهادی توانست ضمن کاهش فاصله میان تحلیل‌های نظری و رفتار واقعی بازار، پرتفویی متوازن، اجرایی و دارای عملکرد مطلوب از نظر ریسک–بازده ارائه کند. این یافته‌ها بیانگر ظرفیت بالای استفاده از داده‌های رفتاری و تحلیل متن در توسعه سیستم‌های هوشمند مدیریت سرمایه‌گذاری است.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Aghababaei, M. A. (2022). Investigating the Effect of Investor Sentiment on Market Liquidity and Its Volatility in the Tehran Stock Exchange. Financial Research, 25(2), 357-383.

Asghari, M., Yazdanian, N., Tabrizian, B., & Rahnamay Roudposhti, F. (2024). Stock Price Prediction Based on Fundamental, Technical, and Economic Factors. Investment Knowledge, 13(51), 1-22.

Dadgar, Y., Dargahi, H., & Gholizadeh, S. (2023). The Role of Investor Sentiment and Government Behavior in Tehran Stock Exchange Volatility: A Behavioral Economics Approach. Applied Theories of Economics, 10(1), 191-214.

Emary, E., Zawbaa, H. M., & Hassanien, A. E. (2016). Binary grey wolf optimization approaches for feature selection. Neurocomputing, 172, 371-381.

Eslami Bidgoli, G., & Kordlouie, H. (2010). Behavioral Finance: The Transition Stage from Standard Finance to Neurofinance. Financial Engineering and Securities Management, 1(1), 19-36.

Fessler, D. M. T., Pillsworth, E. G., & Flamson, T. J. (2004). Angry men and disgusted women: An evolutionary approach to the influence of emotions on risk taking. Organizational Behavior and Human Decision Processes, 95(1), 107-123. https://doi.org/10.1016/j.obhdp.2004.06.006

Gambetti, E., & Giusberti, F. (2012). The effect of anger and anxiety traits on investment decisions. Journal of Economic Psychology, 33(6), 1059-1069. https://doi.org/10.1016/j.joep.2012.07.001

Gu, W. J., Zhong, Y. H., Li, S. Z., Wei, C. S., Dong, L. T., Wang, Z. Y., & Yan, C. (2024). Predicting stock prices with FinBERT-LSTM: Integrating news sentiment analysis. Proceedings of the 2024 8th International Conference on Cloud and Big Data Computing,

Hosseini, A., & Morshedi, F. (2019). The Effect of Investor Sentiment on Trading Dynamics of the Tehran Stock Exchange. Financial Accounting and Auditing Research, 11(44), 1-22.

Li, J., Cheng, K., Wang, S., & Liu, H. (2017). Feature selection: A data perspective. Acm Computing Surveys, 50(6), 1-45.

Lin, C. Y., & Marques, J. A. L. (2024). Stock market prediction using artificial intelligence: A systematic review of systematic reviews. Social Sciences and Humanities Open, 9, 100864.

Liu, L., Li, L., Nian, H., Lu, Y., Zhao, H., & Chen, Y. (2023). Enhanced grey wolf optimization algorithm for mobile robot path planning. Electronics, 12(19), 4026.

Miao, J., & Niu, L. (2016). A survey on feature selection. Procedia Computer Science, 91, 919-926.

Pompian, M. M. (2009). Behavioral Finance and Wealth Management (A. Badri, Trans.). Kayhan.

Qiu, M., & Song, Y. (2016). Predicting the direction of stock market index movement using an optimized artificial neural network model. PLoS One, 11(5), e0155133.

Raei, R., & Fallahpour, S. (2004). Behavioral Finance: A Different Approach in Finance. Financial Research, 6(2), 77-106.

Ramirez-Gallego, S., Lastra, I., & Alonso-Betanzos, A. (2017). Fast-mRMR. International Journal of Intelligent Systems, 32(2), 134-152.

Rezaei-Kalidbari, H. R., Davari, A., Pournaserani, A., & Mohammadi-Almani, A. (2013). The Effect of Corporate Social Responsibility and Environmental Awareness on Enhancing Green Intellectual Capital: A Case Study of Industrial Units in Rasht Industrial City. Public Management Perspective(15), 119-138.

Rezaeian, S., Taleghani, M., & Sharj Sharifi, A. (2024). Developing a Comprehensive Model for Stock Price Prediction in the Stock Exchange Market Using Interpretive Structural Modeling. Asset Management and Financing, 12(2), 39-58. https://doi.org/10.22108/amf.2024.138983.1821

Salehi Chegni, J., Saba, & Salehi. (2025). Deep Learning in Sentiment Analysis of Users of Smart Investment Networks. Intelligent Information Systems Quarterly, 3(6), 21-36.

Saravanos, C., & Kanavos, A. (2025). Forecasting stock market volatility using social media sentiment analysis. Neural Computing and Applications, 37(17), 10771-10794.

Vakilifard, H. R., Saeedi, A., & Eftekhari-Aliabadi, A. (2013). Investigation and Analysis of Behavioral Reactions in the Tehran Stock Exchange. Investment Knowledge, 3(9), 223-244.

Xiang, X. (2022). Investor sentiment, R&D spending and firm performance. Economic Research-Ekonomska Istraživanja, 35(1), 6257-6278. https://doi.org/10.1080/1331677X.2022.2048193

Xing, F. Z., Cambria, E., & Welsch, R. E. (2018). Intelligent asset allocation via market sentiment views. IEEE Computational intelligence magazine, 13(4), 25-34.

Yu, L., & Liu, H. (2003). Feature selection for high-dimensional data. ICML,

Yun, K. K., Yoon, S. W., & Won, D. (2021). Prediction of stock price direction using a hybrid GA-XGBoost. Expert Systems with Applications, 186, 115716.

Zare Bahman-Miri, M. J., Nazari Shams-Abadi, M. J., & Beikri, A. (2022). Social Responsibility and Investor Sentiment with a Simultaneous Equations Approach. Financial Accounting Research, 12(1), 61-80.

دانلود

چاپ شده

1406-04-01

ارسال

1404-10-01

بازنگری

1405-02-14

پذیرش

1405-02-21

شماره

نوع مقاله

Articles

ارجاع به مقاله

قاسمی کیان ع.، و نجفی ا. (1406). ارائه مدل بهینه‌سازی پرتفوی مبتنی‌بر پیش‌بینی با درنظرگیری احساسات سرمایه‌گذاری. حسابداری، امور مالی و هوش محاسباتی، 1-23. https://jafci.com/index.php/jafci/article/view/426

مقالات مشابه

11-20 از 257

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.