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
تاريخ الإرسال : 18 الثلاثاء , محرم, 1444
تاريخ التأكيد : 23 الأربعاء , ربيع الأول, 1444
تاريخ الإصدار : 25 الأربعاء , صفر, 1444
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.
المصادر:
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.
_||_
