بهینه‌سازی الگوریتم معاملات زوجی پربسامد با استفاده از تلفیق الگوریتم ژنتیک و کنترل فرایند آماری فازی

محورهای موضوعی : دانش سرمایه‌گذاری

مجتبی دستوری ¹ , سعید مرادپور ²

1 - عضو هیات علمی گروه مدیریت مالی، واحد بین الملل کیش، دانشگاه آزاد اسلامی، کیش، ایران.
2 - عضو هیات علمی گروه مدیریت مالی، دانشکده علوم انسانی، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران.

تاریخ دریافت : 1399/11/18 تاریخ پذیرش : 1397/04/19 تاریخ انتشار : 1400/10/01

کلید واژه: الگوریتم ژنتیک, معاملات زوجی, معاملات پربسامد, کنترل فرایند آماری,

چکیده مقاله :

در پژوهش حاضر مسئله اصلی بهبود عملکرد الگوریتم معاملات زوجی پربسامد با استفاده از تلفیق الگوریتم ژنتیک و کنترل فرایند آماری فازی است. برای این منظور دو فرضیه توسعه داده شده است. جامعه آماری شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران هستند که نمونه آماری به‌واسطه نیاز به معاملات پربسامد از 50 شرکت برتر محدود شده و از این میان 33 سهم در 9 صنعت انتخاب شدند. پس از پیاده‌سازی سه روش پایه، کنترل فرایند آماری فازی و روش ترکیبی ژنتیک الگوریتم - کنترل فرایند آماری فازی نتایج عملکرد روش‌ها با یکدیگر مقایسه شدند. نتایج نشان داد، در روش پایه 100/43% بازده، در روش کنترل فرایند آماری فازی 28/55% بازده و در روش ترکیبی ژنتیک الگوریتم - کنترل فرایند آماری فازی میانگین بازده 59/63% کسب شده است. در آزمون تی صورت‌گرفته بین بازده حاصل از روش‌های پایه و کنترل فرایند آماری فازی و همچنین روش‌های پایه و روش ترکیبی ژنتیک الگوریتم - کنترل فرایند آماری فازی تفاوت آماری معنی‌داری وجود دارد. بر اساس نتایج مدل کنترل فرایند آماری فازی و الگوریتم ژنتیک که افزایش قابل تأملی نسبت به مدل‌های پیشین در افزایش متوسط بازدهی داشته است.

چکیده انگلیسی:

In this study, the main problem is to improve the performance of the high-frequency pair trading algorithm by using a combination of genetic algorithm and fuzzy statistical quality control. For this purpose, two hypotheses have been developed. The statistical population is companies listed on the Tehran Stock Exchange, that statistical sample was limited to the top 50 companies due to the need for high-volume transactions, and 33 shares in 9 industries were selected. After implementing three basic methods, fuzzy statistical quality control and the combined genetic algorithm-fuzzy statistical quality control method, the performance results of the methods were compared with each other. The results showed that in the basic method 43.10% return, in the fuzzy statistical quality control method 55.58% return and in the combined genetic algorithm-fuzzy statistical quality control method the average return was 63.59%. In t-test, there is a statistically significant difference between the specific performance of the basic methods and fuzzy statistical quality control, as well as the basic methods and the combined genetic-fuzzy statistical algorithm quality control. Based on the results of fuzzy statistical quality control model and genetic algorithm, which has a significant increase compared to previous models in increasing the average return.

منابع و مأخذ:

• بهمنش الهام و ناصری سید هادی. (1392) یک روش تعاملی مبتنی بر غیر فازی سازی پارامترها برای حل مساله حمل و نقل چند هدفه.‎ تحقیق در عملیات در کاربردهای آن (ریاضیات کاربردی), دوره 10 , شماره  3 (پیاپی 38) ; از صفحه 25 تا صفحه 39 .


• طادی, مسعود, آبکار, مطهری نیا ، وحید, (1397). ارزیابی استراتژی معاملات زوجی با رویکرد فاصله‏ ای در بورس اوراق بهادار تهران.دانش سرمایه‌گذاری, 7(26),ص .99-112


• عزیززاده فاطمه, و عبادی‌ نسرین. (1396) انتخاب استراتژی معاملات جفتی بهینه تحت تغییرات آماری فرایند اسپرد. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی) دوره 8 , شماره  33 ; از صفحه 229 تا صفحه 246 .‎


• فلاح پور سعید, و حکیمیان حسن.(1396) بررسی عملکرد سیستم معاملات زوجی در بورس اوراق بهادار تهران: رویکرد هم انباشتگی و بررسی نسبت سورتینو. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی) دوره 8 , شماره  30 ; از صفحه 1 تا صفحه 17 .


• Bowen, D. A., & Hutchinson, M. C. (2016). Pairs trading in the UK equity market: Risk and return. The European Journal of Finance, 22(14), 1363-1387.


• Caldeira, J. F., & Moura, G. V. (2013). Selection of a Portfolio of Pairs Based on Cointegration: A Statistical Arbitrage Strategy. Revista Brasileira de Finanças, 11(1), 49-80.


• Chiu, M. C., & Wong, H. Y. (2018). Robust dynamic pairs trading with cointegration. Operations Research Letters, 46(2), 225-232.


• Farago, A., & Hjalmarsson, E. (2018). Stock price co-movement and the foundations of pairs trading. Journal of Financial and Quantitative Analysis (JFQA), Forthcoming.


• Huck, N., & Afawubo, K. (2015). Pairs trading and selection methods: is cointegration superior?. Applied Economics, 47(6), 599-613.


• Miao, G. J. (2014). High Frequency and Dynamic Pairs Trading Based on Statistical Arbitrage Using a Two-Stage Correlation and Cointegration Approach. International Journal of Economics and Finance, 6(3), p96.


• Mikkelsen, A. (2018). Pairs trading: the case of Norwegian seafood companies. Applied Economics, 50(3), 303-318.


• Perlin, M. S. (2009). Evaluation of pairs-trading strategy at the Brazilian financial market. Journal of Derivatives & Hedge Funds, 15(2), 122-136.


• Stübinger, J., & Endres, S. (2018). Pairs trading with a mean-reverting jump–diffusion model on high-frequency data. Quantitative Finance, 18(10), 1735-1751.