تا کنون در هر کدام از بخش های پیش بینی قیمت سهام و بهینه سازی پرتفو تحقیقات متعددی انجام گرفته است. اما آن دسته از تحقیقاتی که به پیش بینی پرداخته اند فراتر از آن نرفته اند و در آن دسته از تحقیقاتی که به بهینه سازی پرتفو پرداخته اند از توسعه روش های پیش بینی در بازده سهام استفاده چندانی نبرده اند. پیش بینی بازده سهام از مهم ترین موضوعات مالی است و این بدان علت است که زمانی که پیش بینی ها درست واقع شوند، بلافاصله جایزه نقدی آن دریافت می شود. اما بایستی توجه کرد که پیش بینی قیمت سهام بسیار مشکل است زیرا بستگی به فاکتورهای متعدد شناخته شده و نشده دارد و اکثر داده های مورد استفاده برای پیش بینی دارای نویز، عدم اطمینانی و عدم اطلاعات کامل هستند. فرآیند انتخاب سبد سهام طبق مدل کلاسیک مارکویتز بر اساس بیشینه نمودن بازده انتظاری (میانگین تاریخی) سهم ها با توجه به معیار ریسک (انحراف معیار تاریخی) است که این امر ناشی از فضای احتمالی بازده سهام در آینده هست. حال آنکه مقدار بازده سهم ها در بلند مدت به سمت میانگین خود میل می کنند و این رفتار در کوتاه مدت اتفاق نمی افتد. از آن جا که در تشکیل پرتفوی از سهم ها علاوه بر ریسک هر کدام از آن ها، ریسک جمعی آن ها را نیز بایستی در نظر گرفت لذا روش هایی که بر روی تک دارائی کاربرد دارند نمی توانند در تشکیل پرتفو مفید واقع شوند لذا استفاده از مدل های هوشمند و استفاده از نتایج آن ها در بهینه سازی می تواند به ابزاری قدرتمند برای سرمایه گذاران تبدیل شود.

در این پایان نامه مساله مبادله سهام شامل تعیین زمان خرید، قیمت خرید، زمان فروش و همچنین قیمت فروش سهام را با استفاده از روش یادگیری تقویتی که با نامهای دیگری مانند برنامه ریزی پویای مبتنی بر شبیه سازی نیز شناخته می شود، مدل می کنیم تا از این طریق سیاستی مناسب برای انجام مبادلات روی سهام بیابیم و سبدی از سهام را به صورت پویا و فعال به منظور بیشینه سازی سود حاصل از سرمایه گذاری مدیریت کنیم. مدلهای توسعه داده شده در این پایان نامه نسبت به ریسک سرمایه گذاری حساس می باشند و پارامترهای آنها نیز با در نظر گرفتن شرایط مساله و به صورت انطباقی تعریف می شوند. نتایج حاصل از پیاده سازی و اجرای این مدلها بر روی اطلاعات سهام موجود در فهرست میانگین صنعتی داو – جونز، مبین برتری این مدلها نسبت به مدلهایی است که ریسک سرمایه گذاری را در نظر نمی گیرند و پارامترهای آنها به صورت ثابت تعریف شده اند.

در تحقیق حاضر روش بیمه سبد سهام برای سبدی مشتمل بر چندین دارایی ریسکی و یک دارایی بدون ریسک مورد بررسی واقع شده است. در این پژوهش مدلی برای تلفیق بیمه سبد و بهینه سازی آن به صورت همزمان ارائه شده است. مدل های بهینه-سازی مورد استفاده، مدل کلاسیک مارکویتز و مدل مارکویتز با در نظر گرفتن محدودیت کاردینالیتی می باشد. نتایج مدل معرفی شده بر روی داده های بورس اوراق بهادار تهران و بورس نیویورک مورد آزمون واقع شده که در مدل کلاسیک مارکویتز نتایج کاملا مطلوبی حاصل شده است. همچنین آنالیز حساسیتی در این مدل نسبت به برخی از پارامترها صورت پذیرفته است

در این پایان نامه به بررسی کاربردهای داده کاوی وابسته به زمان (داده کاوی زمانی) در مباحث مالی، به خصوص در مدیریت سبد بهینه دارایی خواهیم پرداخت. خوشه بندی سری های زمانی یکی از مهم ترین این کاربردهاست که به منظور خوشه بندی بانک های اطلاعاتی عظیم مربوط به دارایی های (مثلا سهام های) موجود در بازار بکار می رود. در این پژوهش نشان خواهیم داد که معیارهای ضریب خودهمبستگی و weighted dynamic time warping (wdtw)، مناسب ترین معیارهای شباهت برای انجام خوشه بندی سری های زمانی سهام ها جهت تشکیل سبد بهینه سهام می باشند. در اکثر مواقع مدل پیشنهادی نتایجی بهتر از روش های قبلی، همچون خوشه بندی بر اساس ضریب همبستگی یا تشکیل سبد دارایی بدون استفاده از خوشه بندی (یعنی روش ارائه شده توسط آقای مارکویتز)، از خود نشان داده اند. در این راستا، مسئله انتخاب سبد بهینه سهام را در دو حالت بازار، شرایط نیمه واقعی و کاملا واقعی بررسی خواهیم کرد. شرایط نیمه واقعی مربوطه به زمانی است که سرمایه گذار قابلیت ویژه و دقیقی جهت پیش بینی نرخ بازده دارایی ها در آینده را دارد ولی در مورد میزان ریسک (بدست آمده از کواریانس بین دارایی ها) در آینده هیچ گونه اطلاعاتی ندارد. نتایج بدست آمده در این حالت نشان می دهد که سبدهای بهینه بدست آمده از طریق خوشه بندی با استفاده از معیار شباهت ضریب خود همبستگی سبدهای پایدارتری خواهند بود. شرایط کاملا واقعی مربوط به حالتی است که سرمایه گذار نه در مورد نرخ بازده و نه میزان ریسک در آینده اطلاعاتی ندارد. این حالت نزدیک ترین حالت به شرایط واقعی بازارهای مالی دنیاست. طیف وسیعی از شبیه سازی ها نشان داد که روش wdtw عملکرد خیلی بهتری نسبت به سایر روش ها در شرایط کاملا واقعی دارد. همچنین نشان داده شده است که اختلاف بین منحنی های ریسک-بازده بدست آمده از بکارگیری روش های پیشنهاد شده، روی داده های تاریخی و آینده، خیلی کمتر از روش مارکویتز و یا روش های بکار رفته در مطالعات قبلی است. از طرف دیگر، نتایج نشان می دهد که هر چه تعداد دارایی ها افزایش یابد، روش های تشکیل سبد سهام مبتنی بر خوشه بندی به طورقابل توجهی نتایج پایدارتر و بهتری نسبت به روش مارکویتز ارائه می دهند.

