DOI: https://doi.org/10.1186/s40854-025-00827-3
تاريخ النشر: 2026-01-06
المؤلف: Yong Shi وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لإدارة المحافظ، يسمى LP-PM، الذي يستفيد من الخوارزميات الذكية والرؤى المستندة إلى الشبكات لتعزيز اتخاذ القرار في استثمار الأسهم. من خلال معالجة قيود النماذج التقليدية التي تعالج الأسهم ككيانات مستقلة، يتضمن LP-PM إطارًا لتوقع الروابط الذي يتنبأ ديناميكيًا بعلاقات الحركة المشتركة بين أزواج الأسهم. يستخدم هذا النموذج بنية GC-RePreSampling-LSTM لتقييم مخاطر الاعتماد والعوائد، مما يؤدي إلى تطوير أربع استراتيجيات استثمارية متميزة. تُظهر التحقق التجريبي على بيانات العالم الحقيقي من سوق الأسهم الصينية أن الاستراتيجية المثلى تحقق عوائد تراكمية تتجاوز المعيار بنسبة 91.66%، مع ملاحظات كبيرة في الأداء بين الأسواق الصاعدة والهابطة.
تشير النتائج إلى أن النموذج المقترح لا يحسن فقط التحكم في المخاطر من خلال وظيفة هدف جديدة تلتقط العوائد والمخاطر المستندة إلى الاعتماد، بل يقدم أيضًا مرونة في تعظيم الأرباح. تسلط الورقة الضوء على إمكانية البحث المستقبلي لدمج إدارة المحافظ مع توقع مؤشرات السوق، وتكييف الاستراتيجيات مع ظروف السوق المتغيرة. بالإضافة إلى ذلك، تؤكد على أهمية تزامن أسعار الأسهم، خاصة في الأسواق الناشئة مثل الصين، وتقترح مزيدًا من الاستكشاف لتطبيق النموذج في الأسواق المتقدمة، مع مراعاة الاختلافات في هياكل السوق وسلوكيات المستثمرين. تهدف هذه التحليل الشامل إلى تحسين استراتيجيات الاستثمار المصممة لتلبية أهداف معينة وديناميكيات السوق.
مقدمة
تستعرض مقدمة ورقة البحث هذه تطور إدارة المحافظ (PM) كمنطقة دراسية حاسمة تركز على تحسين تخصيص الأصول لتحقيق التوازن بين العوائد والمخاطر. تسلط الضوء على العمل الأساسي لماركويتز (1952) حول إطار المتوسط-التباين (MV)، الذي تطور منذ ذلك الحين ليشمل الذكاء الآلي جنبًا إلى جنب مع الخبرة البشرية في اتخاذ قرارات الاستثمار. تؤكد الورقة على الطبيعة متعددة الأهداف لإدارة المحافظ، حيث يتطلب تعظيم العوائد وتقليل المخاطر تطوير مقاييس متنوعة لتقييم المخاطر، بما في ذلك مقاييس التقلب (مثل التباين، اللحظة الجزئية السفلية) ومقاييس المخاطر القصوى (مثل القيمة المعرضة للخطر، VaR الشرطية). وقد وسعت الدراسات الحديثة هذه المقاييس التقليدية من خلال دمج مؤشرات بديلة، مثل مخاطر السيولة ودرجات الاستدامة، مع معالجة مخاطر الاعتماد بين الأصول من خلال تقنيات إحصائية متقدمة.
يقترح المؤلفون إطارًا جديدًا، يسمى إدارة المحافظ القائمة على توقع الروابط (LP) ، والذي يهدف إلى تعزيز تحسين المحافظ من خلال دمج العوائد والمخاطر المستندة إلى الاعتماد. يستخدم هذا الإطار نموذج إعادة أخذ العينات (RePre) من نوع الرسم البياني (GC) مع الذاكرة طويلة وقصيرة المدى (LSTM) لتحليل الحركات المشتركة الديناميكية بين أزواج الأسهم، مما يسمح بفهم أكثر دقة للعلاقة بين العائد والمخاطر. تهدف الدراسة إلى معالجة قيود نهج إدارة المحافظ الحالية التي تتجاهل الفوائد المحتملة للاستثمار المشترك في الأسهم المرتبطة، مقترحة أن التحليل الأكثر تعقيدًا لحركات الأسهم المشتركة يمكن أن يؤدي إلى تحسين أداء المحافظ. تعد الورقة بالمساهمة برؤى نظرية واستراتيجيات عملية في مجال إدارة المحافظ، مع نهج منظم يتضمن مراجعة الأدبيات، والمنهجية، وتصميم التجارب، وملخص النتائج.
