این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات مالی، جلد ۲۰، شماره ۱، صفحات ۱-۱۶
عنوان فارسی ارائه مدل معاملاتی با فراوانی زیاد، همراه با مدیریت پویای سبد سهام به روش یادگیری تقویتی در بورس اوراق بهادار تهران
چکیده فارسی مقاله هدف: شکاف بین زمان دریافت سیگنال خرید/ فروش و آغاز روند تغییر قیمت در بازارهای نوظهور، بستر مناسبی برای پیاده‎سازی سیستم‎های معاملات الگوریتمی ایجاد می‎کند. ارائه یک سیستم معاملاتی با تکرار زیاد، مزایا (استفاده از نوسان‎های درون‎روزی) و معایبی (هزینه زیاد معاملاتی) دارد که با طراحی درست آن و اصلاح مقررات معامله، می‎توان مزایای آن را افزایش داد و معایبش را کنترل کرد. روش: در این پژوهش، به ارائه رویکرد استفاده از خودمعامله‎گرها برای پیش‎بینی روند آتی سهم و بهره‎گیری از روش یادگیری تقویتی به‌ منظور مدیریت پویای سبد سهام پرداخته شده و دو مدل بر همین پایه ارائه شده‎ است. مدل نخست با بهره‎ بردن از پیشنهاد‌ خودمعامله‎گرها، به معامله با مقدار ثابت اقدام می‎کند. مدل دوم که به ‌نوعی بسط داده‌ شده مدل نخست است، به کمک روش یادگیری تقویتی، به مدیریت پویای سبد سهام می‎پردازد. یافته‎ها: نتایج نشان می‎دهد عملکرد هر دو مدل در بازارهای نزولی و نرمال، بهتر از استراتژی خرید ـ و ـ نگهداری است. همچنین بر اساس نتایج، در تمام بازارها مدل دوم در مقایسه با مدل نخست، عملکرد بهتری دارد. نتیجه‎گیری: به ‎طور کلی در بازار صعودی بهترین استراتژی، خرید ـ و ـ نگهداری دارایی است، در نتیجه نمی‎توان از الگوریتم‎های پیشنهادی عملکردی بهتر از این استراتژی انتظار داشت. از سویی دیگر می‎توان گفت روش شبکه ‎عصبی برای پیش‎بینی روند آتی سهم با رویکرد ارائه شده در این پژوهش، عملکرد بسیار مناسبی در بازارهای نزولی و نرمال داشته است. همچنین پیاده‎سازی روش یادگیری تقویتی به منظور مدیریت پویای سبد سهام توانسته عملکرد مدل را بسیار بهبود بخشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Developing a High-Frequency Trading system with Dynamic Portfolio Management using Reinforcement Learning in Iran Stock Market
چکیده انگلیسی مقاله Objective: Presence of the considerable gap between the time of receiving the buy/sell signals and the beginning of the price change trend provides an appropriate situation for implementation of algorithmic trading systems. Tehran stock exchange is one of these markets. A high-frequency trading system has some advantages (exploiting intraday stock market volatility) and disadvantages (high amounts of transaction cost due to the high transaction volume), thus we can augment the advantages and control the disadvantages by designing the system elaborately and modifying the trading regulations. Methods: In this research, the "Local Traders" approach has been utilized to predict the future trend of stock and Reinforcement Learning has been used for dynamic portfolio management. According to the "Local Traders" approach, there is a local trader (an agent) for each stock that is expert at it. It predicts the future trend of its own stock based on stock's intraday data and their technical indicators by determining how beneficial it is to buy, sell or hold. In this research, 2 models will be proposed based on Local Traders. Based on the first one, trades with fixed lot size were sought by exploiting the local traders' recommendations. In the second model which is an extension of first model, one can dynamically manages the portfolio using reinforcement learning and local traders' recommendations. Results:Results showed that, the proposed models outperformed the Buy and Hold strategy in Normal and Descending markets. Furthermore, in all kinds of markets, the second model outperformed the first one. Conclusion: Generally, the Buy and Hold strategy works the best in an Ascending market, hence the proposed algorithms are not expected to outperform this strategy. However, the performance of the proposed approach along with Neural Network method to anticipate the future trend of stocks was considerable in Normal and Descending markets. In addition, the implementation of Reinforcement Learning model to dynamically manage the portfolio has improved the results.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد علی رستگار |
استادیار گروه مهندسی مالی، دانشکده مهندسی صنایع دانشگاه تربیت مدرس، تهران، ایران

محسن دستپاک |
کارشناس ارشد مهندسی مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران

نشانی اینترنتی https://jfr.ut.ac.ir/article_67351_41eeef47f0b95ff625619b273813882c.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/705/article-705-828107.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات