خلاصة:
در این تحقیق به آنالیز اثر بخشی الگوریتم جنگلهای تصادفی در زمینه آربیتراژ آماری پرداخته شده است، همچنین برای سنجش عملکرد الگوریتم جنگلهای تصادفی در زمینه آربیتراژ آماری نسبت به دیگر مدلهای ارائه شده در پژوهشهای پیشین، مقایسه نتایج بدست آمده از کاربرد این الگوریتم با الگوریتم شبکههای عصبی عمیق انجام شده است. مدلهای مورد نظر با اطلاعات مربوط به قیمت سهام آموزش داده شده و خروجی بدست آمده از این تکنیک، سهام را بر اساس موقعیت خرید و فروش طبقهبندی کرده است. با استفاده از این استراتژی موقعیتهای سودآوری در بازار سهام برای کسب سود شناسایی میشود. نتایج نشان داد مدل جنگلهای تصادفی دارای خطای طبقهبندی کمتری نسبت به مدل شبکه عصبی عمیق می باشد، بنابراین مدل جنگلهای تصادفی روش مناسبتری برای استفاده در استراتژی آربیتراژ آماری و کسب سود می باشد.
In this research, the statistical analysis of random forest effects has been done. Also, to evaluate the performance of the random forest algorithm in the field of statistical arbitrage compared to other models presented in the previous research, the comparison of the results from the application of this algorithm with deep neural network algorithm has been done. The models are taught with stock price information and the output from this technique categorizes stocks according to the position of buying and selling. Using this strategy, profitable positions are identified in market shares for profit. The results showed that the model of random forest with less error classification than deep neural network model. Using this strategy, profitable positions are identified in market shares for profit. The results showed that the model of random forest with less error classification than deep neural network model.