بهینه‌سازی پرتفوی سهام در بورس اوراق بهادار تهران (کاربرد رهیافت یادگیری تقویتی)
الموضوعات :مهدی اسفندیار 1 , محمدعلی کرامتی 2 , رضا غلامی جمکرانی 3 , محمد رضا کاشفی نیشابوری 4
1 - دانشجوی دکتری، گروه مدیریت صنعتی، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
2 - دانشیار، گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی ، تهران، ایران
3 - استادیار، گروه حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
4 - استادیار گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: بورس اوراق بهادار تهران, G17, معاملات الگوریتمی, یادگیری تقویتی, یادگیری کیو, طبقه‌بندی JEL: G11, P45 واژگان کلیدی: بهینه‌سازی پرتفوی,
ملخص المقالة :
هدف این مقاله کاربرد معاملات الگوریتمی با تمرکز بر رویکرد یادگیری تقویتی برای بهینه‌سازی پرتفوی سهام‌های منتخب است. این پژوهش از حیث هدف، کاربردی و از نظر نوع داده، کمّی و از لحاظ روش، توصیفی - اکتشافی و از منظر طرح تحقیق، پس‌رویدادی است. جامعه آماری این پژوهش، 672 شرکت بورسی است که از این تعداد، داده‌های پنج شرکت (نمونه آماری) طی دوره زمانی 1396-1400 بررسی شده است. یافته‌های تحقیق در دوره‌های صعودی و نزولی بازار نشان داد که رویکرد یادگیری تقویتی در بازارهای صعودی و نزولی به صورت معناداری بر رویکرد خرید و نگهداری برتری دارد و عملکرد بهتری ارائه داده است و نتایج با عملکرد الگوریتم‌ها در بازارهای بورس سازگار است. نتایج آشکار کرد که از دیدگاه سودآوری، رویکرد یادگیری تقویتی نسبت به رهیافت خرید و نگهداری، عملکرد بهتر و موثرتری داشته است؛ بنابراین، به‌کارگیری روش یادگیری تقویتی پیشنهاد می‌شود.
منابع
- اصغری اسکوئی، محمد رضا، فلاحی، فرهاد، دوستی‌زاده، میثم، مشیری، سعید (۱۳۹۷). کاربرد یادگیری تقویتی در یک مدل‌سازی عامل‌محور برای بازار عمده‌فروشی برق ایران. پژوهشنامه اقتصاد انرژی ایران، 7(25): 1-40.
- جونز، چارلز پی. (۱۳۹۱). مدیریت سرمایه‌گذاری. ترجمه: تهرانی، رضا، نوربخش، عسگر، تهران: نشر نگاه دانش.
- رستگار، محمدعلی، دستپاک، محسن (1397). ارائه مدل معاملاتی با فراوانی زیاد همراه با مـدیریت پویـای سـبد سـهام بـه روش یادگیری تقویتی در بورس اوراق بهادار تهران. فصلنامه تحقیقات مالی، 20(۱): 16 -۱.
- فلاح‌پور، سعید، حکیمیان، حسن (۱۳۹۸). بهینه‌سازی استراتژی معاملات زوجی با استفاده از روش یادگیری تقویتی، با به‌کارگیری دیتاهای درون‌روزی در بورس اوراق بهادار تهران، فصلنامه تحقیقات مالی، 21 (1): ۳۴-۱۹.
- گل‌ارضی، غلامحسین، انصاری، حمیدرضا (1401). مقایسه عملکرد الگوریتمهای تکاملی NSGAII و SPEA2 در انتخاب پرتفولیوی بهینه در بورس اوراق بهادار تهران. فصلنامه تحقیقات مالی، 24 (3): 410-430.
- نورویگ، پیتر و راسل، استوارت ج. (۱۳۹۳) هوش مصنوعی پیشرفته. مترجم: حسین حاج‌رسولی‌ها، تهران: نشر نیازدانش.
- Fu, TC., Chung, CP. & Chung, FL. (2013). Adopting genetic algorithms for technical analysis and portfolio management. Computers and Mathematics with Applications, 66 (10), 1743–1757. https://doi.org/ 1016/j.camwa. 2013.08.012.
- Johnston, D. E. & Djurić, P. M. (2011). The science behind risk management. IEEE Signal Processing Magazine, 28(5), 26-36.
- Kirilenko, A. A., & Lo, A. W. (2013). Moore's law versus Murphy’s Law: Algorithmic trading and its discontents. Journal of Economic Perspectives, 27(2): 51-72.
- Markowitz H.M. (1952). Portfolio Selection. Journal of Finance, 7 (1): 77-91.
- Mihatsch, O. & Neuneier, R. (2002). Risk-sensitive reinforcement learning. Machine learning, 49(2): 267-290.
- Park, H., Sim, M. K., & Choi, D. G. (2020). An intelligent financial portfolio trading strategy using deep Q-learning. Expert Systems with Applications, 158.
- Reeves, M., Moose, S., & Venema, T. (2014). The growth share matrix. BCG–The Boston Consulting Group.
- Skabar, A., & Cloete, I. (2002). Neural networks, financial trading and the efficient markets hypothesis. In ACSC: 241-249.
- Sutton, R. S. & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT Press.
- Treleaven, P., Galas, M. & Lalchand, V. (2013). Algorithmic trading review. Communications of the ACM, 56(11): 76-85.
- Vogiatzis, G. & Garcia, N. (2019). Learning non-metric visual similarity for image retrieval. Image and Vision Computing, 82: 18-25.
- Zhang, Z., Zohren, S., & Roberts, S. (2020). Deep reinforcement learning for trading. The Journal of Financial Data Science, 2(2): 25-40.