وجود عوامل گوناگونی که قیمت سهام شرکت های مختلف را تحت تأثیر خود قرار می دهد و از طرفی عدم توانایی مدل های ریاضی برای مد نظر قرار دادن همه این عوامل و پیش بینی دقیق و بدون خطای این قیمت ها برای دوره های پیش رو، محققان را بر این داشته که با ارائه مدل هایی که کمترین میزان حساسیت را نسبت به پارامترهای ورودی از خود نشان دهند، بتوانند به مدیریت سبد های سهام بپردازند. ارائه ی مدل های برنامه ریزی احتمالی، فازی و ... نمونه هایی از تلاش های انجام گرفته در این زمینه است. در این میان هر کدام از این روش ها دارای نقاط ضعفی است که استفاده از آن ها را در دنیای واقعی با چالش های فراوانی مواجه ساخته است. در این پایان نامه سعی داریم تا با معرفی مدل های بهینه سازی استوار، ذکر مزایای آن ها در قیاس با سایر روش ها، و معرفی چند مورد از سایر مدل های بهینه سازی استوار در زمینه مهندسی مالی و بهینه سازی سبد سهام، یک مدل مدیریت سبد سهام استوار را ارائه نماییم که در عمل کارایی بیشتری در قیاس با سایر مدل های مالی داشته باشد. تفاوت مدل ارائه شده با مدل برتسیماس که به عنوان مدل پایه ای آن را گسترش داده ایم در نوع دارایی هایی است که شامل می شود. این مدل از قراردادهای اختیار معامله خرید و فروش که در بازارهای بورس جهانی و در دنیای واقعی به وفور توسط سرمایه گذاران مورد استفاده قرار می گیرد استفاده نموده تا همزمان میانگین سود سرمایه گذار را افزایش داده و میزان ریسکی که متحمل می شود را کاهش دهد. قراردادهای اختیار معامله در شرایطی که قیمت سهام تغییرات شدیدی را تجربه می کند می تواند برای سرمایه گذار سود فراوانی به همراه داشته باشد. در چنین شرایطی استفاده از این نوع قراردادها می تواند با هدف پوشش ریسک نیز انجام پذیرد. در پایان با استفاده از روش های شبیه سازی و با قیاس کردن نتایج حاصل از این مدل با مدل برتسیماس در شرایط یکسان، مدل مورد نظر اعتبار سنجی شده و برتری آن نسبت به این مدل اثبات شده است.

در بسیاری از تحقیقات مانند بازشناسی الگو، پیش بینی قیمت و ... انتخاب مجموعه ای از ویژگی های موثر اهمیت بسزایی دارد. اگر تعداد متغیرهای ورودی نامربوط زیاد باشند زمان اجرای کل فرآیند افزایش پیدا می کند و بر نتیجه نهایی اثر نامطلوب خواهد گذاشت. ازاین رو انتخاب و استخراج ویژگی معمولاً قدم اول در ساخت مدل های پیش بینی کننده قیمت است. استخراج ویژگی به منظور کشف خصیصه های جدید بر اساس داده های اولیه است و انتخاب ویژگی به معنای انتخاب زیرمجموعه ای از تمام خصیصه های متعلق به مجموعه داده های اولیه می باشد. هدف از این تحقیق ارائه مدلی است که با استخراج و انتخاب ویژگی های مطلوب نتایج پیش بینی را بهبود ببخشد. این پایان نامه در 5 فصل گردآوری شده است. فصل اول به بیان مقدمه، ضرورت و اهمیت موضوع موردبررسی، سوالات پژوهش و فرضیات آن می پردازد. در فصل دوم ابتدا اصول و مبانی نظری شامل روش آماده سازی داده ها، روش های انتخاب و استخراج ویژگی، روش های پیش بینی قیمت مانند روش بنیادی، روش فنی، روش های کلاسیک پیش بینی سری های زمانی و شبکه های عصبی ارائه خواهد شد. فصل سوم مربوط به پیشینه تحقیق و مرور ادبیات و چالش های تحقیقات آتی است. مدل پیشنهادی در فصل چهارم به صورت تفصیلی موردبحث قرارگرفته و نتایج به کارگیری آن بر روی داده های شاخص سهام بررسی خواهد شد تا ضعف و قوت های روش ارائه شده بیشتر موردبررسی قرار گیرد.فصل پنجم از یافته های این پایان نامه نتیجه گیری خواهد شد و پیشنهادهایی برای تحقیقات آتی ارائه خواهد شد