سبد بهینه نوسان گیری روزانه بر پایه پیش‌بینی بازه‌ای مقدار با رهیافت شبکه‌های عصبی

در پژوهش حاضر به کمک شبکه‌های عصبی، پیش‌بینی بازه‌ای مقدار مربوط به کمترین و بیشترین قیمت روزانه صورت می‌گیرد و سپس بر اساس آن یک سیستم معاملاتی نوسان‌گیری روزانه شامل خرید و فروش در مقادیر پیش‌بینی شده شکل می‌گیرد. برای کاستن از ریسک سیستم معاملاتی و افزایش تعداد موقعیت‌های معاملاتی، سبد بهینه نوسان‌گیری روزانه در چهارچوب میانگین-واریانس توسعه می‌یابد. سبد نمونه‌ای پژوهش شامل پنج سهم از بورس اوراق بهادار تهران در یک دوره 190 روزه با احتساب هزینه‌های معاملاتی خرید و فروش نشان می‌دهد که میانگین بازده روزانه سبد نوسان‌گیری پژوهش 0/0028 و نسبت شارپ آن 0/6379 می‌باشد که از نسبت شارپ سیستم نوسان‌گیری روزانه انفرادی دارایی‌های سبد، بهتر است. میانگین روزانه سبد هم‌وزن در دوره پژوهش 0/0014 و نسبت شارپ آن 0/0749 می‌باشد که نشان می‌دهد که سیستم معاملاتی عملکردی به مراتب بهتر از سیستم خرید و نگهداری در سبد هم‌وزن روزانه دارد.

optimal daily scalping trading portfolio based on interval-valued prediction with ann approach

tin the present study, using the method of neural networks, the interval related to the lowest and highest daily prices is predicted and, then based on it, a daily scalping trading system is formed, including buying and selling in the forecasted amounts. to reduce the risk of the trading system and increase the number of trading positions, the optimal daily scalping trading portfolio is developed in the mean-variance framework. the sample portfolio includes five shares of the tehran stock exchange in 190-day period, taking into account trading costs, shows that the average daily return is 0.0028and the sharpe ratio is 0.6379, which is better than the sharpe ratio of individual daily scalping trading of portfolio assets. the daily average of the total index in the research period is 0.0014and the sharp ratio is0.0749, which shows that the trading system has a much better performance than the buy-hold strategy in equal-weighted portfolio.