داده های درون روزی

هدف: پس از بحران مالی سال 2008، فعالان و پژوهشگران علوم مالی به اندازه گیری و مدل سازی ریسک بیش از پیش توجه نشان داده اند. از جمله سنجه هایی که برای اندازه گیری ریسک به آنها توجه شده، ریزش مورد انتظار است. هدف از این پژوهش ارائه مدلی جدید به منظور برآورد ریزش مورد انتظار است. مدل ارائه شده، مدلی ترکیبی با استفاده از نظریه ارزش فرین است که از داده های درون روزی نیز بهره می جوید. روش: روش استفاده شده در این پژوهش دارای دو گام است. گام نخست به برازش مدل معرفی شده و مدل های جایگزین با استفاده از داده های بورس تهران می پردازد و در گام دوم مدل های برازش شده پس آزمایی می شوند. یافته ها: یافته های حاصل از پژوهش نشان می دهند که مدل فراتر از آستانه شرطی مولتی فرکتال که از داده های درون روزی بهره می جوید، در مقایسه با مدل های جایگزین نظیر فراتر از آستانه شرطی گارچ در برآورد ریسک بازار عملکرد بهتری داشته است. نتیجه گیری: با توجه به یافته های این پژوهش می توان نتیجه گرفت که استفاده از نظریه ارزش فرین و داده های درون روزی موجب بهبود برآورد ریسک بازار شده است.  

هدف: شکاف بین زمان دریافت سیگنال خرید/ فروش و آغاز روند تغییر قیمت در بازارهای نوظهور، بستر مناسبی برای پیاده سازی سیستم های معاملات الگوریتمی ایجاد می کند. ارائه یک سیستم معاملاتی با تکرار زیاد، مزایا (استفاده از نوسان های درون روزی) و معایبی (هزینه زیاد معاملاتی) دارد که با طراحی درست آن و اصلاح مقررات معامله، می توان مزایای آن را افزایش داد و معایبش را کنترل کرد.روش: در این پژوهش، به ارائه رویکرد استفاده از خودمعامله گرها برای پیش بینی روند آتی سهم و بهره گیری از روش یادگیری تقویتی به منظور مدیریت پویای سبد سهام پرداخته شده و دو مدل بر همین پایه ارائه شده است. مدل نخست با بهره بردن از پیشنهاد خودمعامله گرها، به معامله با مقدار ثابت اقدام می کند. مدل دوم که به نوعی بسط داده شده مدل نخست است، به کمک روش یادگیری تقویتی، به مدیریت پویای سبد سهام می پردازد.یافته ها: نتایج نشان می دهد عملکرد هر دو مدل در بازارهای نزولی و نرمال، بهتر از استراتژی خرید و نگهداری است. همچنین بر اساس نتایج، در تمام بازارها مدل دوم در مقایسه با مدل نخست، عملکرد بهتری دارد.نتیجه گیری: به طور کلی در بازار صعودی بهترین استراتژی، خرید و نگهداری دارایی است، در نتیجه نمی توان از الگوریتم های پیشنهادی عملکردی بهتر از این استراتژی انتظار داشت. از سویی دیگر می توان گفت روش شبکه عصبی برای پیش بینی روند آتی سهم با رویکرد ارائه شده در این پژوهش، عملکرد بسیار مناسبی در بازارهای نزولی و نرمال داشته است. همچنین پیاده سازی روش یادگیری تقویتی به منظور مدیریت پویای سبد سهام توانسته عملکرد مدل را بسیار بهبود بخشد.