توسعه مدل ردیاب شاخص سهام و بکارگیری آن از طریق رویکرد یادگیری عمیق

مدل ردیابی شاخص تلاش می کند سبدی از سهام ارائه دهد که بازده ای نزدیک به عملکرد شاخص مربوطه (در مسئله ردیابی شاخص) و یا بهتر از آن (در مسئله ردیابی شاخص بهبود یافته) کسب نماید و در عین حال، در مقایسه با آن شاخص، تعداد کمتری دارایی در خود داشته باشد. در این پژوهش ، مدلی از نوع ردیاب شاخص بهبود یافته پیشنهاد و روشی ابتکاری برای حل آن ارائه می شود. در مدل موردنظر، تابع هدف به صورت یک نسبت از انحراف نامطلوب و بازده مازاد فرمول بندی و در ادامه محدودیت های موردنظر برای ان تعریف می شود. ایده اصلی در روش حل این است که ابتدا با استفاده از ابزار یادگیری عمیق، بهترین زیر مجموعه از سهام موجود در شاخص برای قرار گرفتن در سبد ردیاب انتخاب شوند و درادامه با حل این مسئله در ابعاد کوچک ترین وزن سهام در سبد ردیاب مشخص شود. برای شناسایی سهام از یک شبکه عصبی آتونکودر استفاده می شود. که قادر است سهامی را که تغییرات مشابه شاخص دارند شناسایی کند. سپس با حل مسئله بهینه سازی پیشنهادی تلاش می شود وزن سهام انتخاب شده در سبد به گونه ای تعیین شود که تا حد ممکن بازده ای بهتر ازشاخص به دست آید. نتایج پیاده سازی مدل بر روی داده های سهام بازار نزدیک در یک دوره ۴۰ ماهه نشان دهنده کارایی آن در انتخاب سبد بهینه برای کسب بازده مناسب در مقایسه با شاخص است.

کلیدواژه ها:

ردیاب شاخص بهبود یافته ، یادگیری عمیق ، آتوانکودر