بهینه‌یابی سبد ارزی، مبنایی برای طراحی یک سیستم معاملات الگوریتمی

در این مقاله، به بررسی استفاده از روش‌های فرا ابتکاری برای انتخاب سبد بهینه دارایی پرداخته شده است. پس از محاسبه مرز کارای سرمایه‌گذاری، نقطه پرتفوی حداقل ریسک و نقطه با پذیرش ریسک بیشتر که به نسبت شارپی معروف است، ضرایب سبدهای بهینه ارزی به‌دست‌آمده و به عنوان سیگنال به معاملات الگوریتمی ارسال می‌شود. این کار با هدف افزایش بازدهی در بازارهای پرنوسان، مخصوصاً بازار ارز، انجام می‌شود. روش کار شامل چینش پی‌درپی سبدهای بهینه با استفاده از داده‌کاوی و روش‌های فرا ابتکاری برای به دست آوردن بهترین سبد در معرض ریسک در قالب زمانی کوتاه‌مدت است. مقاله از چهار مبحث اساسی بهره می‌برد: الگوهای غیرخطی پیش‌بینی نرخ ارز، محاسبه شدت در معرض ریسک با الگوی egarch، احصاء سبد بهینه سرمایه‌گذاری به‌صورت فرا ابتکاری، و طراحی سیستم معاملات الگوریتمی.برای حل مشکل الگوی مارکویتز، از پیش‌بینی آتی بازده لگاریتمی نرخ‌های ارز با الگوی rnn و بهینه‌سازی تصادفی برای محاسبه اوزان هر دارایی استفاده شده است. این اوزان به عنوان سیگنال برای اقدامات خرید، نگهداری و فروش به سیستم معاملات الگوریتمی ارسال می‌شود. 9 نرخ ارز با حداقل همبستگی و استقلال بیشتر در بازار ارز برای کاهش ریسک سیستماتیک انتخاب شده‌اند. با آزمایش سیستم بر روی 123 داده روزانه در بازه زمانی 1 مارس 2023 تا 22 ژوئن 2023، بازده کل 27 درصدی (تقریباً ماهانه 4.5 درصد) برای سیستم معاملات الگوریتمی محقق شد. بیشترین زیان سیستم 6 درصد و بیشترین سود 5.7 درصد بود که کارمزد هرکدام از نرخ‌های ارز نیز در محاسبه درنظر گرفته شده است.

optimizing the currency portfolio, a basis for designing an algorithmic trading system

this article explores meta-heuristic methods for optimizing asset portfolios. it calculates the investment efficiency frontier, identifies the minimum risk portfolio, and computes the sharpe ratio. optimal currency baskets serve as signals for algorithmic trading, enhancing investment efficiency, particularly in volatile markets like currencies. the proposed algorithmic trading system is based on optimal currency basket selection.the method involves successive optimization of portfolios, using data mining concepts to determine the value at risk (var) for short-term portfolios. key topics include non-linear exchange rate forecasting, var calculation via the egarch model, meta-heuristic optimization of portfolios, and algorithmic trading system design.to address markowitz model limitations, future exchange rate predictions using the rnn model are employed. asset covariance considers exchange rate correlations, scaled by var. random optimization calculates minimum values and asset weights for buying, holding, and selling signals. selecting 9 out of 28 main currency rates minimizes systematic risk in day trading. testing the system on 123 daily data points yielded a 27% total return (approximately 4.5% monthly), using only 10% of initial capital and considering transaction costs. the system’s maximum loss was 6%, and the maximum profit was 5.7%.