دفاعیه دکتری

بازارهای مالی به دلیل ماهیت پویا، غیرخطی و نوسانی، همواره با چالش‌های عمده‌ای در پیش‌بینی دقیق روندها و بهینه‌سازی سبد سرمایه‌گذاری روبه‌رو هستند. بخش عمده‌ای از تصمیمات سرمایه‌گذاران تحت تأثیر عوامل روان‌شناختی و تمایلات بازار شکل می‌گیرد؛ از این رو، پژوهش حاضر با هدف پر کردن شکاف میان داده‌های کمّی بازار و اطلاعات کیفی رفتاری، به توسعه یک چارچوب ترکیبی نوین برای پیش‌بینی بازده سهام و بهینه‌سازی سبد دارایی‌ها پرداخته است. در این پژوهش، از مدل‌های پردازش زبان طبیعی (TextBlob و BERT) برای استخراج بار احساسی و احساسات توییتر استفاده شده و این سیگنال‌ها با شاخص‌های تکنیکال (RSI، MACD، Williams %R و میانگین‌های متحرک) تلفیق گردیده‌اند. سپس، شش مدل یادگیری ماشین و عمیق شامل LSTM، CNN، SVR، Random Forest، ALSTM و XGBoost در دو حالت پایه و مجهز به تحلیل احساسات مورد ارزیابی قرار گرفتند. در فاز دوم، خروجی این مدل‌ها وارد سه چارچوب بهینه‌سازی شامل مدل «میانگین-واریانس»، «نسبت امگا» و «مدل تنک‌سازی (Sparse)» با اعمال قیود کاردینالیتی و حدود سقف و کف سرمایه‌گذاری شد. نتایج حاصل از خطاسنجی نشان داد که افزودن احساسات بازار به‌طور معناداری خطای پیش‌بینی را کاهش می‌دهد؛ به‌گونه‌ای که مدل ALSTM مجهز به تحلیل احساسات با ثبت کمترین میانگین خطای مطلق (MAE) در نمادهای TSM (۳/۶۷۶)، PG (۴/۱۰۸)، AAPL (۴/۸۶۱) و GOOG (۴/۹۴۳) بالاترین دقت آماری را ثبت کرد و پس از آن مدل XGBoost در نمادهای AMD (۷/۵۸۲) و TSLA (۱۲/۶۹۱) عملکرد مناسبی داشت. در فاز بهینه‌سازی سبد سهام، نتایج نشان داد که دقت آماری بالا لزوماً به عملکرد مالی بهینه منجر نمی‌شود. در مدل میانگین-واریانس، مدل LSTM با دستیابی به بیشترین بازده کل معادل ۱/۲۰۰۴ و بازده مازاد ۰/۰۴۸۱ (در کاردینالیتی ۴، کف ۰/۱۵ و سقف ۰/۴۵) برترین عملکرد را به نمایش گذاشت. همچنین در چارچوب نسبت امگا، مدل CNN با میانگین بازده ۰/۰۲۷۳ و میانگین نسبت شارپ ۰/۶۶۸ نسبت به بازده واقعی برتری یافت. در نهایت، در مدل سبد تنک‌سازی‌شده، خروجی‌های مدل CNN با ثبت بازده مورد انتظار ۰/۱۴۳۷، انحراف معیار ۰/۰۵۰۲ و نسبت شارپ چشمگیر ۲/۶۶۴ (و در کاردینالیتی ۵ به نسبت شارپ ۲/۶۷۴) بالاترین کارایی سبد را محقق ساخت. این یافته‌ها بر کارایی تلفیق هوش مصنوعی و سیگنال‌های رفتاری در مدیریت بهینه ریسک و ارتقای سودآوری در شرایط نوسانی بازار تأکید دارد.

واژه‌های کلیدی: بهینه‌سازی پرتفوی، تحلیل احساسات، مدل‌های BERT و TextBlob، یادگیری ماشین، پیش‌بینی بازده سهام، شاخص‌های فنی.