بهینه سازی پرتفوی سهام با استفاده از شبکه های عصبی مصنوعی مبتنی بر پیش بینی

ارزش زمانی پول، بازده و ریسک سه مفهوم اصلی و بنیادین در تمامی تصمیمات مدیریت مالی به شمار می روند (مک منامین، 1999، ص 185). هر یک از این مفاهیم بر رخدادها و شرایط موثر بر منافع شخص تصمیم گیرنده دلالت دارند. به عبارتی، انسان برخوردار از اندیشه عقلایی با ورود به بازارهای مالی و درک عدم اطمینان به عنوان عنصری اجتناب ناپذیر، درون زا و در عین حال کلیدی در نحوه مبادرت به عمل کنشگرانه برای کسب منفعت و مطلوبیت بیشتر، این سه مفهوم را خلق می کند و از آنها به عنوان سنگ بنای تصمیمات تامین مالی و سرمایه گذاری استفاده می نماید. در این تحقیق سعی می شود عدم اطمینان در بازارهای سرمایه با استفاده از مدل های مرسوم بازده-ریسک مدل سازی گردد. جامعه آماری تحقیق، بازار اول بورس اوراق بهادار تهران به عنوان یک بازار نوظهور و شرکت های عضو شاخص داو جونز 30 به عنوان یک بازار توسعه یافته می باشد که به صورت مجزاء و تطبیقی مورد بررسی قرار می گیرند. در این راستا دو موضوع مهم در تحقیقات بازار سرمایه : "پیش بینی" و "بهینه سازی"مدنظر قرار گرفته است. مدل های بهینه سازی بر روی داده های تاریخی و پیش بینی شده با تواتر دو هفته ای و ماهانه در دو بازار سرمایه مختلف پیاده سازی شده اند. نتایج تحقیق نشان می دهند که سری زمانی بازده های سهام در بازار اول بورس اوراق بهادار تهران و شرکت های عضو شاخص داو جونز 30 با استفاده از مدل های خاص شبکه عصبی مصنوعی در دو تواتر مذکور قابل پیش بینی هستند که این مدعا دال بر رد فرضیه بازار کارا در این بازارها است. همچنین، مرزهای کارای حاصل از فرآیند بهینه سازی در این دو بازار تفاوت چشمگیری نسبت به یکدیگر دارند، بگونه ای که دامنه ریسک و بازده مرزهای کارا در بازار اول بورس اوراق بهادار تهران نسبت به مرزهای کارا در داو جونز 30 بسیار بیشتری است. این موضوع نشان می دهد که عدم کارایی در بورس اوراق بهادار تهران بیشتر از بورس نیویورک می باشد و سرمایه گذاران در بورس اوراق بهادار تهران با ریسک بیشتری مواجه هستند.