حسابداری، امور مالی و هوش محاسباتی 3092-7366 در دست انتشار 1406 04 01 Providing a Portfolio Optimization Model Based on Prediction Considering Investment Sentiment ارائه مدل بهینه‌سازی پرتفوی مبتنی‌بر پیش‌بینی با درنظرگیری احساسات سرمایه‌گذاری 1 23 FA علی قاسمی کیان گروه مهندسی صنایع ، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران امیرعباس نجفی گروه مهندسی صنایع، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران Journal Article 1404/10/01 <p>The purpose of this study was to develop an integrated model for stock return prediction and portfolio optimization by combining historical market data, technical indicators, and investor sentiment extracted from social media in order to improve investment decision-making accuracy in financial markets. This study was conducted using daily data from 16 selected U.S. stock market symbols during the period from September 30, 2021 to September 29, 2022. Price data, trading volume, and social media textual information were collected and preprocessed into 105 features, including 92 technical features and 13 sentiment-related features. Binary Grey Wolf Optimizer (BGWO) was employed for feature selection, while the XGBoost algorithm was used for stock return prediction. Subsequently, the predicted 31-day returns were incorporated into the Markowitz mean–variance optimization framework. Monte Carlo simulation with 100,000 admissible weight vectors was used to determine the optimal portfolio composition. Model performance was evaluated using MSE, RMSE, MAE, MAPE, and R² indices. The findings demonstrated that integrating technical indicators with investor sentiment features significantly improved prediction performance. The highest R² values were observed for KO and COST, with values of 0.8945 and 0.8915, respectively, whereas TSLA and BX showed comparatively weaker predictive performance. The BGWO–XGBoost framework successfully selected informative features and generated a stable low-redundancy predictive structure. In the portfolio optimization stage, only symbols with R² values above 0.70 were included in the Markowitz framework. Simulation results revealed that the optimal portfolio achieved an annual Sharpe ratio of 3.1585, an expected return of 0.7956, and volatility of 0.2424. The highest portfolio weights were assigned to CRM, PG, KO, and AAPL, indicating their superior risk–return balance. The results indicated that integrating machine learning algorithms with investor sentiment analysis and classical financial optimization frameworks can substantially enhance stock return prediction accuracy and investment decision quality. The proposed model successfully reduced the gap between theoretical financial analysis and real market behavior by generating a balanced, executable, and high-performing portfolio in terms of risk and return. These findings highlight the strong potential of behavioral data and text analytics in the development of intelligent investment management systems.</p> <p>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.</p> https://jafci.com/index.php/jafci/article/download/426/269