بهینه‌سازی پیشرفته سبد سهام با استفاده از ابزارهای هوش مصنوعی مالی و معیارهای ریسک مبتنی بر اعتبار: مطالعه موردی روی شاخص داو جونز

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه علم و صنعت ایران-تهران-ایران

چکیده

گزارش‌های مالی فصلی از جمله دقیق‌ترین و ارزشمندترین منابع برای ارزیابی عملکرد و جهت‌گیری استراتژیک یک شرکت هستند. در این مقاله، ما یک مدل استراتژی سرمایه‌گذاری جدید پیشنهاد می‌کنیم که از این گزارش‌ها برای بهبود تصمیمات سرمایه‌گذاری بلندمدت استفاده می‌کند. هسته اصلی رویکرد ما در ادغام هوش مصنوعی و تجزیه و تحلیل مالی پیشرفته نهفته است. به طور خاص، ما از نوتبوک‌ال‌ام، ابزاری مبتنی بر هوش مصنوعی که قادر به تجزیه و استخراج بینش‌های کلیدی از متون مالی بدون ساختار است، و مدل فینبرت، یک مدل تحلیل احساسات متناسب با امور مالی، برای ارزیابی احساسات بازار و لحن افشای اطلاعات یک شرکت استفاده می‌کنیم. ما از معیار ارزش در معرض خطر برای محاسبه ریسک مدل پیشنهادی استفاده می‌کنیم که زیان‌های مالی بالقوه را ارزیابی و کمّی می‌کند. با شناخت محدودیت‌های مدل‌های کمی سنتی به ویژه در شرایط بازار بی‌ثبات یا مبهم ما از نظریه اعداد فازی در زمینه نظریه اعتبار استفاده کرده‌ایم. این امر به مدل اجازه می‌دهد تا عدم دقت و ابهام را به طور مؤثرتری مدیریت کند و عدم قطعیت‌های ذاتی بازارهای مالی را منعکس کند. برای ارزیابی کاربرد عملی مدل خود، آزمایش‌های تجربی را با استفاده از داده‌های مالی واقعی از شرکت‌های فهرست شده در (DJIA) انجام می‌دهیم. نتایج نشان می‌دهد که رویکرد ما نه تنها دقت ارزیابی ریسک را بهبود می‌بخشد، بلکه عملکرد پرتفوی را نیز در مقایسه با مدل‌های مرسوم افزایش می‌دهد. با ادغام تحلیل احساسات، منطق فازی و معیارهای ریسک مالی، چارچوب ما دیدگاه جامع‌تری از ریسک شرکتی و ارزش بلندمدت ارائه می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Advanced Portfolio Optimization Using Financial AI Tools and Credibility-Based Risk Metrics: A Case Study on the Dow Jones Index

نویسندگان [English]

  • Esmaeil Taheripour
  • Seyed Jafar Sadjadi
  • Babak Amiri
Iran University of Science and Technology, Tehran, Iran.
چکیده [English]

Quarterly reports Quarterly financial reports are among the most accurate and valuable sources for assessing a company’s performance and strategic direction. In this paper, we propose a novel investment strategy model that uses these reports to improve long-term investment decisions. The core of our approach lies in the integration of artificial intelligence and advanced financial analytics. Specifically, we use NotebookLM, an artificial intelligence-based tool capable of parsing and extracting key insights from unstructured financial texts, and the FinBERT model, a sentiment analysis model tailored to finance, to assess market sentiment and the tone of a company’s disclosures. We use the value-at-risk(VaR) measure to calculate the risk of the proposed model, which assesses and quantifies potential financial losses. Recognizing the limitations of traditional quantitative modelsespecially in volatile or ambiguous market conditions we have used fuzzy number theory in the context of credibility theory. This allows the model to handle imprecision and ambiguity more effectively and reflect the inherent uncertainties of financial markets. To evaluate the practical applicability of our model, we conduct empirical tests using real financial data from companies listed in the Dow Jones Industrial Average (DJIA). The results show that our approach not only improves the accuracy of risk assessment but also enhances portfolio performance compared to conventional models. By integrating sentiment analysis, fuzzy logic, and financial risk metrics, our framework provides a more comprehensive view of corporate risk and long-term value. Ultimately, the proposed model contributes to more informed, flexible, and sustainable investment decisions.

