توسعه یک رویکرد جدید یادگیری جمعی برای انتخاب پورتفوی سهام با استفاده از ماشین بردار پشتیبان چند کلاسه و الگوریتم ژنتیک

محورهای موضوعی : مهندسی مالی

نسرین باقری مزرعه ¹ (دانشجوی دکتری گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی ، تهران، ایران.)
امیر دانشور ² (استادیار گروه مدیریت فناوری اطلاعات، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران)
مهدی معدنچی زاج ³ (استادیار گروه مدیریت مالی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران.)

تاریخ دریافت : 1400/06/25 تاریخ پذیرش : 1400/07/29 تاریخ انتشار : 1401/01/01

کلید واژه: الگوریتم ژنتیک, بهینه سازی پرتفوی, یادگیری جمعی, یادگیری ماشین,

چکیده مقاله :

امروزه در بازارهای مالی حجم و سرعت معاملات افزایش چشم‌گیری یافته‌است و دچار تغییر و تحولات گسترده‌ای شده‌است. تعیین استراتژی مناسب برای خرید و فروش در بورس اوراق بهادار وقتی با روندهای افزایشی وکاهشی یا نوسانی مواجه هستند بسیار مهم می‌باشد .لذا برای انتخاب یک استراتژی مناسب، استفاده از مدل‌های پیچیده فراابتکاری استفاده می‌شود. در این تحقیق تلاش می-شـود تا با توسعه روش جدید انتخاب و بهینه‌سازی پرتفوی سهام مبتنی بر الگوریتم یادگیری جمعی و ژنتیک به منظور انتخاب بهترین استراتژی معاملاتی برای کسب بازدهی بیشتر و ریسک کمتر استفاده کرد. برای پیش بینی بازده و دریافت سیگنال خرید از ترکیب الگوریتم ماشین بردار پشتیبان شش کلاسه(SVM) و برای بهینه‌سازی قواعد معاملاتی از الگوریتم پویای ژنتیک استفاده شد‌ه‌است. برای بهبود دقت طبقه‌بندی بازده در این تحقیق از روش‌های یادگیری جمعی شامل Bagging، یکی از الگوریتم‌های مبتنی بر Ensemble Learning استفاده شده است .داده‌های مربوط به هر سهم و متغیرهای بنیادی، در یک بازه زمانی روزانه بین سالهای 1390 تا 1399 به عنوان داده‌های آموزش و آزمون استفاده می‌شود. نتایج بدست آمده درمقایسه با روش‌های سنتی نتایج امیدوارکننده‌ای داشته‌است.

چکیده انگلیسی:

The volume and speed of transactions in financial markets has increased significantly and has undergone extensive changes nowadays. Facing with increasing, decreasing or fluctuating trends in the stock market, determining the right trading strategy is very important. Therefore, complex meta-heuristic models are used for choosing a suitable strategy. In this research, an attempt is made to develop a new method of selecting and optimizing the stock portfolio based on the ensemble learning algorithm and genetics in order to select the best trading strategy to achieve greater returns and less risk. A combination of a six-class support vector machine (SVM) algorithm is used to predict returns and receive a buying signal; besides, a dynamic genetic algorithm is used to optimize trading rules. In this study, collective learning methods including Bagging, one of the algorithms based on Ensemble Learning, have been used to improve the accuracy of classification of returns. Data related to each share and fundamental variables in a daily time interval between years 1390 to 1399 is used as training and test data. The obtained results, comparing to traditional methods, are promising.