طرق
في هذه الدراسة، يُقترح إطار لتوقع الروابط الديناميكي (LP) وإدارة المحافظ (PM)، مع التركيز على الخصائص العلائقية لحركات الأسهم المشتركة من خلال بناء الرسوم البيانية والتلافيف. يقدم المؤلفون طريقة أخذ عينات جديدة لمعالجة عدم توازن التسميات في بيانات السلاسل الزمنية، مما يمكّن من توقع علاقات الحركة المشتركة المستقبلية للأسهم، والتي تُسمى توقع الشبكة الديناميكي (DNLP). تُستخدم هذه التوقعات لإبلاغ استراتيجيات اختيار الأسهم بناءً على نظريات الاستثمار وتُدمج في نموذج متوسط-تباين (MV) معدل لإنشاء مشكلة إدارة محافظ متعددة الأهداف (MOPM) مع وظائف هدف مبتكرة. يتم حل تحسين الفترات المتعددة باستخدام خوارزمية تحسين سرب الجسيمات متعددة الأهداف (MOPSO)، التي تهدف إلى تعظيم العوائد مع تقليل مخاطر الاعتماد بين الأسهم.
يتضمن الإعداد التجريبي إعدادات معلمات مفصلة للطريقة المقترحة ونماذج PM الأساسية، ملخصة في جدول. يتم استخدام نهج نافذة متحركة لتدريب النموذج واختباره، باستخدام نافذة منزلقة من 1500 يوم تداول لتوقع الحركة المشتركة للأسهم للفترة التالية، مع توفر 170 يومًا للاختبار العكسي. لتعزيز قوة نتائج MOPSO، يتم تنفيذ الخوارزمية عشر مرات، مع متوسط أوزان الاستثمار. يتم التحقق من فعالية طريقة أخذ العينات المقترحة من خلال تحليلات مقارنة مع تقنيات معروفة، بما في ذلك أخذ العينات العشوائية تحت العينة (RUS) وأخذ العينات العشوائية فوق العينة (ROS)، مع تفاصيل محددة لكل طريقة.
نتائج
في قسم النتائج، يقدم المؤلفون تحليلًا شاملاً لنتائجهم التجريبية، مع التركيز على مهمة LP الديناميكية وأداء نموذج LP القائم على إعادة أخذ العينات المقترح. يتفوق النموذج باستمرار على تقنيات أخذ العينات التقليدية عبر مقاييس متنوعة، على الرغم من أنه يظهر دقة متوسطة صغيرة تبلغ 39.93% ودقة موزونة تبلغ 74.51%. يُعزى هذا التباين إلى عدم التوازن في عينات التدريب والاختبار، خاصة هيمنة التسمية 2. عند إزالة تأثير التسمية 2، تتحسن الدقة المتوسطة الصغيرة بشكل كبير إلى 68.51%، مما يشير إلى قدرة النموذج على التمييز بفعالية بين الحركات المشتركة الإيجابية والسلبية. ومع ذلك، يظهر النموذج أيضًا ميلًا لتصنيف بعض أزواج الأسهم بشكل خاطئ، حيث أن 13.46% من الأزواج المتوقعة للارتفاع المشترك كانت في الواقع تتجه نحو الانخفاض، مما يبرز التحديات التي تطرحها انحيازات توزيع العينات.
تستكشف التحليلات أيضًا أداء النموذج عبر قطاعات مختلفة، كاشفة أن التوقعات بين القطاعات عمومًا تتفوق على التوقعات داخل القطاع. ومن الجدير بالذكر أن قطاعات مثل بايجيو وتطوير العقارات تظهر روابط قوية داخل القطاع بسبب هياكلها السوقية الناضجة وتأثيراتها الاقتصادية الكلية، مما يسهل دقة التوقعات. في المقابل، تظهر قطاعات مثل الإلكترونيات الاستهلاكية تقلبًا عاليًا ومنافسة، مما يؤثر على أدائها التنبؤي. كما يحلل المؤلفون العلاقة بين تسميات الحواف المتوقعة والعوائد الفعلية، ويجدون أن توقعات الحركة المشتركة الإيجابية ترتبط بفترات عائد أعلى، بينما تهيمن التوقعات السلبية على فترات العائد المنخفض. يضع هذا الفهم الدقيق لديناميكيات القطاع المحددة وقدرات النموذج التنبؤية الأساس لمزيد من تحليل أداء الاستثمار في الأقسام التالية.
