روش های تصمیم گیری هوشمند چندهدفه مبتنی بر داده های بزرگ

آیا امکان کسب بازده غیرعادی در یک بازار ناکارآمد وجود دارد؟رویکردی مبتنی بر یادگیری ماشین در معاملات سهام

خلاصه

مدیریت ریسک و تصمیم گیری سرمایه گذاری سهام یک موضوع ضروری برای سرمایه گذاران و مدیران صندوق است، به ویژه در زمینه همه گیری COVID-19. اگر بازار کارآمد باشد، جایی که قیمت سهام کاملاً منعکس کننده ریسک بالقوه باشد، مشکل آسان تر می شود. با این وجود، اگر بازار کارآمد نباشد، سرمایه گذاران ممکن است فرصتی برای یافتن یک روش سرمایه گذاری موثر داشته باشند. ویتنام یکی از بازارهای نوظهور است. راندمان هنوز ضعیف استبنابراین، فرصتی برای سرمایه گذاران زیرک وجود خواهد داشت. این مطالعه با هدف آزمایش بازار کارآمد ضعیف و ارائه رویکردی مدرن برای تصمیم گیری سرمایه گذاران است. برای دستیابی به این هدف، این مطالعه از داده های تاریخی سهام در پرتفوی VN-Index و VN30 برای خرید و فروش در یک دوره یک روزه تحت رویکرد پنجره نورد استفاده می کند تا بورس اوراق بهادار شهر هوشی مین (HoSE) را از طریق یک دوره آزمایشی آزمایش کند. تست و انجام معاملات سهام با استفاده از ماشین بردار پشتیبان (SVM) و رگرسیون لجستیک. خرید/فروش سهام توسط نتایج پیش بینی شده (افزایش/کاهش) رگرسیون لجستیک و SVM هدایت می شود. این مطالعه نرخ بازده را متناسب با ریسک ها تنظیم کرده و آن را با سرمایه گذاری های شاخص VN-Index و VN30 برای ارزیابی کارایی سرمایه گذاری مقایسه کرد. نتایج آزمون فرضیه بازار کارآمد ضعیف را رد کرد، که فرصت های زیادی را برای معامله گران کوتاه مدت باز می کند. سهم اصلی این مطالعه ارائه یک استراتژی معاملات سهام برای سرمایه گذاران کوتاه مدت برای به حداکثر رساندن سود معاملاتی است. از آنجایی که رگرسیون لجستیک و SVM روش های معاملاتی موثری را اثبات کرده اند، سرمایه گذاران می توانند از آنها برای دستیابی به بازده غیرعادی استفاده کنند.

1. معرفی

مدیریت ریسک و تصمیم گیری سرمایه گذاری سهام، موضوعات مهمی برای سرمایه گذاران و مدیران صندوق ها، به ویژه در مورد همه گیری COVID-19 است. اگر بازار کارآمد باشد، جایی که قیمت سهام به اندازه کافی یک ریسک احتمالی را نشان می دهد، حل مسئله ساده تر می شود [1، 2]. برخی از سرمایه گذاران اغلب از تحلیل تکنیکال برای انتخاب سهام به عنوان داده های تاریخی (عمدتاً قیمت و حجم معاملات) در کوتاه مدت استفاده می کنند. برخی از ابزارهای تحلیل تکنیکال جهت حرکت قیمت را پیش بینی می کنند و در مورد خرید یا فروش سهام تصمیم می گیرند [3]. Mizrach و Weerts [4] از شاخص های فنی، قیمت و تاریخچه حجم برای پیش بینی بازده سهام آتی استفاده کردند که گاهی اوقات «نمودار» نامیده می شوند زیرا از نمایش های معاملاتی گرافیکی استفاده می کنند. آزوپاردی [5] اصولی را برای مطالعه چگونگی تأثیر احساسات انسانی بر تصمیم گیری مالی به کار برد. SVM و شبکه های عصبی مصنوعی (ANN) ناهنجاری های بازار را در بسیاری از بازارهای مالی در سراسر جهان شناسایی می کنند [6]. با این وجود، فاما [7] فرضیه بازار کارآمد را در قابل اعتماد بودن تحلیل تکنیکال شک می کند. این نظریه کمکی به شکست بازار نخواهد کرد زیرا فرض می کند که قیمت اوراق بهادار به طور کامل تمام اطلاعات موجود را منعکس می کند [8-10]. با این حال، هر بازار تا حدی کارآمد است. به طور خاص، سه نوع بازار کارآمد به ترتیب صعودی وجود دارد: ضعیف، نیمه قوی و قوی. حتی در شکل ضعیف، قیمت سهام به طور کامل داده های تاریخی آن را منعکس می کند.

