Application of technical analysis and Markov filter In future optimal portfolio management Emphasizing the amount of investor risk Metaphysical artificial intelligence approach

Document Type : Original Article

Authors
samiran khajezadeh 1
samiran daneshvar 2
shadi shahverdiani 3
, , mahdi madanchi zaj 4
1 PhD Student in Financial Engineering, Ghods Branch, Islamic Azad University, Tehran, Iran.
2 Assistant Professor, Department of Information Technology Management, Faculty of Management, Electronic Branch, Islamic Azad University, Tehran, Iran.
3 Assistant Professor, Department of Business Management, Ghods City Branch, Islamic Azad University, Tehran, Iran.
4 Assistant Professor, Department of Financial Management, Faculty of Management, Electronic Branch, Islamic Azad University, Tehran, Iran.
Abstract
Application of technical analysis and Markov filter
In future optimal portfolio management
Emphasizing the amount of investor risk
Metaphysical artificial intelligence approach

Abstract
In decision making for investment, two factors are very important and are the basis of investment. These two factors are risk and return, and in this regard, the study and study of investors to select the best investment portfolio is done according to the amount of risk and its return. A portfolio is a combination of assets formed by an investor to invest. The process of selecting a stock portfolio is one of the issues that has been the focus of many researchers. The aim of this study is to create an optimal stock portfolio using the predicted data. The statistical sample of the research includes the financial data of Iranian stock exchange companies during the years 1390 to 1397. In this study, using stock regression algorithm to predict stock returns, and finally using Markov method and spectral clustering algorithm, the necessary filter to select the appropriate initial data was performed and cultural meta-processing method with prediction data, It provided the optimal portfolio of stocks for the investor group with risk-taking as well as risk-averse. The research results show that the cultural transcendental algorithm, according to Sharp's method, has the ability to create an optimal stock portfolio using predicted data using the Marquis method for venture capitalists and risk averse investors.
Keywords: Optimal stock portfolio, cultural meta-innovation algorithm, spectral clustering algorithm, Markov method, technical analysis
Keywords
Optimal stock portfolio
cultural meta-innovation algorithm
spectral clustering algorithm
Markov method
technical analysis
  • اژدری، فاطمه؛ رهنمای‌رودپشتی، فریدون؛ حمیدیان، محسن؛ جعفری، سیده‌محبوبه و باغانی، علی (1398). انتخاب پرتفوی سهام جهت سرمایه‌گذاری و شناسایی شرکت‌های برتر با روش محدودیت ال و با استفاده از روش یادگیری ماشین. راهبرد مدیریت مالی.
  • بحری‌ثالث، جمال؛ پاک‌مرام، عسگر و ولی‌زاده، مصطفی (1397). انتخاب و بهینه‌سازی سبد سهام با استفاده از روش میانگین واریانس مارکویتز با بهره‌گیری از الگوریتم‌های مختلف. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، شماره 37، ص 43 تا 57.
  • بهنامیان، جواد و مشرفی، محمد (1396). ارائه الگوریتم ترکیبی برای بهینه‌سازی چند هدفه سبد سهام به‌وسیله برنامه‌ریزی فازی. مهندسی مالی و مدیریت اوراق بهادار، (30)8، 53-33.
  • راموز، نجمه؛ اکبری‌آقمشهدی، زهرا و عاطفت‌دوست، علیرضا (1399). انتخاب پرتفوی بهینه با استفاده از مدل برنامه‌ریزی توافقی در بورس اوراق بهادار تهران.راهبرد مدیریت مالی (1)8، 74-54.
  • رضایی، سیدمهدی؛ باغجری، محمود و مظاهری‌فر، پوریا (1398). مقایسه شبکه عصبی، سیستم فازی عصبی و مدل AR در پیش‌بینی بازده اوراق بهادار و الگوریتم جستجوی موجودات همزیست با ممتیک آن در بهینه‌سازی پرتفوی. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، شماره 43، ص 109 -119.
  • معصوم‌علیشاهی، پویا و اعظمی، محسن (۱۳۹۷). بهینه‌سازی سبد سهام بر اساس مدل مارکویتز، همایش بین المللی مدیریت. حسابداری و اقتصاد دانش بنیان، مشهد، موسسه تعاونی دانش بنیان کمرآوش.
  • -H. Ho and C.-J. Lin (2012). "Large-scale linear support vector regression". J. Mach. Learn. Res., vol. 13, pp. 3323-3348.
  • Chun-Hao Chen, Cheng-Yu Lu, Cheng-Yu Lu (2020). An intelligence approach for group stock portfolio optimization with a trading mechanism,Knowledge and Information Systemsvolume 62, pages287–316
  • Deng, G. F., Lin, W. T., & Lo, C. C. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39(4), 4558-4566.
  • Guang-Feng Deng, Woo-Tsong Lin, Chih-Chung Lo (2013). "Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization". Expert Systems with Applications 39 (2012) pp: 4558–4566
  • Haim Levy, Moshe Levy (2014). “The benefits of differential variance-based constraints in portfolio optimization” European Journal of Operational Research, Volume 234, Issue 2, PP. 372-381.
  • Kumar, D. and K. Mishra (2017). "Portfolio optimization using novel co-varianceguided Artificial Bee Colony algorithm". Swarm and Evolutionary Computation 33:119-130
  • Markowitz, H. (1952). Portfolio selection. Journal of Finance, vol 7, no 1.pp:7-91.
  • VD Vasiani, Bevina D. Handari, G F Hertono (2020). Stock portfolio optimization using priority index and genetic algorithm,Conference Series Journal of Physics Conference Series 1442:012031.