ارائه رویکردی جدید برای مدیریت فعال پرتفوی وانجام معاملات هوشمند سهام با تاکید بر نگرش انتخاب ویژگی
محورهای موضوعی : دانش سرمایهگذاری
رضا تهرانی
1
(دانشیار مدیریت مالی، دانشکده مدیریت دانشگاه تهران ، تهران،ایران)
محمد هندیجانی زاده
2
(کارشناس ارشد مهندسی مالی، دانشگاه تهران، تهران ، ایران (مسئول مکاتبات))
عیسی نوروزیان لکوان
3
(کارشناس ارشد مهندسی مالی، دانشگاه تهران، تهران ، ایران)
کلید واژه: مدیریت فعال پرتفوی, شبکه عصبی, الگوریتم ژنتیک, مجاورت نزدیکترین همسایه,
چکیده مقاله :
دراین تحقیق سعی گردیده است تا در جهت اجرای نگرش مدیریت فعال پرتفوی، روشی برای انجام معاملات هوشمند براساس قیمت پیش بینی شده سهام در یک بازه زمانی چهار ساله مشخص ارائه گردد. ابتدا با استفاده از روش مارکویتز وزن های هریک از شش سهم پرتفوی شش سهمی ساخته شده در هریک از سال های بازه زمانی چهار ساله را بدست می آوریم. سپس با استفاده از بیست ودو نماگر تکنیکی (ویژگی های هر سهم) که به عنوان ورودی های الگوریتم ژنتیک به عنوان یک روش انتخاب ویژگی در نظر گرفته شده است،استفاده کرده و با استفاده از دو روش پیش بینی مجاورت نزدیکترین همسایه و شبکه عصبی اقدام به پیش بینی قیمت هر سهم می نماییم. با توجه به قیمت پیش بینی شده برای هرسهم مطابق با روش های پیش بینی شبکه عصبی مبتنی بر الگوریتم ژنتیک و روش مجاورت در نزدیکترین همسایه بر پایه الگوریتم ژنتیک و استراتژی معاملاتی تعریف شده، معاملات هوشمند سهام صورت می پذیرد. استراتژی معاملاتی تعریف شده بر اساس قیمت های پیش بینی شده دارای سیگنال های خروجی (1و0و1-) بوده که به معنای خرید سهم، فروش سهم و یا انجام هیچ گونه عملی تفسیر می گردند. بازده حاصل از پرتفوهای روش های شبکه عصبی مبتنی بر الگوریتم ژنتیک و روش مجاورت در نزدیکترین همسایه بر پایه الگوریتم ژنتیک و پرتفوی خرید و نگه داری به عنوان نماینده رویکرد مدریت غیر فعال پرتفوی در هر یک از چهار سال محاسبه گردید. پرتفوی حاصل از روش شبکه عصبی مبتنی بر الگوریتم ژنتیک دارای بالاترین بازده در دوره چهار ساله را دارا بوده که این خود نشان از برتری رویکرد مدیریت فعال پرتفوی نسبت به رویکرد مدیریت غیر فعال پرتفوی می باشد.
This paper intends to present an integrated method to fulfill active portfolio management approach that is based on predicted prices of each six- chosen stock in a four-year time period. First of all Markowitz model is implemented to achieve weight of each stock in each year of four year period. Then, twenty two technical indicators as the features of each stock were are regarded as the input data of genetic algorithm (GA) known as a feature selection technique. Two well-performed forecasting methods called k-nearest neighborhood (kNN) and artificial neural network (ANN) are integrated with GA to extract predicted prices of each stock in defined time period. According to predicted price resulted by GA-NN and GA-kNN, a trading strategy is proposed that has an input signal () which imply to buy, sell and do nothing respectively. Returns of created portfolios were compared with the return of buy and hold strategy as the representative of passive portfolio management approach. The portfolio resulted by GA-NN outperformed two other portfolios for our given data. This conclusion emphasizes on superiority of employing active portfolio management to passive portfolio management in terms of tackling fund management issue for our given data.