انتخاب برخط سبد سرمایه گذاری به کمک الگوریتم های تبعیت از بازنده
محل انتشار: فصلنامه تحقیقات مالی، دوره: 22، شماره: 3
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 141
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFR-22-3_006
تاریخ نمایه سازی: 10 بهمن 1400
چکیده مقاله:
هدف: امروزه در بازارهای مالی، حجم و سرعت معاملات افزایش چشمگیری یافته است و با تحلیل های سنتی، به سختی می توان هم گام با تغییرات بازار پیش رفت. در کنار کارایی روش های سنتی، سرعت کم این رویکردها را می توان مهم ترین کاستی آنها دانست؛ چرا که نمی توانند سرعت در معامله را برآورده کنند. برای رفع این کاستی، تکنیک های دادوستد الگوریتمی ارائه شده اند که در این میان، انتخاب برخط سبد سرمایه گذاری، بسیار با اهمیت است. هدف این پژوهش، ارائه الگوریتمی برای انتخاب سبد سرمایه گذاری است که به کسب بیشترین بازدهی تعدیل شده به ریسک منجر شود و سرعت را در انتخاب سبد سرمایه گذاری افزایش دهد. روش: در پژوهش پیش رو، الگوریتمی ارائه شده است که از اصل بازگشت به میانگین چند دوره ای که مبنای الگوریتم های تبعیت از بازنده است، استفاده می کند. در این الگوریتم، خبرگان (خبره) مختلف، بردار نسبت قیمتی دوره آتی را پیش بینی می کنند، سپس، به کمک یکی از الگوریتم های نظریه پیش بینی با نظر خبرگان، وزن های تخصیصی به هریک از خبرگان تعیین می شود. سپس از یک تکنیک یادگیری برای بهینه سازی پرتفو استفاده می شود تا پرتفو دوره آتی مشخص شود. یافته ها: بر اساس یافته ها، الگوریتم های ارائه شده، در مقایسه با سایر الگوریتم های موجود در ادبیات، بر اساس سنجه های بازدهی و بازدهی تعدیل شده به ریسک عملکرد برتری دارند. نتیجه گیری: استفاده از بازگشت به میانگین چند دوره ای، بهتر می تواند مفهوم بازگشت به میانگین را منعکس کند. علاوه بر این، بهره مندی از خبرگان مختلف، دقت پیش بینی ها را افزایش داده و در نتیجه پرتفوهای بهتری پیشنهاد می شود. از سوی دیگر، بهره گیری از سیستم وزن دهی خبرگان، سبب استوار شدن مدل می شود؛ زیرا از وزن خبرگان با پیش بینی های ضعیف می کاهد و در مقابل، به وزن سایر خبرگان می افزاید.
کلیدواژه ها:
نویسندگان
جواد ولیدی
کارشناس ارشد، گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
امیرعباس نجفی
دانشیار، گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
علیرضا ولیدی
کارشناس ارشد، گروه مهندسی مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :