انتخاب برخط سبد سرمایه‌گذاری به‌کمک الگوریتم‌های تبعیت از بازنده

هدف: امروزه در بازارهای مالی، حجم و سرعت معاملات افزایش چشمگیری یافته است و با تحلیل‌های سنتی، به‌سختی می‌توان هم‌گام با تغییرات بازار پیش رفت. در کنار کارایی روش‌های سنتی، سرعت کم این رویکردها را می‌توان مهم‌ترین کاستی آنها دانست؛ چرا که نمی‌توانند سرعت در معامله را برآورده کنند. برای رفع این کاستی، تکنیک‌های دادوستد الگوریتمی ارائه شده‌اند که در این میان، انتخاب برخط سبد سرمایه‌گذاری، بسیار با اهمیت است. هدف این پژوهش، ارائه الگوریتمی برای انتخاب سبد سرمایه‌گذاری است که به کسب بیشترین بازدهی تعدیل‌شده به ریسک منجر شود و سرعت را در انتخاب سبد سرمایه‌گذاری افزایش دهد. روش: در پژوهش پیش رو، الگوریتمی ارائه شده است که از اصل بازگشت به میانگین چند دوره‌ای که مبنای الگوریتم‌های تبعیت از بازنده است، استفاده می‌کند. در این الگوریتم، خبرگان (خبره‎) مختلف، بردار نسبت قیمتی دوره آتی را پیش‌بینی می‌کنند، سپس، به‌کمک یکی از الگوریتم‌های نظریه پیش‌بینی با نظر خبرگان، وزن‌های تخصیصی به هریک از خبرگان تعیین می‌شود. سپس از یک تکنیک یادگیری برای بهینه‌سازی پرتفو استفاده می‌شود تا پرتفو دوره آتی مشخص شود. یافته‌ها: بر اساس یافته‌ها، الگوریتم‌های ارائه‌شده، در مقایسه با سایر الگوریتم‌های موجود در ادبیات، بر اساس سنجه‌های بازدهی و بازدهی تعدیل‌شده به ریسک عملکرد برتری دارند. نتیجه‌گیری: استفاده از بازگشت به میانگین چند دوره‌ای، بهتر می‌تواند مفهوم بازگشت به میانگین را منعکس کند. علاوه بر این، بهره‌مندی از خبرگان مختلف، دقت پیش‌بینی‌ها را افزایش داده و در نتیجه پرتفوهای بهتری پیشنهاد می‌شود. از سوی دیگر، بهره‌گیری از سیستم وزن‌دهی خبرگان، سبب استوار شدن مدل می‌شود؛ زیرا از وزن خبرگان با پیش‌بینی‌های ضعیف می‌کاهد و در مقابل، به وزن سایر خبرگان می‌افزاید.