طراحی مدل برای آربیتراژ آماری سهام با استفاده از شبکه های عصبی عمیق، جنگل های تصادفی و درخت های با شیب تقویت شده

پیام:
چکیده:

آربیتراژ آماری، استراتژی رایج سرمایه گذاری در بازارهای ناکاراست که نسبت به بازار خنثی بوده و بدون نیاز به سرمایه اولیه از هر دو جهت بازار کسب سود می کند. این تحقیق برآن است تا ضمن طراحی مدل های مناسب برای آربیتراژ آماری سهام با استفاده از الگوریتم شبکه های عصبی عمیق، جنگل های تصادفی، درخت با شیب تقویت شده و ترکیب ساده این مدل ها، به تحلیل و بررسی بازده و ریسک مدل های طراحی شده بپردازد. بدین منظور از اطلاعات همه شرکت های عضو بورس اوراق بهادار تهران از 1385 تا 1396 برای ایجاد سیگنال های معاملاتی استفاده شده است. طراحی مدل های تحقیق و کدنویسی های مربوطه و همچنین آزمون فرضیات تحقیق که با t-test مورد تحلیل قرار گرفته در نرم افزار R انجام شده است. یافته های تحقیق نشان دهنده آن است که بیشترین مقدار بازده 24/4 درصد در هر روز برای k=5 است (بدون هزینه معاملات) که متعلق به مدل ترکیبی ساده (ENS) است. همچنین کمترین میزان ارزش در معرض ریسک (45/4%-) و کمترین مقدار ریزش مورد انتظار(5/57%-) برای k=20 متعلق به مدل شبکه عصبی عمیق(DNN) و بالاترین مقدار نسبت بازده به انحراف معیار 1/072 است که متعلق به مدل RAF به ازاءk=20 می باشد. علاوه برآن نتایج تحقیق نشان می دهند بازده های اخیر سهم قدرت پیش بینی کنندگی بالاتری در مقایسه با بازده های قبل تر دارند.

نوع مقاله:
مقاله پژوهشی/اصیل
زبان:
فارسی
صفحات:
23 -45
لینک کوتاه:
magiran.com/p2051527 
روش‌های دسترسی به متن این مطلب
اشتراک شخصی
در سایت عضو شوید و هزینه اشتراک یک‌ساله سایت به مبلغ 300,000ريال را پرداخت کنید. همزمان با برقراری دوره اشتراک بسته دانلود 100 مطلب نیز برای شما فعال خواهد شد!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی همه کاربران به متن مطالب خریداری نمایند!