انتخاب برخط سبد سرمایه‌گذاری به‌کمک الگوریتم‌های تبعیت از بازنده Journal Article

هدف: امروزه در بازارهای مالی، حجم و سرعت معاملات افزایش چشمگیری یافته است و با تحلیل‌های سنتی، به‌سختی می‌توان هم‌گام با تغییرات بازار پیش رفت. در کنار کارایی روش‌های سنتی، سرعت کم این رویکردها را می‌توان مهم‌ترین کاستی آنها دانست؛ چرا که نمی‌توانند سرعت در معامله را برآورده کنند. برای رفع این کاستی، تکنیک‌های دادوستد الگوریتمی ارائه شده‌اند که در این میان، انتخاب برخط سبد سرمایه‌گذاری، بسیار با اهمیت است. هدف این پژوهش، ارائه الگوریتمی برای انتخاب سبد سرمایه‌گذاری است که به کسب بیشترین بازدهی تعدیل‌شده به ریسک منجر شود و سرعت را در انتخاب سبد سرمایه‌گذاری افزایش دهد. روش: در پژوهش پیش رو، الگوریتمی ارائه شده است که از اصل بازگشت به میانگین چند دوره‌ای که مبنای الگوریتم‌های تبعیت از بازنده است، استفاده می‌کند. در این الگوریتم، خبرگان (خبره‎) مختلف، بردار نسبت قیمتی دوره آتی را پیش‌بینی می‌کنند، سپس، به‌کمک یکی از الگوریتم‌های نظریه پیش‌بینی با نظر خبرگان، وزن‌های تخصیصی به هریک از خبرگان تعیین می‌شود. سپس از یک تکنیک یادگیری برای بهینه‌سازی پرتفو استفاده می‌شود تا پرتفو دوره آتی مشخص شود. یافته‌ها: بر اساس یافته‌ها، الگوریتم‌های ارائه‌شده، در مقایسه با سایر الگوریتم‌های موجود در ادبیات، بر اساس سنجه‌های بازدهی و بازدهی تعدیل‌شده به ریسک عملکرد برتری دارند. نتیجه‌گیری: استفاده از بازگشت به میانگین چند دوره‌ای، بهتر می‌تواند مفهوم بازگشت به میانگین را منعکس کند. علاوه بر این، بهره‌مندی از خبرگان مختلف، دقت پیش‌بینی‌ها را افزایش داده و در نتیجه پرتفوهای بهتری پیشنهاد می‌شود. از سوی دیگر، بهره‌گیری از سیستم وزن‌دهی خبرگان، سبب استوار شدن مدل می‌شود؛ زیرا از وزن خبرگان با پیش‌بینی‌های ضعیف می‌کاهد و در مقابل، به وزن سایر خبرگان می‌افزاید.

Objective: Nowadays, the volume and speed of transactions in financial markets have grown dramatically and it is hard to track market changes by using traditional methods. Besides the efficiency of traditional methods, the low speed of these approaches is one of the most important deficiencies of them because they cannot adapt to high speed of transactions. To overcome this shortcoming, algorithmic trading techniques have been proposed which online portfolio selection is one of the most important of these techniques. So, the purpose of this research is to propose a new algorithm for online portfolio selection which leads to high risk-adjusted return and speeds up the process of portfolio selection. Methods: In this research, two algorithms have been proposed using multi-period mean reversion which is the basis of follow-the-loser algorithms. In these algorithms, a set of various experts predict the price relative vector of next period. Then, one of existing algorithms in prediction theory with expert advice is used to assign weights to experts. Then, a learning technique is used for portfolio optimization which leads to portfolio of next period. Results: The results show the superiority of the proposed algorithms to other algorithms existing in literature based on return and risk-adjusted return criteria. Conclusion: The concept of mean reversion can be better expressed by using multi-period mean reversion. In addition, using different experts’ advices make predictions more accurate and therefore better portfolios are suggested. Also, the use of weighting system indirectly brings robustness in the algorithms because it reduces the weights assigned to experts with poor predictions and transforms it to other experts with proper predictions.

در انتخاب برخط سبد سهام ، سرمايه گذار زيرمجموعه اي از سهام شرکت هاي مختلفي را مشخص مي کند کـه قـرار است سرمايه گذاري در آنها انجام شود، سپس الگوريتم به صورت خودکار و بدون دخالت سرمايه گذار، سبد سـرمايه گـذاري وي را در هر دوره و با هدف بيشينه سازي ثروت ، در انتهاي افق زماني تشکيل مي دهـد. Online Portfolio Selection (OLPS) اغلب الگوريتم هاي ارائه شده در ادبيات موضوع ، از اصل بازگشت به ميانگين تـک دوره اي پيـروي مـي کننـد کـه در صورت وجود نوسان هاي شديد در بازار، اين مسئله به راه حل هاي اشتباه در حل مسئله بهينه سازي سبد منتهي مي شـود و پرتفو را در جهت اشتباه به روزرساني مي کند. علاوه بر اين ، در تعدادي از الگوريتم ها که بازگشت به ميانگين را به صـورت چند دوره اي منعکس کرده اند، وزن هاي يکساني به هر يک از دوره هاي گذشته براي پيش بيني نسبت قيمتي دوره آتـي و در نتيجه ، حل مسئله بهينه سازي تخصيص يافته است که به نتايج اشتباه منجر مي شود. همچنين ، در ساير الگوريتم هايي که در اين دسته جاي مي گيرند، از وزن هاي ثابت براي پيش بيني بردار نسبت قيمتي دوره آتي استفاده شده است که نتايج دقيقي را به دنبال ندارد. همچنين ، در ساختار اين دو الگوريتم ، از الگوريتمي براي به روزرساني وزن هاي هريک از خبره هـا در هـر دوره زماني و متناسب با عملکرد گذشته شان استفاده شده است .