پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,196 |
| تعداد مقالات | 77,227 |
| تعداد مشاهده مقاله | 157,218,072 |
| تعداد دریافت فایل اصل مقاله | 118,403,690 |
پیشبینی آلفای صندوقهای سرمایهگذاری در سهام با استفاده از الگوریتمهای یادگیری ماشین نظارت شده | ||
| تحقیقات مالی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 09 خرداد 1405 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2026.407299.1007827 | ||
| نویسندگان | ||
| رضا راعی1؛ علی خدارحمی* 2 | ||
| 1گروه بازارها و نهادهای مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران | ||
| 2گروه مهندسی مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
| چکیده | ||
| هدف: این پژوهش با هدف پیشبینی عملکرد صندوقهای سرمایهگذاری در سهام با بهرهگیری از الگوریتمهای مبتنیبر یادگیری ماشین نظارتشده انجام شده است. همچنین پژوهش حاضر بهدنبال شناسایی عوامل کلیدی مؤثر بر عملکرد صندوقهای سرمایهگذاری و ارائه راهکاری مبتنیبر روشهای پیشرفته پیشبینی است که به سرمایهگذاران امکان میدهد صندوقهای سرمایهگذاری با توانایی خلق آلفای مثبت را شناسایی کنند. بدینترتیب تصمیمات سرمایهگذاران در زمینه تخصیص منابع مالی، هوشمندانهتر شده و بازدهی بالاتری در مقایسه با صندوقهای منفعل یا ناکارآمد حاصل خواهد شد. این امر نهتنها به نفع سرمایهگذاران است، بلکه به بهبود کارایی کل بازارهای مالی و تخصیص بهینه منابع نیز کمک شایانی خواهد کرد. روش: پژوهش حاضر از نوع توسعهای و کاربردی است. درحالیکه در اکثر تحقیقات مبنای شاخص عملکرد صندوقهای سرمایهگذاری، بازده صندوق بوده است؛ در این پژوهش برای اولینبار در تحقیقات داخلی به پیشبینی آلفای صندوقها پرداخته میشود. بدینمنظور دادههای 23 متغیر برای 12 صندوق سرمایهگذاری سهامی فعال در بازار سرمایه ایران در بازه زمانی از تاریخ ثبت دادههای خام مربوط به هر صندوق تا اسفند ماه 1403 از پایگاههای فیپیران، کدال و تارنمای هر صندوق جمعآوری و پاکسازی شدند. الگوریتمهای یادگیری ماشین نظارتشده خطی (شامل رگرسیون خطی و شبکه الاستیک) و مبتنیبر درخت (شامل جنگل تصادفی و تقویت گرادیان) با استفاده از زبان برنامهنویسی پایتون پیادهسازی شدند. جهت دستیابی به بالاترین دقت و جلوگیری از بیشبرازش، فرآیند بهینهسازی هایپرپارامترها برای هر الگوریتم با استفاده از روش اعتبارسنجی متقابل انجام گرفت. بههمین منظور مجموعۀ دادهها به دو بخش آموزش (80 درصد) و آزمون (20 درصد) تقسیمبندی شدند. پس از اجرای مدلها با استفاده از هایپرپارامترهای بهینهشده، بررسی عملکرد مدلها با تمرکز بر سه معیار ارزیابی دقت شامل میانگین مربعات خطا، جذر میانگین مربعات خطا و میانگین قدرمطلق خطا بر روی مجموعه داده آزمون که تا آن لحظه در فرآیند آموزش دخالتی نداشت، صورت گرفت. بهمنظور توضیحپذیری مدلها و تخمین سهم هر ویژگی در پیشبینیها برای نخستینبار در تحقیقات داخلی در حوزه صندوقهای سرمایهگذاری از توضیح افزودنی شاپلی استفاده شده است. همچنین جهت سنجش معناداری الگوریتمها نسبت به یکدیگر از آزمون آماری ناپارامتریک دایبولد-ماریانو بهرهبرداری شده است. یافتهها: مدلهای مبتنیبر درخت (تقویت گرادیان و جنگل تصادفی) از منظر معیارهای ارزیابی دقت مدل در ۱۱ صندوق از ۱۲ صندوق بهطور معنادار برتر از مدلهای خطی (رگرسیون خطی و شبکه الاستیک) است. متغیر ارزش افزوده و بازدهی بازار تقریباً در تمامی مدلها بهعنوان مهمترین محرکهای بازدهی شناسایی شدند و بیشترین ارتباط را با تغییرات آلفا دارند. بهعلاوه، متغیرهایی همچون خالص ارزش داراییها و عمر صندوق نیز در مدلهای خطی اهمیت چشمگیری پیدا کردند که نشاندهنده اثر اندازه و سابقه فعالیت صندوق بر پایداری عملکرد است. در مقابل، مدلهای غیرخطی تأکید بیشتری بر ویژگیهایی نظیر ارزش افزوده دارند و سایر متغیرها را تا حد زیادی کماهمیتتر نشان دادند. نتیجهگیری: یافتههای بهدستآمده بر قابلیت بالای مدلهای یادگیری ماشین مبتنیبر درخت (تقویت گرادیان و جنگل تصادفی) در تحلیل دادههای مالی و شناسایی الگوهای پنهان تأکید دارند. با این حال، اعتبار آن منوط به طراحی صحیح ارزیابی نظیر اعتبارسنجی متقابل و تنظیم هایپرپارامترهای بهینه است. همانطور که با توضیح افزودنی شاپلی ویژگیهای موثر بر عملکرد صندوقها در روشهای خطی و غیرخطی مقایسه شدند، برتری مشاهدهشدۀ تقویت گرادیان و جنگل تصادفی در این مطالعه با ماهیت غیرخطی سازگار است. این موضوع بازتابی از ماهیت مدلهای یادگیری ماشین غیرخطی در استخراج تعاملات پیچیده است. تحلیل اهمیت متغیرهای ورودی بیانگر آن است که اگرچه تفاوتهایی در میزان و ترتیب اهمیت ویژگیها میان مدلها وجود دارد، اما برخی متغیرها بهطور مداوم نقشی کلیدی در تبیین عملکرد صندوقها ایفا میکنند. | ||
| کلیدواژهها | ||
| آلفای جنسن؛ پیشبینی عملکرد صندوقهای سرمایهگذاری؛ صندوقهای سرمایهگذاری در سهام؛ مدیریت فعال دارایی؛ یادگیری ماشین نظارت شده | ||
|
آمار تعداد مشاهده مقاله: 138 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب