حسابداری، امور مالی و هوش محاسباتی 3092-7366 2 پیاپی ۶ 2025 02 13 Portfolio Optimization Using Deep Reinforcement Learning Based on Modern Portfolio Theory بهینه سازی سبدسهام با استفاده از یادگیری تقویتی عمیق و مبتنی بر نظریه مدرن پرتفوی 276 293 FA ساناز دلیلی دانشجوی دکترا، گروه علوم اقتصادی، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران یاسر رضائی پیته نوئی دانشیار گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه گیلان، رشت، ایران محمدتقی کبیری استادیار گروه حسابداری، دانشکده علوم اداری واقتصاد، دانشگاه اراک، اراک، ایران مهدی صفری گرایلی دانشیار گروه حسابداری، واحد بندرگز، دانشگاه آزاد اسلامی، بندرگز، ایران میثم عرب زاده دانشیار گروه حسابداری، واحد کاشان، دانشگاه آزاد اسلامی،کاشان، ایران Journal Article 2024 11 25 <p>This study investigates the application of deep reinforcement learning in optimizing investment portfolios and integrates it with modern portfolio theory, illustrating significant advancements in financial management strategies. While modern portfolio theory is recognized as a mathematical framework aimed at maximizing expected returns while considering risk, its limitations—such as assumptions regarding the normal distribution of returns and the neglect of transaction costs—clearly highlight the need for adaptable solutions in complex and dynamic financial markets. This research demonstrates that through the implementation of deep reinforcement learning, investors can leverage real-time data and dynamic decision-making capabilities to develop more efficient and robust investment strategies. Moreover, challenges such as data quality, computational complexity, and the interpretability of deep reinforcement learning models are thoroughly examined. In this study, a Levenberg–Marquardt neural network algorithm for deep reinforcement learning is proposed for portfolio optimization based on historical data. For this purpose, data from 10 highly liquid companies listed on the Tehran Stock Exchange during the period from 2011 to 2021 were utilized. The findings of this study indicate that reinforcement learning algorithms can lead to a 15% increase in cumulative return compared to traditional methods in portfolio selection. Furthermore, the article recommends that analysts and investors employ advanced techniques to enhance corporate performance stability, enabling better investment decisions. Finally, this research offers practical pathways for future investigations in this domain.</p> <p> </p> <p>این پژوهش به بررسی استفاده از یادگیری تقویتی عمیق در بهینه‌سازی سبد سرمایه‌گذاری می‌پردازد و به ادغام آن با تئوری مدرن سبد سرمایه‌گذاری پرداخته و تحولاتی را در استراتژی‌های مدیریت مالی نشان می‌دهد. در حالی که تئوری مدرن سبد سرمایه‌گذاری به عنوان یک چارچوب ریاضی برای حداکثرسازی بازده مورد انتظار با در نظر گرفتن ریسک شناخته می‌شود، نواقص آن، نظیر فرضیات مربوط به توزیع نرمال بازده‌ها و غفلت از هزینه‌های معاملاتی، نیاز به راه‌حل‌های انطباق‌پذیر را در بازارهای مالی پیچیده و پویا به وضوح نمایان می‌سازد. این پژوهش نشان می‌دهد که با بکارگیری یادگیری تقویتی عمیق، سرمایه‌گذاران قادر خواهند بود تا با بهره‌برداری از داده‌های لحظه‌ای و توانایی‌های تصمیم‌گیری پویا، استراتژی‌های سرمایه‌گذاری کارآمدتر و قدرتمندتری را توسعه دهند. همچنین، چالش‌هایی نظیر کیفیت داده، پیچیدگی محاسباتی و قابلیت تفسیر مدل‌های یادگیری تقویتی عمیق به صورت عمیق مورد بحث قرار گرفته است. در این پژوهش، یک مدل شبکه عصبی الگوریتم لونبرگ- ماد یادگیری تقویتی عمیق، برای بهینه سازی سبد سهام بر اساس داده‌های تاریخی پیشنهاد شده‌است. بـدین منظـور، از داده‌های 10 شركت پذیرفته شده در بورس اوراق بهادار تهران كه دارای نقدینگی بالا در بازة زمانی 1390 تا 1400 بودند، استفاده شده است. نتایج به‌دست‌آمده از این مطالعه نشان می‌دهد که الگوریتم‌های یادگیری تقویتی عمیق در انتخاب پورتفوی می‌تواند به افزایش ۱۵ درصدی بازده تجمعی در مقایسه با روش‌های سنتی منجر شود. علاوه بر این، این مقاله به تحلیل‌گران و سرمایه‌گذاران توصیه می‌کند که از تکنیک‌های پیشرفته‌ای برای بهبود پایداری عملکرد شرکت‌ها استفاده کنند تا بتوانند تصمیمات بهتری در زمینه سرمایه‌گذاری اتخاذ نمایند. در نهایت، این تحقیق راهکارهایی برای پژوهش‌های آینده در این زمینه ارائه می‌دهد.</p> <p> </p> https://jafci.com/index.php/jafci/article/download/89/63