سمیرا اسدیان

هدف: جهت استفاده از کاربردهای هوشمندانه مالی در فرآیند طاقت‌فرسای شناسایی اوراق بهادار از نقطه‌نظر ارزش‌گذاری در تصمیم‌گیری معاملات با توجه به ایده قیمت‌گذاری نسبی، داشتن یک استراتژی قوی نسبت به شرایط مختلف بازار سرمایه پیشنهاد می‌شود. علاقه مشارکت‌کنندگان بازار به مدل‌های معاملاتی کمی، منجر به افزایش استفاده از استراتژی‌های آربیتراژ آماری، از جمله معاملات زوجی شد که طی دو مرحله، شناسایی دو ورقه بهادار (یک زوج) و کشف بی‌نظمی در شکاف قیمتی بین آن‌ها (انجام معامله) است. روش‌شناسی پژوهش: از یادگیری ماشینی می‌توان برای تعیین فضای جست‌وجو جهت گروه‌بندی اوراق بهادار مرتبط در خوشه‌ها و شناسایی زوج‌های برتر درون آن‌ها استفاده نمود. از طرفی پس از یافتن شکاف قیمتی زوج‌ها، امکان دارد حتی پس از باز کردن یک موقعیت در بازار، واگرایی وجود داشته باشد و احتمالا سرمایه‌گذار شاهد کاهش ارزش سبدش باشد. در این مورد می‌توان از یک مدل معاملاتی مبتنی بر پیش‌بینی سری‌زمانی استفاده نمود تا ضمن افزایش بازده، تعداد روزهای کاهش ارزش سبد کاهش یابد. یافته‎ها: در خوشه‌بندی با استفاده از مدل OPTICS، شاهد تعداد معاملات کم‌تری (4) در ازای شناسایی درصد بالاتر زوج‌های سودآور (100) همراه با نسبت شارپ بالاتر (10.25) بودیم. با استفاده از یادگیری عمیق و مدل LSTM در ارایه سیگنال‌های معاملاتی، نتایج خاطرنشان می‌سازند این مدل در مقایسه با مدل استاندارد پایه، در بازار سرمایه ایران چندان موفق عمل نکرده است. اصالت/ارزش‌افزوده علمی: تواتر زمانی 5دقیقه‌ای داده‌ها، بازده‌های خالص با احتساب هزینه‌های معاملاتی و استفاده از یادگیری ماشینی برای هر دو مرحله این استراتژی، از موارد نوآورانه این مقاله است.