کلیدواژه‌ها [English]

  • Investment
  • Portfolio optimization
  • FinBERT model
  • NotebookLM
  • Value at risk
  • Fuzzy set theory
  • and Credibility theory

مراجع

Araci, D., & Genç, Z. (2020). Financial Sentiment Analysis with Pre-trained Language Models.
Babazadeh, H., & Esfahanipour, A. (2019). A novel multi period mean-VaR portfolio optimization model considering practical constraints and transaction cost. Journal of Computational and Applied Mathematics, 361, 313–342. https://doi.org/10.1016/j.cam.2018.10.039
Bertsimas, D., & Shioda, R. (2009). Algorithm for cardinality-constrained quadratic optimization. Computational Optimization and Applications, 43(1), 1–22. https://doi.org/10.1007/s10589-007-9126-9
Bhattacharyya, R., Hossain, S. A., & Kar, S. (2014). Fuzzy cross-entropy, mean, variance, skewness models for portfolio selection. Journal of King Saud University - Computer and Information Sciences, 26(1), 79–87. https://doi.org/10.1016/j.jksuci.2013.04.001
Bodie, Z., Kane, A., & Marcus, A. J. (2013). Investments, 10th Edition (10th edition). McGraw Hill.
Bonacic, M., López-Ospina, H., Bravo, C., & Pérez, J. (2024). A fuzzy entropy approach for portfolio selection. Mathematics, 12(13), 1921.
Colasanto, F., Grilli, L., Santoro, D., & Villani, G. (2022). BERT’s sentiment score for portfolio optimization: A fine-tuned view in Black and Litterman model. Neural Computing and Applications, 34(20), 17507–17521. https://doi.org/10.1007/s00521-022-07403-1
Ghanbari, H., Mohammadi, E., Fooeik, A. M. L., Kumar, R. R., Stauvermann, P. J., & Shabani, M. (2024). Cryptocurrency Portfolio Allocation under Credibilistic CVaR Criterion and Practical Constraints. Risks, 12(10), 163.
Ghanbari, H., Tavakoli, S., Shabani, M., Mohammadi, E., Sadjadi, S. J., & Kumar, R. R. (2025). A two-stage framework for enhancing crsyptocurrency portfolio performance: Integrating credibilistic CVaR criterion with a novel asset preselection approach. PLoS One, 20(7), e0325973.
Gupta, P., Mehlawat, M., Inuiguchi, M., & Chandra, S. (2014). Portfolio Optimization Using Credibility Theory (pp. 127–160). https://doi.org/10.1007/978-3-642-54652-5_5
Gupta, P., Mehlawat, M. K., Inuiguchi, M., & Chandra, S. (2016). Fuzzy Portfolio Optimization: Advances in Hybrid Multi-criteria Methodologies (Softcover reprint of the original 1st ed. 2014 edition). Springer.
Gupta, P., Mehlawat, M. K., & Khan, A. Z. (2021). Multi-period portfolio optimization using coherent fuzzy numbers in a credibilistic environment. Expert Systems with Applications, 167, 114135.
Jun Gu, W., Hao Zhong, Y., Zun Li, S., Song Wei, C., Ting Dong, L., Yue Wang, Z., & Yan, C. (2024). Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis. Proceedings of the 2024 8th International Conference on Cloud and Big Data Computing, 67–72. https://doi.org/10.1145/3694860.3694870
Leow, E. K. W., Nguyen, B. P., & Chua, M. C. H. (2021). Robo-advisor using genetic algorithm and BERT sentiments from tweets for hybrid portfolio optimisation. Expert Systems with Applications, 179, 115060.
Li, T., Zhang, W., & Xu, W. (2013). Fuzzy possibilistic portfolio selection model with VaR constraint and risk-free investment. Economic Modelling, 31, 12–17.