به همین دلیل ، قیمت امنیتی فقط بر اساس قیمت های گذشته قابل پیش بینی نیست [11]. برخی از شواهد تجربی نشان می دهد که بازارها واقعاً کارآمد نیستند ، این بدان معناست که سرمایه گذاران ممکن است از الگوهای یا مدل های پیش بینی برای دستیابی به نرخ بازده بالاتری استفاده کنند [12 ، 13]. هاوالدار و همکاران.[14] فرضیه بازار کارآمد با شکل ضعیف بازار سهام بورن بورین را برای دوره 2011 تا 2015 آزمایش کرد و نتیجه گرفت که تست خوب و مناسب Kolmogorov-Smiov ، تست اجرا و تست همبستگی را رد می کند. فرضیه بازاریابی. کومار و همکاران.[15] از فرضیه بازار کارآمد با شکل ضعیف هند برای 2012-2017 حمایت کرد اما فرضیه بازار کارآمد بازار را رد کرد. منسی و همکاران.[16] قیمت های بسته شدن روزانه در بورس جهانی و منطقه ای GIPSI در ایالات متحده و پنج بازار سهام GIPSI در اروپا را از اول ژانویه 2009 تا 8 سپتامبر 2017 مورد مطالعه قرار داد. در کوتاه مدتهر چه محدوده زمانی باشد ، بازار سهام یونان ناکارآمدترین بازارها است. در کوتاه مدت و بلند مدت ، پرتغال و ایرلند کمترین مکانهای ناکارآمد را دارند. این یافته ها همچنین نشان می دهد که بازارهای سهام ممکن است برای تنوع ریسک در تخصیص دارایی یا محافظت از ریسک مناسب نباشد. نویسنده همچنین نشان می دهد که این یافته ها عواقب قابل توجهی برای سرمایه گذاران و سیاست گذاران دارد. در واقعیت ، سرمایه گذاران ممکن است از دانش در مورد حافظه بلند مدت و آستانه دیفرانسیل برای پایداری در افق های زمانی استفاده کنند تا از بازار بهتر عمل کنند و بازده غیر طبیعی را تولید کنند.

یک روند اخیر در تئوری مالی رفتاری ، توضیح این است که ناهنجاری ها کاستی های فرضیه بازار کارآمد را تکمیل می کند. Kahneman و Tversky ، یک محقق پیشگام ، خاطرنشان می کنند که سرمایه گذاران به جای عقلانیت برای تصمیم گیری به شدت به احساسات و غرایز تکیه می کنند [17]. تصمیم گیری عاطفی می تواند منجر به اشتباه در هنگام انتخاب سرمایه گذاری غیر منطقی شود. برخی ناهنجاری های مرتبط با نظریه امور مالی رفتاری شامل ناهنجاری های تقویم ، اساسی و فنی است [18]. برخی از آزمایشات اثر آخر هفته ، اثر تعطیلات ، اثر نوبت ماه و اثر ژانویه را نشان می دهد [19]. روسی از ژانویه 2005 تا دسامبر 2015 ناهنجاری های تقویم را در بورس اوراق بهادار میلان مطالعه کرد. آنها دریافتند که بازده ها روز دوشنبه منفی و روز چهارشنبه مثبت است. بنابراین ، سرمایه گذاران باید روز دوشنبه خریداری کنند و چهارشنبه بفروشند. یکی از محدودیت های این مطالعات این است که اثرات ممکن است از بین برود یا حتی معکوس شود [20]. در نتیجه ، ممکن است سرمایه گذاران هنگام استفاده از این روند سرمایه گذاری در معرض خطرات قرار بگیرند.