مناقشة
يتناول قسم المناقشة في ورقة البحث تعقيدات إدارة المحافظ متعددة الأهداف (MOPM) تحت عدم اليقين، مصنفًا مشاكل التحسين إلى معلمات حتمية وغير مؤكدة. يسلط الضوء على قيود الطرق التقليدية التي تعتمد على البيانات التاريخية والتوزيعات المحددة، داعيًا إلى استخدام طرق مثل البرمجة الضبابية، والبرمجة العشوائية، والتحسين القوي لتعزيز اتخاذ القرار في البيئات غير المؤكدة. لقد أظهرت دمج تقنيات التعلم الآلي (ML) والتعلم العميق (DL) وعدًا في تحسين توقعات عوائد الأصول، مع استخدام دراسات متنوعة نماذج متقدمة مثل شبكات LSTM والخوارزميات الهجينة لتحسين المحافظ بناءً على العوائد المتوقعة.
علاوة على ذلك، تؤكد هذه القسم على أهمية الطرق القائمة على الرسوم البيانية في تحسين المحافظ، حيث يتم تمثيل الأسهم كعقد في شبكة، مما يسمح بتحليل العلاقات بين الأسهم. تناقش بناء الرسوم البيانية التي تميز بين الحركات المشتركة الإيجابية والسلبية، وهو أمر حاسم لاختيار المحافظ بشكل فعال. يقترح المؤلفون إطار توقع الروابط الديناميكي (LP) الذي يتضمن النمذجة الزمنية لالتقاط العلاقات المتطورة بين الأسهم، مما يعزز قوة استراتيجيات المحافظ. من خلال دمج هذه المنهجيات، تقترح الورقة نهجًا شاملًا لإدارة المحافظ يأخذ في الاعتبار كل من مخاطر الاعتماد والعوائد المحتملة، بهدف تحسين نتائج الاستثمار في بيئة سوق ديناميكية.
DOI: https://doi.org/10.1186/s40854-025-00827-3
Publication Date: 2026-01-06
Author(s): Yong Shi et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research paper presents a novel portfolio management approach, termed LP-PM, which leverages intelligent algorithms and network-based insights to enhance decision-making in stock investment. By addressing the limitations of traditional models that treat stocks as independent entities, LP-PM incorporates a link prediction framework that dynamically predicts co-movement relationships between stock pairs. This model utilizes a GC-RePreSampling-LSTM architecture to evaluate dependency risks and returns, leading to the development of four distinct investment strategies. Empirical validation on real-world data from the Chinese stock market demonstrates that the optimal strategy achieves cumulative returns exceeding the benchmark by 91.66%, with significant performance differences observed between bull and bear markets.
The findings suggest that the proposed model not only improves risk control through a new objective function that captures dependency-based returns and risks but also offers flexibility in maximizing profits. The paper highlights the potential for future research to integrate portfolio management with market index forecasting, adapting strategies to varying market conditions. Additionally, it emphasizes the importance of stock price synchronicity, particularly in emerging markets like China, and proposes further exploration of the model’s applicability in developed markets, considering differences in market structures and investor behaviors. This comprehensive analysis aims to refine investment strategies tailored to specific objectives and market dynamics.
Introduction
The introduction of this research paper outlines the evolution of portfolio management (PM) as a critical area of study focused on optimizing asset allocation to balance returns and risks. It highlights the foundational work of Markowitz (1952) on the mean-variance (MV) framework, which has since evolved to incorporate machine intelligence alongside human expertise in investment decision-making. The paper emphasizes the multiobjective nature of PM, where maximizing returns and minimizing risks necessitates the development of various metrics for assessing risk, including volatility measures (e.g., variance, lower partial moment) and extreme risk measures (e.g., value-at-risk, conditional VaR). Recent studies have expanded these traditional metrics by integrating alternative indicators, such as liquidity risk and sustainability scores, while also addressing dependency risks among assets through advanced statistical techniques.
