یک رویکرد نوین در ترکیب شبکه های مولد متخاصم شرطی و تحلیل بازده صندوق های قابل معامله

در این پژوهش یک رویکرد نوین مبتنی بر شبکه های مولد متخاصم برای پیش بینی و طبقه بندی سری های زمانی مالی ارائه شده است. ساختار مدل پیشنهادی بر پایه معماری شبکه های مولد متخاصم شرطی طراحی گردیده که با افزودن یک تابع زیان، اقتصاد محور تلاش دارد کارایی و عملکرد مدل مولد را بهینه سازد. این تابع زیان طراحی شده مولفه هایی نظیر نسبت شارپ سود و زیان و میانگین مربعات خطا را ترکیب می کند تا جنبه های مالی و آماری داده ها را به طور هم زمان لحاظ کند. مجموعه داده مورد استفاده شامل بازده روزانه خام و مازاد صندوق های قابل معامله بخشی و سهام تشکیل دهنده آنها در بورس اوراق بهادار نیویورک است. مدل آموزش دیده با استفاده از این رویکرد عملکرد بهتری نسبت به مدل های استاندارد سری زمانی مانند میانگین متحرک خود همبسته یکپارچه در طبقه بندی حرکات قیمت و پیش بینی بازده از خود نشان داده است. نتایج عددی نشان می دهند که این روش پیشنهادی نه تنها به بهبود دقت پیش بینی می انجامد بلکه در ایجاد تخمین های قابل اطمینان تر و همسو با مفاهیم مالی نیز موثر است. این پژوهش گامی موثر در مسیر ترکیب نظریه های مالی با ابزارهای یادگیری عمیق به شمار می رود و می تواند در توسعه راهبردی استراتژی های معاملاتی داده محور مورد استفاده قرار گیرد.

کلیدواژه ها:

شبکه های مولد متخاصم ، پیش بینی سری های زمانی ، طبقه بندی ، استراتژی های معاملاتی