طراحی مدل برای آربیتراژ آماری سهام با استفاده از شبکه های عصبی عمیق، جنگل های تصادفی و درخت های با شیب تقویت شده

آربیتراژ آماری، استراتژی رایج سرمایه گذاری در بازارهای ناکاراست که نسبت به بازار خنثی بوده و بدون نیاز به سرمایه اولیه از هر دو جهت بازار کسب سود می کند. این تحقیق برآن است تا ضمن طراحی مدل های مناسب برای آربیتراژ آماری سهام با استفاده از الگوریتم شبکه های عصبی عمیق، جنگل های تصادفی، درخت با شیب تقویت شده و ترکیب ساده این مدل ها، به تحلیل و بررسی بازده و ریسک مدل های طراحی شده بپردازد. بدین منظور از اطلاعات همه شرکت های عضو بورس اوراق بهادار تهران از ۱۳۸۵ تا ۱۳۹۶ برای ایجاد سیگنال های معاملاتی استفاده شده است. طراحی مدل های تحقیق و کدنویسی های مربوطه و همچنین آزمون فرضیات تحقیق که با t-test مورد تحلیل قرار گرفته در نرم افزار R انجام شده است. یافته های تحقیق نشان دهنده آن است که بیشترین مقدار بازده ۲۴/۴ درصد در هر روز برای k=۵ است (بدون هزینه معاملات) که متعلق به مدل ترکیبی ساده (ENS) است. همچنین کمترین میزان ارزش در معرض ریسک (۴۵/۴%-) و کمترین مقدار ریزش مورد انتظار(۵۷/۵%-) برای k=۲۰ متعلق به مدل شبکه عصبی عمیق(DNN) و بالاترین مقدار نسبت بازده به انحراف معیار ۰۷۲/۱ است که متعلق به مدل RAF به ازاءk=۲۰ می باشد. علاوه برآن نتایج تحقیق نشان می دهند بازده های اخیر سهم قدرت پیش بینی کنندگی بالاتری در مقایسه با بازده های قبل تر دارند.

Keywords:

آربیتراژ آماری , یادگیری عمیق , جنگل های تصادفی , درخت های با شیب تقویت شده , یادگیری ترکیبی