اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,258 |
| تعداد مقالات | 9,115 |
| تعداد مشاهده مقاله | 8,328,829 |
| تعداد دریافت فایل اصل مقاله | 5,041,723 |
بهینه‌یابی سبد ارزی، مبنایی برای طراحی یک سیستم معاملات الگوریتمی | ||
| پژوهش‌های راهبردی بودجه و مالیه | ||
| دوره 5، شماره 4 - شماره پیاپی 20، دی 1403، صفحه 11-70 اصل مقاله (1.4 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حامد عزیزی گنزق* 1؛ حسین عباسی نژاد2 | ||
| 1دکترا، گروه اقتصاد، دانشکده اقتصاد، دانشگاه مازندران، مازندران، ایران. | ||
| 2استاد، گروه اقتصاد، دانشکده اقتصاد، دانشگاه تهران، تهران، ایران. | ||
| تاریخ دریافت: 08 مرداد 1403، تاریخ بازنگری: 22 شهریور 1403، تاریخ پذیرش: 18 آذر 1403 | ||
| چکیده | ||
| در این مقاله، به بررسی استفاده از روش‌های فرا ابتکاری برای انتخاب سبد بهینه دارایی پرداخته شده است. پس از محاسبه مرز کارای سرمایه‌گذاری، نقطه پرتفوی حداقل ریسک و نقطه با پذیرش ریسک بیشتر که به نسبت شارپی معروف است، ضرایب سبدهای بهینه ارزی به‌دست‌آمده و به عنوان سیگنال به معاملات الگوریتمی ارسال می‌شود. این کار با هدف افزایش بازدهی در بازارهای پرنوسان، مخصوصاً بازار ارز، انجام می‌شود. روش کار شامل چینش پی‌درپی سبدهای بهینه با استفاده از داده‌کاوی و روش‌های فرا ابتکاری برای به دست آوردن بهترین سبد در معرض ریسک در قالب زمانی کوتاه‌مدت است. مقاله از چهار مبحث اساسی بهره می‌برد: الگوهای غیرخطی پیش‌بینی نرخ ارز، محاسبه شدت در معرض ریسک با الگوی EGARCH، احصاء سبد بهینه سرمایه‌گذاری به‌صورت فرا ابتکاری، و طراحی سیستم معاملات الگوریتمی. برای حل مشکل الگوی مارکویتز، از پیش‌بینی آتی بازده لگاریتمی نرخ‌های ارز با الگوی RNN و بهینه‌سازی تصادفی برای محاسبه اوزان هر دارایی استفاده شده است. این اوزان به عنوان سیگنال برای اقدامات خرید، نگهداری و فروش به سیستم معاملات الگوریتمی ارسال می‌شود. ۹ نرخ ارز با حداقل همبستگی و استقلال بیشتر در بازار ارز برای کاهش ریسک سیستماتیک انتخاب شده‌اند. با آزمایش سیستم بر روی ۱۲۳ داده روزانه در بازه زمانی ۱ مارس ۲۰۲۳ تا ۲۲ ژوئن ۲۰۲۳، بازده کل ۲۷ درصدی (تقریباً ماهانه ۴.۵ درصد) برای سیستم معاملات الگوریتمی محقق شد. بیشترین زیان سیستم ۶ درصد و بیشترین سود ۵.۷ درصد بود که کارمزد هرکدام از نرخ‌های ارز نیز در محاسبه درنظر گرفته شده است. | ||
| کلیدواژه‌ها | ||
| ارز؛ بهینه‌یابی‌سبد؛ شبکه‌عصبی‌مصنوعی؛ شدت‌درمعرض‌ریسک؛ معاملات‌الگوریتمی | ||
| عنوان مقاله [English] | ||
| Optimizing the currency portfolio, a basis for designing an algorithmic trading system | ||
| نویسندگان [English] | ||
| Hamed Azizi Ganzagh1؛ hossein abbasinejad2 | ||
| 1Ph.D., Economics, University of Mazandaran, Babolsar, Iran. | ||
| 2Prof., Department of Economics, University of Tehran, Tehran, Iran. | ||
| چکیده [English] | ||
| This article explores meta-heuristic methods for optimizing asset portfolios. It calculates the investment efficiency frontier, identifies the minimum risk portfolio, and computes the Sharpe ratio. Optimal currency baskets serve as signals for algorithmic trading, enhancing investment efficiency, particularly in volatile markets like currencies. The proposed algorithmic trading system is based on optimal currency basket selection.The method involves successive optimization of portfolios, using data mining concepts to determine the Value at Risk (VaR) for short-term portfolios. Key topics include non-linear exchange rate forecasting, VaR calculation via the EGARCH model, meta-heuristic optimization of portfolios, and algorithmic trading system design. To address Markowitz model limitations, future exchange rate predictions using the RNN model are employed. Asset covariance considers exchange rate correlations, scaled by VaR. Random optimization calculates minimum values and asset weights for buying, holding, and selling signals. Selecting 9 out of 28 main currency rates minimizes systematic risk in day trading. Testing the system on 123 daily data points yielded a 27% total return (approximately 4.5% monthly), using only 10% of initial capital and considering transaction costs. The system’s maximum loss was 6%, and the maximum profit was 5.7%. | ||