Liu, B. (2004). Credibility Theory. In J. Kacprzyk (Ed.), Uncertainty Theory (Vol. 154, pp. 79–135). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-39987-2_3
Liu, Y.-J., & Zhang, W.-G. (2015). A multi-period fuzzy portfolio optimization model with minimum transaction lots. European Journal of Operational Research, 242(3), 933–941.
Liu, Y.-J., Zhang, W.-G., & Xu, W.-J. (2012). Fuzzy multi-period portfolio selection optimization models using multiple criteria. Automatica, 48(12), 3042–3053.
Markowitz, H. (1952). Modern portfolio theory. Journal of Finance, 7(11), 77–91.
Mehlawat, M. K., Gupta, P., & Khan, A. Z. (2021). Multiobjective portfolio optimization using coherent fuzzy numbers in a credibilistic environment. International Journal of Intelligent Systems, 36(4), 1560–1594. https://doi.org/10.1002/int.22352
Mohebbi, N., & Najafi, A. A. (2018). Credibilistic multi-period portfolio optimization based on scenario tree. Physica A: Statistical Mechanics and Its Applications, 492, 1302–1316.
Morgan, J. P. (1996). RiskMetricsTM–Technical Document, Morgan Guaranty Trust Companies. Inc. New York.
Mousavi, L. S. A., Ghanbari, H., & Mohammadi, E. (2024). Portfolio optimization using the semi-variance model with a focus on positive potential (Case study: Tehran Stock Exchange). https://dor.isc.ac/dor/20.1001.1.27171809.1403.5.1.3.0
Nourahmadi, M., & Sadeqi, H. (2022). The Application of the Main Components in Investment Basket Management: A Case Study of Fifty Stock Exchange Companies. Budget and Finance Strategic Research, 3(1), 95-71. https://dor.isc.ac/dor/20.1001.1.27171809.1401.3.1.3.6
Sadeghi, S., Marjani, T., Hassani, A., & Moreno, J. (2022). Development of Optimal Stock Portfolio Selection Model in the Tehran Stock Exchange by Employing Markowitz Mean-Semivariance Model. Journal of Finance Issues, 20(1), Article 1. https://doi.org/10.58886/jfi.v20i1.3061
Shahbazi, N., & Barkhordari, S. (2025). Optimizing a Portfolio Comprising Selected Stocks from the Tehran Stock Exchange and Cryptocurrencies. Budget and Finance Strategic Research, 6(2), 11–35. https://dor.isc.ac/dor/20.1001.1.27171809.1404.6.2.1.7
Shen, Y., & Zhang, P. K. (2024). Financial sentiment analysis on news and reports using large language models and finbert. 2024 IEEE 6th International Conference on Power, Intelligent Computing and Systems (ICPICS), 717–721. https://ieeexplore.ieee.org/abstract/document/10796670/
Sinaee, H. A., Neisi, A. H., & Falahpuor, N. (2021). Investigating the Effect of Systematic Liquidity Risk on Expected Stock Returns with Regard to Tehran Stock Exchange. Budget and Finance Strategic Research, 2(2), 51–77. https://dor.isc.ac/dor/20.1001.1.27171809.1400.2.2.2.0
Taheripour, E., Sadjadi, S. J., & Amiri, B. (2025). A Novel Approach to Portfolio Construction: An Application of FinBERT Sentiment Analysis and Credibilistic CVaR Criterion. IEEE Access. https://ieeexplore.ieee.org/abstract/document/10977954/
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. https://doi.org/10.1016/S0019-9958(65)90241-X
پژوهش‌های راهبردی بودجه و مالیه
دوره 6، شماره 4 - شماره پیاپی 24
فصلنامه زمستان
بهمن 1404
صفحه 31-59

فایل ها

سابقه مقاله

  • تاریخ دریافت: 15 مرداد 1404
  • تاریخ بازنگری: 09 شهریور 1404
  • تاریخ پذیرش: 18 آذر 1404

هم رسانی

ارجاع به این مقاله

آمار