معامله زوجی بر پایه تجزیه موجک
محورهای موضوعی : مهندسی مالی
بهاره زرین تاج
1
(گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران)
سعید آقاسی
2
(گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی،دهاقان، ایران)
فروزان بکتاش
3
(گروه اقتصاد، واحد دهاقان، دانشگاه آزاد اسلامی،دهاقان، ایران)
کلید واژه: نسبت شارپ, تجزیه موجک, : آربیتراژ آماری, استراتژی معاملاتی, معامله زوجی,
چکیده مقاله :
در پژوهش حاضر از تجزیه موجک برای تجزیه سری‌‌‌‌های زمانی قیمت در یک زوج دارایی به سری‌‌‌‌های زمانی کلیات و جزئیات استفاده می‌شود و خاصیت همجمعی بین سطوح مختلف و متناظر تجزیه دو سری بررسی می‌شود تا زوج‌های همجمع در سطوح مختلف تجزیه یافت شود و سپس سودآوری آن مورد بررسی قرار گیرد. در این پژوهش سودآوری سیستم معامله زوجی بر پایه تجزیه موجک بر روی 14 شاخص از بورس اوراق بهادار تهران در فاصله سال‌های 1400-1391 بررسی شد. نتایج نشان می‌دهد که برای سطح دوم جزئیات در تجزیه موجک، نتایج کاملاً چشمگیر می‌باشد و تعداد موقعیت‌‌‌‌های معاملاتی به بیش از دو برابر، بازده روزانه به چهار برابر و نسبت شارپ نیز به حدود دو برابر افزایش یافته است. سیستم شکل گرفته بر اساس سطح اول جزئیات نیز عملکرد سودآوری بهتری نسبت به همجمعی معمولی دارد و عملکرد سطح سوم جزئیات در حدود همجمعی می‌باشد. به علاوه متوسط مدت زمان معامله نیز در سطح اول و دوم کاهش چشمگیری را نشان می‌دهد. عملکرد سودآوری در سطح سری کلیات در مجموع ضعیف‌تر از همجمعی می‌باشد.
In the current research,wavelet analysis is used to analyze the time series of prices in a pair of assets into general and detailed time series, and the property of collocation between different and corresponding levels of analysis of two series is checked in order to find collinear pairs at different levels of analysis. And then its profitability is examined. In this research, the profitability of the pair trading system based on wavelet analysis was investigated on 14 indices of the Tehran Stock Exchange betwee 2013-2022. The results show that for the second level of detail in the wavelet analysis, the results are quite impressive and the number of trading positions is more than doubled, the daily return is increased to four times and the Sharpe ratio is also increased to about two times. The system formed based on the first level of detail also has a better profitable performance than the normal aggregation, and the performance of the third level of detail is within the limits of aggregation. In addition, the average duration of the transaction also shows significant decrease in the first and second levels. Profitability performance at the level of general series is generally weaker than the aggregate.
_|1) براهیمی پور، محمد مهدی، داودی (1400) بررسی سود آوری استراتژی معامله زوجی بر پایه سیستم حالت-فضای خطی و فیلتر کالمن در بورس اوراق بهادار، دانش سرمایه‌گذاری، 10، 37، 75-57.
2) دستوری، مجتبی، فلاح¬پور، تهرانی، مهرگان (1397) الگوریتم معاملات زوجی پربسامد با استفاده از کنترل کیفیت آماری فازی، مهندسی مالی و مدیریت اوراق بهادار، 9، 37، 23-41.
3) طادی، مسعود؛ آبکار، مطهری نیا، (1397) ارزیابی استراتژی معاملات زوجی با رویکرد فاصلهای در بورس اوراق بهادار تهران، دانش سرمایه‌گذاری، 7، 26، 99-112.
4) فلاح¬پور، سعید، حکیمیان، (1399) بهینهسازی استراتژی معاملات زوجی با استفاده از روش یادگیری تقویتی، با به‌کارگیری دیتاهای درونروزی در بورس اوراق بهادار تهران، تحقیقات مالی، 21، 1، 19-34.
5) فلاح¬پور، سعید، حکیمیان، (1396) بررسی عملکردسیستم معاملات زوجی در بورس¬اوراق¬بهادار تهران: رویکرد هم انباشتگی و بررسی نسبت سورتینو، مهندسی مالی و مدیریت اوراق بهادر،8، 30، 17-1.
6) Bello, Rasheed Adegbola (2021) Risk-Return in the Stock Market: A Wavelet Approach. Journal of Mathematical Finance, 11, 651-669.
7) Clegg, Matthew, Krauss (2018) Pairs trading with partial cointegration. Quantitative Finance, 18, 1, 121-138.
8) Dai, Zhifeng, Zhu (2020) Forecasting stock market returns by combining sum-of-the-parts and ensemble empirical mode decomposition, Applied Economics, 52, 21, 2309-2323.
9) De Moura, Carlos Eduardo, Pizzinga, Zubelli (2016) A pairs trading strategy based on linear state space models and the Kalman filter. Quantitative Finance, 16, 10, 1559-1573.
10) Du, Bairui, Fernandez-Reyes, Barucca (2020) Image processing tools for financial time series classification. arXiv preprint arXiv:2008.06042.
11) Elliott, Robert J, Bradrania (2018) Estimating a regime switching pairs trading model. Quantitative Finance, 18, 5, 877-883.
12) Han, Chulwoo, He, Toh (2021) Pairs Trading via Unsupervised Learning. Available at SSRN 3835692.
13) Liu, Wuwei, Yan (2021) Financial Time Series Image Algorithm Based on Wavelet Analysis and Data Fusion. Journal of Sensors, 2021.
14) Lu, Jing-You, Lai, Shih, Chen, Huang, Chang, Wang, Huang, Dai (2021) Structural break-aware pairs trading strategy using deep reinforcement learning. The Journal of Supercomputing, 1-40.
15) Peng, Lifang, Chen, Li (2021) Predicting Stock Movements: Using Multiresolution Wavelet Reconstruction and Deep Learning in Neural Networks. Information, 12, 10,388.
16) Ramos-Requena, José Pedro, López-García, Sánchez-Granero, Trinidad-Segovia (2021) A Cooperative Dynamic Approach to Pairs Trading. Complexity, 2021.
17) Ramos-Requena, José Pedro, Trinidad-Segovia, Sánchez-Granero (2020) Some Notes on the Formation of a Pair in Pairs Trading, Mathematics, 8, 3,1-17.
18) Stübinger, Johannes, Bredthauer (2017) Statistical Arbitrage Pairs Trading with High-frequency Data, International Journal of Economics and Financial, 7, 4, 650-662.
19) Tripathy, Naliniprava, Jaipuria (2020) Forecasting stock market using discrete wavelet transforms and artificial neural networks model. The Empirical Economics Letters, 19, 11, 1263-1277.
|_
