معیارهای انتخاب سهام مبتنی بر ارزش می تواند بازده های تنظیم شده با ریسک برتر را داشته باشد: کاربرد شبکه های عصبی

این مطالعه بررسی می کند که آیا با استفاده از روشهای مدل سازی شبکه عصبی می توان بازده سرمایه گذاری برتر را برای انجام پیش بینی ها بر اساس مجموعه ای از نسبت های مالی منعکس کننده استراتژی های سرمایه گذاری مبتنی بر ارزش سنتی بدست آورد. این مطالعه یک دوره 20 ساله را در بر می گیرد. ما می دانیم که نسبت ارزش اطلاعات مفیدی را فراهم می کند که امکان انتخاب اوراق بهادار را فراهم می کند که بازده سرمایه گذاری برتر از DJIA و S& P 500 و گروهی از اوراق بهادار انتخاب شده به طور تصادفی است. بازده تنظیم شده ریسک برای پرتفوی های انتخاب شده توسط شبکه عصبی بیشتر از مواردی است که با استفاده از سایر روش های پیش بینی به دست می آید.

معرفی

شواهد فزاینده ای وجود دارد که نشان می دهد بازارهای مالی آنقدر کارآمد نیستند که ما زمانی اعتقاد داشتیم که آنها هستند (هاگن ، 1999). یکی از تعیین کارآیی بازار این است که آیا می توان با یک استراتژی معاملاتی از پیش تعیین شده ، بازده فوق العاده ای کسب کرد. استراتژی که به جلب توجه خود ادامه می دهد ، شامل استفاده از اوراق بهادار متشکل از سهام ارزش است. سهام ارزش ، تعریف شده به عنوان اوراق بهادار با قیمت پایین درآمدها (P/E) ، قیمت به فروش (P/S) ، قیمت به کتاب (P/B) یا نسبت پرداخت سود سهام بالا ، نشان داده شده است که بیشتر از بازار بهتر استفاصله در طی 40 سال گذشته Haugen ، 1995 ، O'Shaughnessy ، 1997 با ارائه بازده بالاتر در معرض خطر کمتری نسبت به سایر پرتفوی های معیار.

در این مقاله ، ما با بررسی اینکه آیا می توانیم تحقیقات قبلی را در زمینه سرمایه گذاری ارزش تکرار و گسترش دهیم ، بحث در مورد کارآیی بازار را ادامه می دهیم. مطالعات قبلی از یک روش مرتب سازی ساده برای انتخاب سهام ارزش از جهان سهام استفاده کرده اند. ما با تلاش برای تکثیر مطالعات قبلی و با استفاده از یک استراتژی انتخاب شبکه عصبی ، سوال سرمایه گذاری ارزش را مطالعه می کنیم. ما اظهار داشتیم که اگر سرمایه گذاری ارزش واقعاً از انتخاب تصادفی برتر باشد ، باید برای استراتژی های انتخابی جایگزین پرتفوی قوی باشد. اول ، ما می خواستیم تعیین کنیم که آیا شبکه های عصبی به طور مستقل اوراق بهادار تعریف شده به عنوان سهام ارزش را به عنوان بازده آینده پیش بینی شده بالاتر انتخاب می کنند. دوم ، ما آزمایش می کنیم که آیا روش شبکه عصبی نسبت به سایر رویکردهای مربوط به پرتفوی ارزش ساختمان برتر است.

قطعه قطعه

بحث

دانشگاهیان مدتهاست که اظهار داشتند که رقابت بین معامله گران سوءاستفاده دارایی را از بین می برد. در نتیجه ، هر سهام به درستی قیمت گذاری شده بود و تلاش برای فراتر از انتخاب تصادفی سهام برای شکست. جنسن (1968) با نشان دادن اینکه مدیران صندوق نتوانستند از انتخاب تصادفی سهام خارج شوند ، از فرضیه بازار کارآمد حمایت کردند. در حالی که تحقیقات بعدی حاکی از آن است که برخی از مدیران صندوق ممکن است بتوانند بازار را زمان بگذارند (فری ، اوبرهلمن ، و رونفلدت ، 1984) ، سایر محققان

