آزمون عملکرد الگوریتم جنگل های تصادفی و الگوریتم شبکه عصبی عمیق در استراتژی آربیتراژ آماری
محورهای موضوعی : مهندسی مالی
علیرضا فضل زاده
1
,
جعفر حقیقت
2
,
فرانک پورکیوان
3
,
وحید احمدیان
4
1 - گروه مدیریت و بازرگانی، دانشگاه تبریز، تبریز، ایران
2 - گروه مدیریت و بازرگانی، دانشگاه تبریز، تبریز، ایران
3 - گروه مدیریت و بازرگانی، دانشگاه تبریز، تبریز، ایران
4 - گروه حسابداری، دانشگاه تربیت مدرس، تهران، ایران
کلید واژه: آربیتراژ آماری, جنگل های تصادفی, شبکه عصبی عمیق,
چکیده مقاله :
در این تحقیق به آنالیز اثر بخشی الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری پرداخته شده است، همچنین برای سنجش عملکرد الگوریتم جنگل های تصادفی در زمینه آربیتراژ آماری نسبت به دیگر مدل های ارائه شده در پژوهش های پیشین، مقایسه نتایج بدست آمده از کاربرد این الگوریتم با الگوریتم شبکه های عصبی عمیق انجام شده است. مدل های مورد نظر با اطلاعات مربوط به قیمت سهام آموزش داده شده و خروجی بدست آمده از این تکنیک، سهام را بر اساس موقعیت خرید و فروش طبقه بندی کرده است. با استفاده از این استراتژی موقعیت های سودآوری در بازار سهام برای کسب سود شناسایی می شود. نتایج نشان داد مدل جنگل های تصادفی دارای خطای طبقه بندی کمتری نسبت به مدل شبکه عصبی عمیق می باشد، بنابراین مدل جنگل های تصادفی روش مناسب تری برای استفاده در استراتژی آربیتراژ آماری و کسب سود می باشد.
In this research, the statistical analysis of random forest effects has been done. Also, to evaluate the performance of the random forest algorithm in the field of statistical arbitrage compared to other models presented in the previous research, the comparison of the results from the application of this algorithm with deep neural network algorithm has been done. The models are taught with stock price information and the output from this technique categorizes stocks according to the position of buying and selling. Using this strategy, profitable positions are identified in market shares for profit. The results showed that the model of random forest with less error classification than deep neural network model. Using this strategy, profitable positions are identified in market shares for profit. The results showed that the model of random forest with less error classification than deep neural network model.
_||_
