کاربرد شبکه عصبی و برنامه ریزی تصادفی در بهینه سازی چند دوره ای پرتفوی
Abstract(in Persian; no English abstract is available)
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.