The authors propose a novel framework, termed link prediction (LP) PM, which aims to enhance portfolio optimization by incorporating dependency-based returns and risks. This framework utilizes a graph convolution (GC) represampling (RePre) long short-term memory (LSTM) model to analyze dynamic co-movements among stock pairs, thereby allowing for a more nuanced understanding of the relationship between return and risk. The study aims to address the limitations of existing PM approaches that overlook the potential benefits of co-investing in correlated stocks, proposing that a more sophisticated analysis of stock co-movements can lead to improved portfolio performance. The paper promises to contribute both theoretical insights and practical strategies to the field of PM, with a structured approach that includes a literature review, methodology, experimental design, and a summary of findings.
Methods
In this study, a framework for dynamic link prediction (LP) and portfolio management (PM) is proposed, focusing on the relational characteristics of stock co-movements through graph construction and convolution. The authors introduce a novel sampling method to address label imbalance in time-series data, enabling predictions of future stock co-movement relationships, termed dynamic network LP (DNLP). These predictions inform stock preselection strategies based on investment theories and are integrated into a modified mean-variance (MV) model to create a multi-objective portfolio management (MOPM) problem with innovative objective functions. The multi-period optimization is solved using a multi-objective particle swarm optimization (MOPSO) algorithm, aimed at maximizing returns while mitigating stock dependency risks.
The experimental setup includes detailed parameter settings for the proposed method and baseline PM models, summarized in a table. A rolling window approach is employed for model training and testing, utilizing a sliding window of 1500 trading days to predict stock co-movement for the subsequent period, with 170 days available for back-testing. To enhance the robustness of the MOPSO results, the algorithm is executed ten times, averaging the investment weights. The effectiveness of the proposed sampling method is validated through comparative analyses with established techniques, including random under-sampling (RUS) and random over-sampling (ROS), with specific implementations detailed for each method.
Results
In the results section, the authors present a comprehensive analysis of their experimental findings, focusing on the dynamic LP task and the performance of their proposed RePresampling-based LP model. The model consistently outperforms conventional sampling techniques across various metrics, although it exhibits a micro-average precision of 39.93% and a weighted precision of 74.51%. This discrepancy is attributed to the imbalance in training and test samples, particularly the dominance of label 2. Upon removing the influence of label 2, the micro-average precision improves significantly to 68.51%, indicating the model’s capability to effectively distinguish between positive and negative co-movements. However, the model also shows a tendency to misclassify some stock pairs, with 13.46% of predicted co-rising pairs actually co-falling, highlighting the challenges posed by sample distribution biases.
The analysis further explores the performance of the model across different sectors, revealing that inter-sector predictions generally outperform intra-sector predictions. Notably, sectors such as Baijiu and real estate development demonstrate strong intra-sector linkages due to their mature market structures and macroeconomic influences, which facilitate better prediction accuracy. In contrast, sectors like consumer electronics exhibit high volatility and competition, affecting their predictive performance. The authors also analyze the relationship between predicted edge labels and actual returns, finding that positive co-movement predictions correlate with higher return intervals, while negative predictions dominate lower return intervals. This nuanced understanding of sector-specific dynamics and the predictive capabilities of their model sets the stage for further investment performance analysis in subsequent sections.
Discussion
The discussion section of the research paper addresses the complexities of multiobjective portfolio management (MOPM) under uncertainty, categorizing optimization problems into deterministic and uncertain parameters. It highlights the limitations of traditional methods that rely on historical data and specific distributions, advocating for approaches like fuzzy programming, stochastic programming, and robust optimization to enhance decision-making in uncertain environments. The integration of machine learning (ML) and deep learning (DL) techniques has shown promise in improving asset return predictions, with various studies employing advanced models such as LSTM networks and hybrid algorithms to optimize portfolios based on predicted returns.
Furthermore, the section emphasizes the importance of graph-based methods in portfolio optimization, where stocks are represented as nodes in a network, allowing for the analysis of inter-stock relationships. It discusses the construction of graphs that distinguish between positive and negative co-movements, which is crucial for effective portfolio selection. The authors propose a dynamic link prediction (LP) framework that incorporates temporal modeling to capture evolving relationships among stocks, thereby enhancing the robustness of portfolio strategies. By integrating these methodologies, the paper suggests a holistic approach to portfolio management that accounts for both dependency risks and potential returns, ultimately aiming to improve investment outcomes in a dynamic market environment.