پ۲۸۸۷۴
per
یادگیری ماشین و بهینه سازی سبد سهام
آرش خدادوست
ریاضی،آمار و علوم کامپیوتر
۱۴۰۲
۶۴ص.
سی دی
کارشناسی ارشد
ریاضی کاربردی
۱۴۰۲/۰۳/۱۶
با توجه به اینکه مدل های یادگیری ماشین و یادگیری عمیق برتری زیادی نسبت به مدل های سری زمانی نشان دادەاند، این پایان نامه پیش بینی بازده در تشکیل پورتفوی را با دو مدل یادگیری ماشین یعنی جنگل تصادفی و رگرسیون بردار پشتیبان و یک مدل از شاخەی یادگیری عمیق، یعنی شبکه عصبی حافظەی بلند کوتاە مدت ترکیب می کند. این پایان نامه، ابتدا مدل های پیش بینی بازده برای پیش انتخاب سهام با کیفیت با توجه به میزان بازده آتی آنها قبل از تشکیل سبد سهام مورد استفاده قرار داده و سپس با استفاده از نتایج پیش بینی آن ها، توسط مدل بهینەسازی پرتفوی میانگین⁃واریانس مرز کارای پرتفوهای پیشنهادی را محاسبه کرده و مشخصات پرتفوی بهینه را ارائه خواهد کرد
Given that machine learning and deep learning models have shown a significant superiority over time series models, this thesis combines two machine learning models, namely Random Forest and Support Vector Regression, and a deep learning model, namely Long Short-Term Memory (LSTM) neural network, to predict portfolio returns. Firstly, the thesis uses return prediction models for pre-selecting quality stocks based on their future returns before forming the stock portfolio. Then, using the predicted results, the mean-variance optimal portfolio optimization model calculates the efficient frontier of proposed portfolios and presents the characteristics of the optimal portfolio.
Machine Learning and Portfolio Optimization
خدادوست،
آرش
تهیه کننده
خانجانی،
راشد
استاد راهنما
تبریز