| کلیدواژه‌ها [English] | ||
| currency, portfolio optimization, artificial neural network, Value at Risk, algorithmic trading | ||
| مراجع | ||
|
Abbasi, E., Samavi, M. E., & Koosha, E. (2020). Performance evaluation of the technical analysis indicators in comparison with the buy and hold strategy in tehran stock exchange indices. Advances in Mathematical Finance and Applications, 5(3), 285–301. [in Persian] Doi: 10.22034/amfa.2020.1893194.1376
Abdi, M., & Najafi, A. (2018). Online Portfolio Selection Using Spectral Pattern Matching. Financial Engineering and Portfolio Management, 9(34), 175-192. [in Persian]
Arad, H., Kaviani, M., & Kaviani, M. (2024). Portfolio formation strategy using modified SVAM, P/CF, and P/S ratios in Tehran Stock Exchange. Strategic Research on Budgeting and Finance. [in Persian]
Azizi Ganzagh, H., & Jafari Samimi, A. (2022). Forecasting inflation in Iran with two approaches of econometrics and artificial neural network; Comparison of NARDL, NARX nonlinear models. Journal of Econometric Modelling, 7(3), 39-68. [in Persian] Doi: 10.22075/jem.2022.26727.1716
Ganzagh, H. A., Samimi, A. J., Elmi, Z. M., & Tehranchian, A. M. (2023). Comparing Inflation Forecasting Models in Iran: New Evidences from ARDL-D-LSTM Model. Iranian Journal of Economic Research, 27(93), 149-176. [in Persian] Doi: 10.22054/ijer.2022.63376.1037
Borodin, A., El-Yaniv, R., & Gogan, V. (2003). Can we learn to beat the best stock. Advances in Neural Information Processing Systems, 16. Doi:10.1613/jair.1336
Chaboud, A. P., Chiquoine, B., Hjalmarsson, E., & Vega, C. (2014). Rise of the machines: Algorithmic trading in the foreign exchange market. The Journal of Finance, 69(5), 2045–2084. Doi: 10.1111/jofi.12186
Cohen, G. (2022). Algorithmic trading and financial forecasting using advanced artificial intelligence methodologies. Mathematics, 10(18), 3302. Doi: 10.3390/math10183302
Cover, T. M. (1991). Universal portfolios. Mathematical Finance, 1(1), 1–29. Doi: 10.1111/j.1467-9965.1991.tb00002.x
Cover, T. M., & Ordentlich, E. (1996). Universal portfolios with side information. IEEE Transactions on Information Theory, 42(2), 348–363. Doi: 10.1109/18.485708
Dempster, M. A. H., & Leemans, V. (2006). An automated FX trading system using adaptive reinforcement learning. Expert Systems with Applications, 30(3), 543–552. Doi: 10.1016/j.eswa.2005.10.012
Estrada, J. (2000). The cost of equity in emerging markets: a downside risk approach. Doi: 10.2139/ssrn.249579
Girardi, G., & Ergün, A. T. (2013). Systemic risk measurement: Multivariate GARCH estimation of CoVaR. Journal of Banking & Finance, 37(8), 3169–3180. Doi: 10.1016/j.jbankfin.2013.02.027
Ghasemiyeh, R., Sinaei, H., & Sahraei, S. (2023). Predicting liquidity in the Tehran Stock Exchange using learning models. Strategic Research on Budgeting and Finance, 4(3), 11-29. [in Persian] Dor: 20.1001.1.27171809.1402.4.3.1.5
Gordon, T. J. (1994). Cross-impact method (Vol. 4). American Council for the United Nations University.
