انتخاب آنلاين سبد سرمايه گذاري به روش تطابق با الگوي طيفي

Online Portfolio Selection Using Spectral Pattern Matching

با توجه به افزايش حجم و سرعت معاملات در بازارهاي مالي امروز، افزايش سرعت در تحليل‌ها و تصميم‌گيري‌ها اجتناب ناپذير است. انجام تحليل‌هاي سريع و عاري از خطاهاي رفتاري توسط انسان غير ممكن است. از اين رو بازارهاي مالي به سمت داد و ستدهاي الگوريتمي در حركت هستند كه در آنها از تكنيكهايي از قبيل يادگيري ماشيني و داده‌كاوي استفاده مي‌شود. انتخاب آنلاين سبد سرمايه‌گذاري يكي از تكنيك‌هاي نوين در داد و ستد الگوريتمي است به اين صورت كه سرمايه را به تعداد مشخصي سهم تخصيص داده و در ابتداي هر دوره با استفاده از تكنيك‌هايي پرتفو را به روز رساني مي‌كند. در واقع در اين تكنيك‌ها انسان در انتخاب پرتفو دخالتي نداشته و الگوريتم نحوه‌ي سرمايه‌گذاري را در هر دوره مشخص مي‌كند. در اين مقاله الگوريتمي توسعه داده شده است كه از اصل تطابق با الگو در انتخاب آنلاين سبد سرمايه‌گذاري پيروي مي‌كند. در اين اصل، پرتفو بر اساس الگوهاي تاريخي مشابه انتخاب مي‌شود كه در اين مقاله براي يافتن الگوهاي تاريخي مشابه از روش خوشه‌بندي طيفي در داده كاوي استفاده شده است. در اين خصوص يك مثال عددي با استفاده از 20 سهم فعال‌تر در بورس نيويورك ارائه شده و نتايج آن با الگوريتم‌هاي ديگر در اين حوزه مقايسه شده است.

Nowadays, due to the rise of turnover and pace of trading in financial markets, accelerating of analysis and making decision is unavoidable. Humans are unable to analyze big data quickly without behavioral biases. Hence, financial markets tend to apply algorithmic trading in which some techniques like data mining and machine learning are notable. Online Portfolio Selection (OLPS) is one of the most modern techniques in algorithmic trading. OLPS allocates capital to a number of stocks and updates portfolio at the beginning of each period by some techniques. Actually, individual has no role in portfolio selection and the algorithm determines the way of investing in each period. In this article, an algorithm which follows pattern matching principle has been introduced. In pattern matching principle, the portfolio is selected based on identical historical patterns and in this article these patterns are found by spectral clustering in data mining. At the end of article, there is a numerical example which uses the most 20 active stocks in New York Stock Exchange (NYSE) data and its results has been compared with other algorithms in this topic.