طراحي مدل براي آربيتراژ آماري سهام با استفاده از شبكه‌هاي عصبي عميق، جنگل‌هاي تصادفي و درخت‌‌هاي با شيب تقويت‌شده

آربيتراژ آماري، استراتژي‌ رايج سرمايه‌گذاري در بازارهاي ناكاراست كه نسبت به بازار خنثي بوده و بدون نياز به سرمايه اوليه از هر دو جهت بازار كسب سود مي‌كند. اين تحقيق برآن است تا ضمن طراحي مدل‌هاي مناسب براي آربيتراژ آماري سهام با استفاده از الگوريتم شبكه‌هاي عصبي عميق، جنگل‌هاي تصادفي، درخت با شيب تقويت شده و تركيب ساده اين مدل‌ها، به تحليل و بررسي بازده و ريسك مدل‌هاي طراحي شده بپردازد. بدين منظور از اطلاعات همه شركت‌هاي عضو بورس اوراق بهادار تهران از 1385 تا 1396 براي ايجاد سيگنال‌هاي معاملاتي استفاده شده است. طراحي مدل‌هاي تحقيق و كدنويسي‌هاي مربوطه و همچنين آزمون فرضيات تحقيق كه با t-test مورد تحليل قرار گرفته‌ در نرم‌افزار R انجام شده است. يافته‌هاي تحقيق نشان‌دهنده آن است كه بيشترين مقدار بازده 4.24 درصد در هر روز براي k=5 است (بدون هزينه معاملات) كه متعلق به مدل تركيبي ساده (ENS) است. همچنين كمترين ميزان ارزش در معرض ريسك (4.45%) و كمترين مقدار ريزش مورد انتظار(5.57%) براي k=20 متعلق به مدل شبكه عصبي عميق(DNN) و بالاترين مقدار نسبت بازده به انحراف معيار 1.072 است كه متعلق به مدل RAF به ازاءk=20 مي‌باشد. علاوه برآن نتايج تحقيق نشان مي‌دهند بازده‌هاي اخير سهم قدرت پيش‌بيني‌كنندگي بالاتري در مقايسه با بازده‌هاي قبل‌تر دارند.