بهینه‌سازی پرتفوی سهام در بورس اوراق بهادار تهران (کاربرد رهیافت یادگیری تقویتی)

هدف این مقاله کاربرد معاملات الگوریتمی با تمرکز بر رویکرد یادگیری تقویتی برای بهینه‌سازی پرتفوی سهام‌های منتخب است. این پژوهش از حیث هدف،‌ کاربردی و از نظر نوع داده، کمّی و از لحاظ روش، توصیفی - اکتشافی و از منظر طرح تحقیق، پس‌رویدادی است. جامعه آماری این پژوهش، 672 شرکت بورسی است که از این تعداد، داده‌های پنج شرکت (نمونه آماری) طی دوره زمانی 1396-1400 بررسی شده است. یافته‌های تحقیق در دوره‌های صعودی و نزولی بازار نشان داد که رویکرد یادگیری تقویتی در بازارهای صعودی و نزولی به صورت معناداری بر رویکرد خرید و نگهداری برتری دارد و عملکرد بهتری ارائه داده است و نتایج با عملکرد الگوریتم‌ها در بازارهای بورس سازگار است. نتایج آشکار کرد که از دیدگاه سودآوری، رویکرد یادگیری تقویتی نسبت به رهیافت خرید و نگه‌داری، عملکرد بهتر و موثرتری داشته است؛ بنابراین، به‌کارگیری روش یادگیری تقویتی پیشنهاد می‌شود.

investigating the relationship between oil price and iran’s stock market index with an emphasis on political uncertainty and the corona pandemic: using wavelet transform approach

the concepts of portfolio optimization and diversification have become a tool for developing and understanding financial markets and financial decision making. the purpose of this paper is to use algorithmic trading with a focus on reinforcement learning approach in order to optimize the portfolio of selected stocks. this research is applied in terms of purpose and in terms of data type, quantitative and in terms of method, descriptive and exploratory and from the perspective of research plan, it is a post-event. the statistical population of this study was 672 stock exchange companies in march 1400, of which five companies (statistical sample) were selected. the sampling method was selected by one-step cluster and then purposeful selection of a share from inside each cluster and the study period was from 2017 to 2021. the findings of the research in the upward and downward periods of the market have shown that the reinforcement learning approach in bullish and bearish markets is significantly superior to the buy and maintain approach and has provided better performance, and the results are in line with the performance of algorithms in the stock markets.