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

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 و 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 و 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.

معاملات الگوریتمی, معاملات با فراوانی زیاد, مدیریت پویای سبد سهام, داده‎های درون‎روزی, یادگیری تقویتی