چکیده:
با توجه به افزایش حجم و سرعت معاملات در بازارهای مالی امروز، افزایش سرعت در تحلیلها و تصمیمگیریها اجتناب ناپذیر است. انجام تحلیلهای سریع و عاری از خطاهای رفتاری توسط انسان غیر ممکن است. از این رو بازارهای مالی به سمت داد و ستدهای الگوریتمی در حرکت هستند که در آنها از تکنیکهایی از قبیل یادگیری ماشینی و دادهکاوی استفاده میشود. انتخاب آنلاین سبد سرمایهگذاری یکی از تکنیکهای نوین در داد و ستد الگوریتمی است به این صورت که سرمایه را به تعداد مشخصی سهم تخصیص داده و در ابتدای هر دوره با استفاده از تکنیکهایی پرتفو را به روز رسانی میکند. در واقع در این تکنیکها انسان در انتخاب پرتفو دخالتی نداشته و الگوریتم نحوهی سرمایهگذاری را در هر دوره مشخص میکند. در این مقاله الگوریتمی توسعه داده شده است که از اصل تطابق با الگو در انتخاب آنلاین سبد سرمایهگذاری پیروی میکند. در این اصل، پرتفو بر اساس الگوهای تاریخی مشابه انتخاب میشود که در این مقاله برای یافتن الگوهای تاریخی مشابه از روش خوشهبندی طیفی در داده کاوی استفاده شده است. در این خصوص یک مثال عددی با استفاده از ۲۰ سهم فعالتر در بورس نیویورک ارائه شده و نتایج آن با الگوریتمهای دیگر در این حوزه مقایسه شده است.
Nowadays, due to the rise of turnover and pace of trading in financial markets, accelerating of analysis and making decision is unavoidable. Humans are unable to analyze big data quickly without behavioral biases. Hence, financial markets tend to apply algorithmic trading in which some techniques like data mining and machine learning are notable. Online Portfolio Selection (OLPS) is one of the most modern techniques in algorithmic trading. OLPS allocates capital to a number of stocks and updates portfolio at the beginning of each period by some techniques. Actually, individual has no role in portfolio selection and the algorithm determines the way of investing in each period. In this article, an algorithm which follows pattern matching principle has been introduced. In pattern matching principle, the portfolio is selected based on identical historical patterns and in this article these patterns are found by spectral clustering in data mining. At the end of article, there is a numerical example which uses the most 20 active stocks in New York Stock Exchange (NYSE) data and its results has been compared with other algorithms in this topic.
خلاصه ماشینی:
انتخاب آنلاين سبد سرمايه گذاري يکي از تکنيک هاي نوين در داد و ستد الگوريتمي است به اين صورت که سرمايه را به تعداد مشخصي سهم تخصيص داده و در ابتداي هر دوره با استفاده از تکنيک هايي پرتفو را به روز رساني ميکند.
در اين اصل ، پرتفو بر اساس الگوهاي تاريخي مشابه انتخاب ميشود که در اين مقاله براي يافتن الگوهاي تاريخي مشابه از روش خوشه بندي طيفي ٤ در داده کاوي استفاده شده است .
در انتخاب آنلاين سبد سرمايه گذاري، الگوريتم هايي ارائه شده است که با ترکيب تئوريهاي اقتصادي و روش هاي داده کاوي و يادگيري ماشيني مختلف به حداکثر کردن بازده سرمايه گذاري طي چند دوره ميپردازد.
٢- مباني نظري و مروري بر پيشينه پژوهش در ادبيات مدل هاي انتخاب سبد سرمايه گذاري، دو اصل تئوريک عمده وجود دارد: تئوري اول را مارکويتز در سال ١٩٥٢ ارائه کرد که به موازنه ي بين بازده انتظاري (ميانگين ) و ريسک (واريانس ) ميپردازد و براي تصميم گيري تک دوره اي مناسب است .
183 جدول ١- خلاصه ي تحقيقات صورت گرفته در رويکردهاي تطابق با الگو تکنيک هاي انتخاب نمونه بهينه سازي پورتفو هيستوگرام کرنل نزديک ترين همسايه همبستگي لگاريتم بهينه BH:CH+UL BK:CK+UL BNN : CN+UL CORN:CC+UL نيمه لگاريتم بهينه - BS : CK+US - - مارکويتز - BM : CK+UM - - - - BGV : CK+UR - GV ٣- روش شناسي پژوهش تفاوت عمده اي که پژوهش پيش رو با مطالعات گذشته دارد اين است که در گام انتخاب نمونه از خوشه بندي طيفي استفاده شده است .