انتخاب آنلاین سبد سرمایه گذاری به روش تطابق با الگوی طیفی
محورهای موضوعی : مهندسی مالی
متین عبدی
1
(دانشجوی کارشناسی‌ارشد مهندسی صنایع-سیستم‌های مالی دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران)
امیرعباس نجفی
2
(دانشیار دانشکده مهندسی صنایع دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران)
کلید واژه: داده کاوی, داد و ستد الگوریتمی, انتخاب آنلاین سبد سرمایه‌گذاری, اصل تطابق با الگو, خوشه بندی طیفی,
چکیده مقاله :
با توجه به افزایش حجم و سرعت معاملات در بازارهای مالی امروز، افزایش سرعت در تحلیل‌ها و تصمیم‌گیری‌ها اجتناب ناپذیر است. انجام تحلیل‌های سریع و عاری از خطاهای رفتاری توسط انسان غیر ممکن است. از این رو بازارهای مالی به سمت داد و ستدهای الگوریتمیدر حرکت هستند که در آن‎ها از تکنیک‎هایی از قبیل یادگیری ماشینی و داده‌کاویاستفاده می‌شود. انتخاب آنلاین سبد سرمایه‌گذاری یکی از تکنیک‌های نوین در داد و ستد الگوریتمی است به این صورت که سرمایه را به تعداد مشخصی سهم تخصیص داده و در ابتدای هر دوره با استفاده از تکنیک‌هایی پرتفو را به روز رسانی می‌کند. در واقع در این تکنیک‌ها انسان در انتخاب پرتفو دخالتی نداشته و الگوریتم نحوه‌ی سرمایه‌گذاری را در هر دوره مشخص می‌کند. در این مقاله الگوریتمی توسعه داده شده است که از اصل تطابق با الگودر انتخاب آنلاین سبد سرمایه‌گذاری پیروی می‌کند. در این اصل، پرتفو بر اساس الگوهای تاریخی مشابه انتخاب می‌شود که در این مقاله برای یافتن الگوهای تاریخی مشابه از روش خوشه‌بندی طیفیدر داده کاوی استفاده شده است. در این خصوص یک مثال عددی با استفاده از ۲۰ سهم فعال‌تر در بورس نیویورک ارائه شده و نتایج آن با الگوریتم‌های دیگر در این حوزه مقایسه شده است.
Nowadays, due to the rise of turnover and pace of trading in financial markets, accelerating of analysis and making decision is unavoidable. Humans are unable to analyze big data quickly without behavioral biases. Hence, financial markets tend to apply algorithmic trading in which some techniques like data mining and machine learning are notable. Online Portfolio Selection (OLPS) is one of the most modern techniques in algorithmic trading. OLPS allocates capital to a number of stocks and updates portfolio at the beginning of each period by some techniques. Actually, individual has no role in portfolio selection and the algorithm determines the way of investing in each period. In this article, an algorithm which follows pattern matching principle has been introduced. In pattern matching principle, the portfolio is selected based on identical historical patterns and in this article these patterns are found by spectral clustering in data mining. At the end of article, there is a numerical example which uses the most 20 active stocks in New York Stock Exchange (NYSE) data and its results has been compared with other algorithms in this topic.
_||_