این مطالعه با هدف آزمایش بازده ضعیف بازار شیلنگ و تعیین اینکه آیا سرمایه گذاران با استفاده از رگرسیون لجستیک و مدل SVM می توانند از بازار بهتر عمل کنند. رویکرد تست Runs شکل ضعیف یک بازار کارآمد را رد می کند. این یافته ها نشان می دهد که مدل های کلاسیک اقتصادسنجی و آماری احتمالاً بازار را شکست می دهند. با این حال ، الگوریتم های یادگیری ماشین به طور مداوم در حال تحول ، جایگزین مناسب برای مدلهای رگرسیون سنتی را ارائه می دهند. برخی از مطالعات در مورد کاربرد SVM در امور مالی نتایج مثبت بسیاری از جمله CAO و TAY را بدست آورده است [21] ، هوانگ و همکاران.[22] ، لو و همکاران.[23] ، محمد [24] ، Azimi-Pour و همکاران.[25] ، و سیریوپولوس و همکاران.[26]پنجره نورد خرید و فروش اوراق بهادار توسط خروجی مدل رگرسیون لجستیک و الگوریتم SVM را هدایت می کند. متغیرهای ورودی شامل نزدیک (قیمت بسته شدن) است. HL (بالاترین منهای پایین ترین قیمت) ؛LO (کمترین قیمت منهای قیمت افتتاح) ؛تنوع (تفاوت در بسته شدن قیمت بین 2 جلسه معاملاتی متوالی). MA7 ، MA14 و MA21 (میانگین قیمت 7 ، 14 و 21 جلسه متوالی). SD7 (انحراف استاندارد از 7 جلسه متوالی) ؛VNC (تفاوت در بسته شدن قیمت VN-Index برای 2 جلسه متوالی). VNIPC (نرخ بازده نمونه کارها VN-Index) ؛و حشرات (روند زمان). این داده ها کلیه سهام موجود در سبد VN30 را از 28 ژانویه 2000 ، تا 30 ژوئیه 2021 پوشش می دهد. در نتیجه ، استراتژی سرمایه گذاری SVM با نرخ بازده بسیار متوسط بازار را شکست داد.

یادگیری ماشین ممکن است بازارهای کارآمد با فرم ضعیف را کشف کرده و روشهای معاملاتی را برای سرمایه گذاران کوتاه مدت توسعه دهد و از این طریق درآمد را به حداکثر برساند. پیش بینی حرکت قیمت سهام با استفاده از الگوریتم ها ، مانند مدل SVM ، دقت بالایی را نشان داده است. پارامترهای مدل یادگیری ماشین با استفاده از تکنیک پنجره نورد به طور دقیق پیش بینی شد. از آنجا که نمایندگی یک نمونه ممکن است در یک دوره خیلی کوتاه یا خیلی طولانی مختل شود ، 365 روز انتخاب خوبی برای یک مجموعه داده های تاریخی است. سرمایه گذاری سهام در بازار ضعیف معمولاً برای سرمایه گذاران کوتاه مدت مشکل است. به ویژه مدل SVM ابزاری ارزشمند برای پیش بینی جهت حرکت قیمت در بازار است. لازم است بازده سرمایه گذاری را اصلاح کنید تا خطرات ذاتی را برای افزایش میزان اعتماد به بررسی عملکرد سرمایه گذاری نشان دهد. از نسبت شارپ برای مدیریت ریسک استفاده می شود ، در حالی که از آزمون t برای ارزیابی روش های تجارت استفاده می شود. با توجه به دقت عالی مدل SVM ، استراتژی معاملاتی که از آن استفاده می کند ، بازده بسیار خوبی را به همراه داشته است.