Gouveia, A. N. C. (2020). Machine Learning Applications on Algorithmic Trading in the Foreign Exchange Market. Universidade NOVA de Lisboa (Portugal).
Györfi, L., Udina, F., & Walk, H. (2008). Nonparametric nearest neighbor based empirical portfolio selection strategies. Doi: 10.1524/stnd.2008.0917
Hendershott, T., Jones, C. M., & Menkveld, A. J. (2011). Does algorithmic trading improve liquidity? The Journal of Finance, 66(1), 1–33. Doi: 10.1111/j.1540-6261.2010.01624.x
Hornik, K. (1993). Some new results on neural network approximation. Neural Networks, 6(8), 1069–1072. Doi: 10.1016/S0893-6080(09)80018-X
Jin, B. (2023). A Mean-VaR Based Deep Reinforcement Learning Framework for Practical Algorithmic Trading. IEEE Access, 11, 28920–28933. Doi: 10.1109/ACCESS.2023.3259108
Kim, S. E., & Seo, I. W. (2015). Artificial Neural Network ensemble modeling with conjunctive data clustering for water quality prediction in rivers. Journal of Hydro-Environment Research, 9(3), 325–339. Doi: 10.1016/j.jher.2014.09.006
Lin, T., Horne, B. G., & Giles, C. L. (1998). How embedded memory in recurrent neural network architectures helps learning long-term temporal dependencies. Neural Networks, 11(5), 861–868. Doi: 10.1016/s0893-6080(98)00018-5
Mihatsch, O., & Neuneier, R. (2002). Risk-sensitive reinforcement learning. Machine Learning, 49, 267–290. Doi: 10.48550/arXiv.1311.2097
Adabi firouzjaee B, Mehrara, M., & Mohammadi, S. (2016). Estimation and Evaluation of Tehran Stock Exchange Value at Risk Based on Window Simulation Method. Journal of Economic Modeling Research, 7(23), 35-73. [in Persian] Doi: 10.18869/acadpub.jemr.6.23.35
Mousavi Loletti, S. A., Ghanbari, H., & Mohammadi, O. (2024). Portfolio optimization using the semi-variance model with an emphasis on positive potential (Case study: Tehran Stock Exchange). Strategic Research on Budgeting and Finance, 5(1), 57-78. [in Persian] Doi: 20.1001.1.27171809.1403.5.1.3.0
Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 347–370. Doi: 10.2307/2938260
Neuneier, R. (1997). Enhancing Q-learning for optimal asset allocation. Advances in Neural Information Processing Systems, 10.
Rastegar, M. A., & Dastpak, M. (2018). Developing a High-Frequency Trading system with Dynamic Portfolio Management using Reinforcement Learning in Iran Stock Market. Financial Research Journal, 20(1), 1-16. [in Persian] Doi: 10.22059/jfr.2017.230613.1006415
Tang, S. (2022). Measurement and Management of Interest Rate Risk of Commercial Banks: Based on VaR-GARCH Model of a Case Study of SHIBOR. Scientific and Social Research, 4(1), 89–100. | ||
|
آمار تعداد مشاهده مقاله: 6,239 تعداد دریافت فایل اصل مقاله: 1,319 |
||