انتخاب برخط سبد سرمايه‌گذاري به‌كمك الگوريتم‌هاي تبعيت از بازنده

هدف: امروزه در بازارهاي مالي، حجم و سرعت معاملات افزايش چشمگيري يافته است و با تحليل‌هاي سنتي، به‌سختي مي‌توان هم‌گام با تغييرات بازار پيش رفت. در كنار كارايي روش‌هاي سنتي، سرعت كم اين رويكردها را مي‌توان مهم‌ترين كاستي آنها دانست؛ چرا كه نمي‌توانند سرعت در معامله را برآورده كنند. براي رفع اين كاستي، تكنيك‌هاي دادوستد الگوريتمي ارائه شده‌اند كه در اين ميان، انتخاب برخط سبد سرمايه‌گذاري، بسيار با اهميت است. هدف اين پژوهش، ارائه الگوريتمي براي انتخاب سبد سرمايه‌گذاري است كه به كسب بيشترين بازدهي تعديل‌شده به ريسك منجر شود و سرعت را در انتخاب سبد سرمايه‌گذاري افزايش دهد. روش: در پژوهش پيش رو، الگوريتمي ارائه شده است كه از اصل بازگشت به ميانگين چند دوره‌اي كه مبناي الگوريتم‌هاي تبعيت از بازنده است، استفاده مي‌كند. در اين الگوريتم، خبرگان (خبره‎) مختلف، بردار نسبت قيمتي دوره آتي را پيش‌بيني مي‌كنند، سپس، به‌كمك يكي از الگوريتم‌هاي نظريه پيش‌بيني با نظر خبرگان، وزن‌هاي تخصيصي به هريك از خبرگان تعيين مي‌شود. سپس از يك تكنيك يادگيري براي بهينه‌سازي پرتفو استفاده مي‌شود تا پرتفو دوره آتي مشخص شود. يافته‌ها: بر اساس يافته‌ها، الگوريتم‌هاي ارائه‌شده، در مقايسه با ساير الگوريتم‌هاي موجود در ادبيات، بر اساس سنجه‌هاي بازدهي و بازدهي تعديل‌شده به ريسك عملكرد برتري دارند. نتيجه‌گيري: استفاده از بازگشت به ميانگين چند دوره‌اي، بهتر مي‌تواند مفهوم بازگشت به ميانگين را منعكس كند. علاوه بر اين، بهره‌مندي از خبرگان مختلف، دقت پيش‌بيني‌ها را افزايش داده و در نتيجه پرتفوهاي بهتري پيشنهاد مي‌شود. از سوي ديگر، بهره‌گيري از سيستم وزن‌دهي خبرگان، سبب استوار شدن مدل مي‌شود؛ زيرا از وزن خبرگان با پيش‌بيني‌هاي ضعيف مي‌كاهد و در مقابل، به وزن ساير خبرگان مي‌افزايد.