ارائه الگوریتم قاعده محور برای شناسایی رژیم ها در بازارهای افتان وخیزان (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پژوهش حاضر ضمن توسعه ادبیات مالی مرتبط با شناسایی رژیم های بازارها مالی، شیوه قاعده محور جدیدی را برای انتخاب نقاط تغییر در چرخه های کسب وکار پیشنهاد می کند که در آن ذهنیت گرایی را در فرآیند طبقه بندی رژیم های بازار حذف می کند. الگوریتم پیشنهادشده از یک رویکرد اکتشافی برخوردار بوده و هیچ شرطی برای تعیین دوره رژیم ها یا دامنه بازدهی آن ها اعمال نمی شود. همچنین برای مقایسه بین الگوریتم پیشنهادی و الگوریتم های پاگان، لیونه از آزمون بوت استرپ وایت در دارایی های مختلف شامل شاخص بورس اوراق بهادار تهران، فلزات مس و طلا و کالای نفت از نسبت شارپ به عنوان اندازه گیری عملکرد در داده های برون نمونه ای استفاده شده است. نتایج حاصل نشان می دهد الگوریتم پیشنهادی در شناسایی رژیم های برون نمونه ای به خصوص در سری های زمانی که متفاوت از داده های شاخص بازار سرمایه باشد، عملکردی بهتر یا مساوی با سایر روش های شناسایی دارد. نتایج به دست آمده توفیق الگوریتم پیشنهادی را نسبت به سایر الگوریتم ها نشان می دهد. ساختار صرفه جو الگوریتم پیشنهادی با ارائه روشی مشخص از نوسان های بالقوه ای که در بهینه سازی پارامتر ایجاد می شود اجتناب کرده و در شناسایی رژیم های متفاوت در مجموعه های گوناگونی ازسری های زمانی بدون تغییر در پارامترها مفید و کاربردی است.Designing a Rule-Based Algorithm to Identify Bull and Bear Markets Regimes
To develop the financial literature related to the identification of financial market regimes, the present research proposes a new rule-based method for selecting turning points in business cycles, which eliminates subjectivity in the process of classifying market regimes. The proposed algorithm has a heuristic approach. No conditions are imposed to determine the duration of the regimes or the amplitude of their returns. Also, for the comparison between the proposed algorithm and the algorithms of Pagan, Lunde, White's bootstrap test has been used in various assets, including the Tehran Stock Exchange index, copper and gold metals, and oil commodities, and the Sharpe ratio has been used as a performance measure in out-of-sample data. The results show that the proposed algorithm has better or equal performance with other identification methods in identifying out-of-sample regimes, especially in time series that are different from capital market index data. The obtained results show the success of the proposed algorithm compared to other algorithms. The straightforward structure of the proposed algorithm avoids the potential fluctuations that occur in parameter optimization by providing a specific method and is useful and practical in identifying different regimes in various sets of time series without changing the parameters.