نمودار زیر جریان این مطالعه را نشان می دهد. در مرحله بعد ، یک بررسی مختصر از ادبیات مربوطه ارائه شده است: فرضیه کارآمد بازار (EMH) ، رگرسیون لجستیک ، دستگاه بردار پشتیبانی (SVM). بخش 3 این مطالعه پایه و اساس مفهومی را برای مقاله ، از جمله تئوری های آزمایش فرضیه بازار کارآمد و تصمیم پیش بینی حرکت قیمت ارائه می دهد. بخش 4 بر داده ها و نتایج تجربی متمرکز است. بخش 5 توضیحات عمیق بیشتری درباره یافته های مطالعه ارائه می دهد. در بخش 6 ، نتیجه گیری از این مطالعه و محدودیت ها و پتانسیل تحقیقات بیشتر خلاصه و توضیح داده می شود.

2. بررسی ادبیات

2. 1فرضیه بازار کارآمد (EMH)

فاما [11] اولین بار EMH را در دهه 1970 پیشنهاد کرد. این مقاله مهم است زیرا راه را برای بسیاری از مطالعات دیگر در مورد دقت نظریه EMH هموار کرد. مفهوم کارایی به جذب سریع اطلاعات به جای منابعی که حداکثر خروجی را تولید می کنند مانند سایر زمینه های اقتصاد اشاره دارد. اطلاعات به عنوان خبری تعریف می شود که می تواند بر قیمت ها تأثیر بگذارد و غیرقابل پیش بینی است. در بازار سرمایه، بازارهای کارا را می توان به طرق مختلف تفسیر کرد. بازاری که در آن قیمت ها همیشه اطلاعات موجود را منعکس می کنند، بازار کارآمد نامیده می شود [11]. در همین حال، مالکیل [27] استدلال کرد که بازار سرمایه زمانی کارآمد است که به طور کامل و صحیح تمام اطلاعات مربوطه را در تعیین قیمت اوراق بهادار منعکس کند. با این حال، به طور کلی، اگر افشای آن اطلاعات برای شرکت کنندگان بر قیمت سهام تأثیری نداشته باشد، بازارها برای انواع خاصی از اطلاعات کارآمد در نظر گرفته می شوند. EMH شامل فرضیه های زیر است:

فرضیه کارایی شکل ضعیف: این درجه از کارایی زمانی وجود دارد که قیمت اوراق بهادار، داده های تاریخی مربوط به قیمت اوراق بهادار، از جمله قیمت سهام و حجم معاملات را منعکس کند. به عبارت دیگر، می توان قیمت سهام فعلی را بر اساس قیمت سهام گذشته پیش بینی کرد. آزمایش فرضیه بازار کارا با شکل ضعیف عمدتاً به این موضوع مربوط می شود که آیا یک وابستگی آماری بین تغییرات قیمت وجود دارد یا خیر. به عبارت دیگر، اگر تغییرات قیمت تصادفی باشد، بازار یک بازار کارآمد ضعیف است. چندین تکنیک آزمایشی که اغلب مورد استفاده قرار می گیرند عبارتند از همبستگی خودکار و Q Ljung-Box [28]، نسبت واریانس، آزمون LM [29]، آزمون CD [30]، آزمون رایت [31]، آزمون اجراها، اثر ژانویه و آزمون ریشه واحد [32].

