توسعه سیستم‌های معاملاتی سبد سهام با استفاده از روش‌های یادگیری ماشین
الموضوعات :علی حیدریان 1 , محدثه مرادی مهر 2 , علی فرهادیان 3
1 - گروه مدیریت، دانشکده علوم مالی، مدیریت و کارآفرینی، دانشگاه کاشان، کاشان، ایران.
2 - گروه مدیریت، دانشکده علوم مالی، مدیریت و کارآفرینی، دانشگاه کاشان، کاشان، ایران.
3 - گروه مدیریت، دانشکده علوم مالی، مدیریت و کارآفرینی، دانشگاه کاشان، کاشان، ایران.
الکلمات المفتاحية: مدل میانگین-واریانس, یادگیری ماشین, شبکه عصبی پیچشی, تشکیل سبد سهام, بازار بورس تهران,
ملخص المقالة :
تئوری سبد سرمایه‌گذاری یک‌پایه مهم برای مدیریت سبد سهام است که در جامعه دانشگاهی موضوعی است که به‌خوبی موردمطالعه قرارگرفته است اما به‌طور کامل اشباع‌نشده است. ادغام پیش‌بینی بازده در تشکیل سبد سرمایه-گذاری می‌تواند عملکرد مدل بهینه‌سازی سبد را بهبود بخشد. ازآنجایی‌که مدل‌های یادگیری ماشین برتری قابل‌توجهی نسبت به مدل‌های آماری نشان داده‌اند، در این پژوهش، یک رویکرد جدید تشکیل سبد سهام در دو مرحله ارائه‌شده است. مرحله اول با پیاده‌سازی شبکه عصبی پیچشی، سهام مناسب برای خرید انتخاب‌شده و در مرحله دوم با استفاده از مدل میانگین-واریانس (MV)، وزن بهینه در سبد سرمایه‌گذاری برای آنها تعیین می‌شود. به‌طور خاص، مراحل انتخاب سهام مناسب و تشکیل سبد سهام دو مرحله اصلی مدل توسعه داده‌شده در این پژوهش است. مرحله اول، یک مدل شبکه عصبی پیچشی برای پیش‌بینی نقاط خرید و فروش سهام برای دوره بعدی پیشنهادشده است. مرحله دوم، سهامی که برچسب خرید می‌گیرند به‌عنوان سهام با مناسب برای خرید انتخاب‌شده و از مدل MV برای تعیین وزن بهینه آنها در سبد سهام استفاده می‌شود. نتایج به‌دست‌آمده با استفاده از 5 سهم از بازار بهادار تهران به‌عنوان نمونه مطالعه نشان می‌دهد که بازده و نسبت شارپ روش پیشنهادی از روش‌های سنتی (بدون فیلتر کردن سهام مناسب) به‌طور قابل‌توجهی بهتر است.
_|1) پارسائیان، علی و جهان خانی، علی (1384) " مدیریت سرمایه‌گذاری و ارزیابی اوراق بهادار"،چاپ دوم، تهران، انتشارات دانشکده مدیریت.
2) حسینی، حوریه سادات و گرجی آرا، محمد(1398) "مدیریت سرمایه‌گذاری و ریسک"، چاپ پنجم، انتشارات نگاه دانش.
3) شارپ، ویلیام اف؛ الکساندر، گوردن جی و بیلی، جفری وی (1978) "مدیریت سرمایه‌گذاری" ،شریعت پناهی، جعفری. نشر اتحاد (1392).
4) 4)Ausmees, S. Milovanović, F. Wrede, and A. Zafari, “Taming Deep Belief Networks,” pp. 1–14, 2017.
5) Chen, W. Chen, and C. Huang, “Financial Time-series Data Analysis using Deep Convolutional Neural Networks,” 2016 7th Int. Conf. Cloud Comput. Big Data (CCBD). IEEE, pp. 99–104, 2016.
6) Christian Szegedy, Alexander Toshev, “Deep Neural Networks for Object Detection,” Adv. Neural Inf. Process. Syst., pp. 2553–2561, 2013.
7) Das, K. Mokashi, and R. Culkin, “Are Markets Truly Efficient ? Experiments Using Deep Learning Algorithms for Market Movement Prediction,” pp. 1–19, 2018. Navon and Yosi Keller, “Financial Time Series Prediction using Deep Learning,” 2017.
8) Di Persio and O. Honchar, “Recurrent neural networks approach to the financial forecast of Google assets,” vol. 11, pp. 7–13, 2017.
9) Felipe Dias Paiva, Rodrigo Tomás Nogueira Cardoso, “Decision-making for financial trading: A fusion approach of machine learning and portfolio selection,” Expert Syst. Appl., pp. 635–655, 2019.
10) Gorgulho, R. Neves, and N. Horta, “Applying a GA kernel on optimizing technical analysis rules for stock picking and portfolio composition,” Expert Syst. Appl., vol. 38, no. 11, pp. 14072–14085, 2011.
11) Hansson, “On stock return prediction with LSTM networks,” 2017.
12) Jonathan Long, Evan Shelhamer, “Fully Convolutional Networks for Semantic Segmentation,” Proc. IEEE Conf. Comput. Vis. pattern Recognit., pp. 3431–3440, 2015.
13) Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.
14) Murphy, Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. Penguin, 1999.
15) Saad, D. V Prokhorov, and D. C. Wunsch, “Comparative Study of Stock Trend Prediction Using Time Delay , Recurrent and,” vol. 9, no. 6, pp. 1456–1470, 1998.
16) Sezer and A. M. Ozbayoglu, “Financial Trading Model with Stock Bar Chart Image Time Series with Deep Convolutional Neural Networks,” p. arXiv preprint arXiv:1903.04610, 2019.
17) Shen, Q. Tan, H. Zhang, P. Zeng, and J. Xu, “Deep Learning with Gated Recurrent Unit Networks for Financial Deep Learning with Gated Recurrent Unit Networks for Financial Sequence Predictions Sequence Predictions,” Procedia Comput. Sci., vol. 131, pp. 895–903, 2018.
18) Shuiwang Ji, Wei Xu, Ming Yang, “3D Convolutional Neural Networks for Human Action Recognition,” IEEE Trans. Pattern Anal. Mach. Intell., pp. 35(1):221–231, 2012.
19) Yang, Z. Gong, and W. Yang, “Stock Market Index Prediction Using Deep Neural Network Ensemble,” 2017 36th Chinese Control Conf. (CCC). IEEE, 2017.
20) Zhang, C. Aggarwal, and G. J. Qi, “Stock price prediction via discovering multi-frequency trading patterns,” Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., vol. Part F1296, pp. 2141–2149, 2017.
21) Zhou, H. Zhou, Z. Yang, and L. Yang, “EMD2FNN : A strategy combining empirical mode decomposition and factorization machine based neural network for stock market trend,” Expert Syst. Appl., vol. 115, pp. 136–151, 2019.
|_
