ارايه رويكردي جديد براي مديريت فعال پرتفوي وانجام معاملات هوشمند سهام با تاكيد بر نگرش انتخاب ويژگي

A novel approach to fulfill active portfolio management and automatic stock trading based on feature selection algorithm

دراين تحقيق سعي گرديده است تا در جهت اجراي نگرش مديريت فعال پرتفوي، روشي براي انجام معاملات هوشمند براساس قيمت پيش بيني شده سهام در يك بازه زماني چهار ساله مشخص ارايه گردد. ابتدا با استفاده از روش ماركويتز وزن هاي هريك از شش سهم پرتفوي شش سهمي ساخته شده در هريك از سال هاي بازه زماني چهار ساله را بدست مي آوريم. سپس با استفاده از بيست ودو نماگر تكنيكي (ويژگي هاي هر سهم) كه به عنوان ورودي هاي الگوريتم ژنتيك به عنوان يك روش انتخاب ويژگي در نظر گرفته شده است،استفاده كرده و با استفاده از دو روش پيش بيني مجاورت نزديكترين همسايه و شبكه عصبي اقدام به پيش بيني قيمت هر سهم مي نماييم. با توجه به قيمت پيش بيني شده براي هرسهم مطابق با روش هاي پيش بيني شبكه عصبي مبتني بر الگوريتم ژنتيك و روش مجاورت در نزديكترين همسايه بر پايه الگوريتم ژنتيك و استراتژي معاملاتي تعريف شده، معاملات هوشمند سهام صورت مي پذيرد. استراتژي معاملاتي تعريف شده بر اساس قيمت هاي پيش بيني شده داراي سيگنال هاي خروجي (1و0و1-) بوده كه به معناي خريد سهم، فروش سهم و يا انجام هيچ گونه عملي تفسير مي گردند. بازده حاصل از پرتفوهاي روش هاي شبكه عصبي مبتني بر الگوريتم ژنتيك و روش مجاورت در نزديكترين همسايه بر پايه الگوريتم ژنتيك و پرتفوي خريد و نگه داري به عنوان نماينده رويكرد مدريت غير فعال پرتفوي در هر يك از چهار سال محاسبه گرديد. پرتفوي حاصل از روش شبكه عصبي مبتني بر الگوريتم ژنتيك داراي بالاترين بازده در دوره چهار ساله را دارا بوده كه اين خود نشان از برتري رويكرد مديريت فعال پرتفوي نسبت به رويكرد مديريت غير فعال پرتفوي مي باشد.

This paper intends to present an integrated method to fulfill active portfolio management approach that is based on predicted prices of each six- chosen stock in a four-year time period. First of all Markowitz model is implemented to achieve weight of each stock in each year of four year period. Then, twenty two technical indicators as the features of each stock were are regarded as the input data of genetic algorithm (GA) known as a feature selection technique. Two well-performed forecasting methods called k-nearest neighborhood (kNN) and artificial neural network (ANN) are integrated with GA to extract predicted prices of each stock in defined time period. According to predicted price resulted by GA-NN and GA-kNN, a trading strategy is proposed that has an input signal (???????) which imply to buy, sell and do nothing respectively. Returns of created portfolios were compared with the return of buy and hold strategy as the representative of passive portfolio management approach. The portfolio resulted by GA-NN outperformed two other portfolios for our given data. This conclusion emphasizes on superiority of employing active portfolio management to passive portfolio management in terms of tackling fund management issue for our given data.