فرضیه کارآیی نیمه شکل: این درجه از کارآیی زمانی وجود دارد که قیمت امنیت منعکس کننده اطلاعات بازار در دسترس عمومی ، از جمله داده های تاریخی در مورد قیمت های امنیتی و اطلاعات عمومی در بازار ، مانند مواردی که در دفترچه صادرکننده هستند ، باشد. بازار کارآمد با شکل نیمه شکل شامل فرضیه شکل ضعیف است زیرا تمام اطلاعات بازار ، از جمله قیمت سهام ، نرخ بهره و حجم معاملات ، باید با استفاده از فرضیه کارآمد بازار کارآمد مورد تجزیه و تحلیل قرار گیرد. اطلاعات عمومی شامل کلیه داده های غیر بازار ، مانند درآمد و اعلامیه سود سهام ، نسبت P/E ، نسبت D/P ، نسبت P/B ، تقسیم سهام و اطلاعات اقتصاد سیاسی است. مطالعاتی که EMH با شکل نیمه شکل را می توان در این دو دسته طبقه بندی کرد: (i) مطالعاتی که به دنبال پیش بینی نرخ بازده آینده با استفاده از داده های قابل دسترسی عمومی است ، به جز داده های خالص بازار مانند سطح قیمت و حجم معاملات ، در ضعف گنجانده شده استآزمون شکل. این مطالعات ممکن است شامل تجزیه و تحلیل سری زمانی بازده یا توزیع مقطعی بازده سهام های فردی باشد. طرفداران EMH استدلال می کنند که استفاده از اطلاعات در دسترس عموم برای پیش بینی بازده های آینده با استفاده از بازده های گذشته یا پیش بینی توزیع مقطعی آینده بازده (به عنوان مثال ، بالاترین کوارتل ها یا دهکدهای بازده) غیرممکن است [33-36].(ب) مطالعات رویداد بررسی می کند که چگونه سریع قیمت سهام در پاسخ به رویدادهای کلیدی اقتصادی تغییر می کند. یک رویکرد عملی این است که آیا سرمایه گذاری در سهام و کسب نرخ بازده فوق العاده بالا پس از یک رویداد مهم (مانند ادغام سهام ، تقسیم سهام ، داده های اقتصادی مرکزی و اصلی) امکان پذیر است یا خیر. باز هم ، طرفداران EMH انتظار دارند که قیمت سهام به سرعت تنظیم شود تا سرمایه گذاران نتوانند با خرید پس از اعلامیه های عمومی و پرداخت هزینه های منظم معاملات ، بازده بالایی کسب کنند [37-40].

فرضیه بهره وری با فرم قوی: این درجه از کارآیی وجود دارد زیرا تمام اطلاعات در قیمت سهام کاملاً منعکس شده است ، از جمله اطلاعات غیر عمومی مانند اطلاعات داخلی. فرضیه بازار کارآمد با شکل قوی ، هر دو فرضیه کارآمد با شکل ضعیف و نیمه شکل را با هم ترکیب می کند. فرضیه بازار کارآمد با شکل قوی فرض بازارهای کارآمد را گسترش می دهد ، که در آن قیمت ها اطلاعات عمومی را در یک بازار کامل منعکس می کنند و کلیه اطلاعات رایگان و در دسترس است. لازم است بدانید که اطلاعات داخلی یا خودی برای ارزیابی بازارهای کارآمد با فرم قوی ایجاد می شود. شناسایی این زمان سخت است. بازارهای کارآمد با شکل قوی اغلب در کشورهای توسعه یافته مورد بررسی قرار می گیرند. برای بازارهای نوظهور ، بیشتر مطالعات بر روی EMH ضعیف و نیمه شکل متمرکز است. اکتشاف اثربخشی شکل قوی هنوز یک موضوع بحث برانگیز در بین محققان است [41-43].

2. 2رگرسیون لجستیک

رگرسیون لجستیک یک تکنیک آماری است که رابطه بین متغیرهای مستقل و متغیرهای وابسته به دودویی را توصیف می کند (که می تواند برای متغیرهای وابسته به گسسته نیز اعمال شود). از طریق این رابطه ، رگرسیون لجستیک پیش بینی خروجی مجموعه ای از مقادیر ورودی را امکان پذیر می کند. در پیش بینی خروجی با استفاده از رگرسیون لجستیک ، این مطالعه این احتمال را محاسبه می کند که خروجی مقدار 1 را با داده های مشاهده داده شده برای یافتن می گیرد

وادبا فرض توزیع دوتایی متغیر وابسته ، این مطالعه نسبت عجیب و غریب را به شرح زیر می داند: