انتخاب برخط سبد سرمایه گذاری به کمک الگوریتم های تبعیت از بازنده

امروزه در بازارهای مالی، حجم و سرعت معاملات افزایش چشمگیری یافته است و با تحلیل های سنتی، به سختی می توان هم گام با تغییرات بازار پیش رفت. در کنار کارایی روش های سنتی، سرعت کم این رویکردها را می توان مهم ترین کاستی آنها دانست؛ چرا که نمی توانند سرعت در معامله را برآورده کنند. برای رفع این کاستی، تکنیک های دادوستد الگوریتمی ارایه شده اند که در این میان، انتخاب برخط سبد سرمایه گذاری، بسیار با اهمیت است. هدف این پژوهش، ارایه الگوریتمی برای انتخاب سبد سرمایه گذاری است که به کسب بیشترین بازدهی تعدیل شده به ریسک منجر شود و سرعت را در انتخاب سبد سرمایه گذاری افزایش دهد.

در پژوهش پیش رو، الگوریتمی ارایه شده است که از اصل بازگشت به میانگین چند دوره ای که مبنای الگوریتم های تبعیت از بازنده است، استفاده می کند. در این الگوریتم، خبرگان (خبره‎) مختلف، بردار نسبت قیمتی دوره آتی را پیش بینی می کنند، سپس، به کمک یکی از الگوریتم های نظریه پیش بینی با نظر خبرگان، وزن های تخصیصی به هریک از خبرگان تعیین می شود. سپس از یک تکنیک یادگیری برای بهینه سازی پرتفو استفاده می شود تا پرتفو دوره آتی مشخص شود.

بر اساس یافته ها، الگوریتم های ارایه شده، در مقایسه با سایر الگوریتم های موجود در ادبیات، بر اساس سنجه های بازدهی و بازدهی تعدیل شده به ریسک عملکرد برتری دارند.

استفاده از بازگشت به میانگین چند دوره ای، بهتر می تواند مفهوم بازگشت به میانگین را منعکس کند. علاوه بر این، بهره مندی از خبرگان مختلف، دقت پیش بینی ها را افزایش داده و در نتیجه پرتفوهای بهتری پیشنهاد می شود. از سوی دیگر، بهره گیری از سیستم وزن دهی خبرگان، سبب استوار شدن مدل می شود؛ زیرا از وزن خبرگان با پیش بینی های ضعیف می کاهد و در مقابل، به وزن سایر خبرگان می افزاید.