شبکه های عصبی

بعید است که رابطه بین بازده و متغیرهایی که سهام ارزش را تعریف می کنند خطی باشند. در کارهای قبلی منتشر شده (باک ، اوکینز ، و استانسل ، 1998) ، ما نشان دادیم که شبکه های عصبی توانایی پیش بینی برتر نسبت به مدل های رگرسیون را در هنگام مواجهه با روابط غیرخطی فراهم می کنند. در مرحله آموزش شبکه های عصبی ، الگوهای پیچیده در داخل داده ها شناسایی و برای طرح روابط آینده استفاده می شوند. در حالی که از شبکه های عصبی در گذشته برای انتخاب استفاده شده است

روش شناسی

آزمون واقعی ارزش یک استراتژی سرمایه گذاری این است که آیا از داده های واقعاً در یک دوره برای سرمایه گذاران در دسترس است ، می توان برای تصمیم گیری های سرمایه گذاری که بازدهی عالی در دوره های بعدی را به دست می آورد ، استفاده کرد. جدول زمانی نشان داده شده در زیر را در نظر بگیرید.

تا ژانویه سال 1992 ، سرمایه گذاران برای دوره منتهی به 31 دسامبر 1990 (نسبت های 1990) به پایان سال و داده های مالی دسترسی دارند. شرکت ها این داده ها را در طول سال 1991 منتشر می کنند. علاوه بر این ، تا اول ژانویه 1992 ، سرمایه گذاران قادر خواهند بود

نتایج

در جدول 2 آمار خلاصه برای آن دسته از 50 شرکت انتخاب شده توسط شبکه عصبی برای هر یک از سالهای 1977-1996 با بالاترین بازده پیش بینی شده است. جدول میانگین و میانگین ارزش هر متغیر مستقل را به سال گزارش می دهد. علاقه ما به این مراکز داده در مورد اینکه آیا شرکت های عصبی به طور معمول به عنوان سهام ارزش طبقه بندی می شوند. همانطور که در جدول 2 نشان داده شده است ، به نظر می رسد که پرتفوی انتخاب شده توسط شبکه عصبی از سهام ارزش تشکیل شده است. به عنوان مثال ، کامل

نتیجه گیری

در این مقاله ، ما بررسی کردیم که آیا شبکه های عصبی می توانند از یک رویکرد سرمایه گذاری مبتنی بر ارزش برای دستیابی به بازده برتر تنظیم شده ریسک استفاده کنند. ما انتظار داشتیم که روابط بین نسبت های ارزش و بازده پیچیده و غیرخطی باشد. به همین دلیل ، ما احساس کردیم که روش شبکه عصبی نسبت به روشهای تخمین جایگزین برتر است.

ما دریافتیم که بازده متوسط و متوسط به پرتفوی های تشکیل شده با شبکه های عصبی بسیار بیشتر از نمونه داده های کامل است ،

منابع (19)

• M. M Walker و همکاران.

توصیه های تحلیلگران سهام حرفه ای: پیامدهای مربوط به سرمایه گذاران انفرادی

بررسی خدمات مالی

(1996)

مدل های شبکه عصبی مصنوعی برای پیش بینی و تصمیم گیری

مجله بین المللی پیش بینی

(1994)

پر زرق و برق

امور مالی شخصی بلومبرگ

(1998 ، ژوئن)

شبکه عصبی در مقابل مدل های توبیت: تجزیه و تحلیل ماهیت تقاضای نهادی برای سهام مشترک

سه ماهه مجله تجارت و اقتصاد

(1998 ، بهار)

استراتژی Wallflower

فوربس

(1998 ، فوریه)

رابطه بین هزینه های صندوق متقابل و هزینه ها و تأثیرات آنها بر عملکرد

بررسی مالی

(1998)

استراتژی های سرمایه گذاری متضاد: نسل بعدی

(1998)

زمان بندی بازار و ترکیب نمونه کارها صندوق متقابل

مجله تحقیقات مالی

(1984)

psrs مجدداً مورد بررسی قرار گرفت

فوربس

(1996 ، سپتامبر) منابع بیشتری در نسخه متن کامل این مقاله وجود دارد.

ذکر شده توسط (36)

بهینه سازی نمونه کارها مالی با یادگیری آرماتور عمیق آنلاین و AutoEncoder انباشته شده - Deepbreath

2020 ، سیستم های خبره با برنامه ها گزیده استناد:

شبکه های عصبی مصنوعی تکنیک های یادگیری ماشین محور هستند که به یک مدل قبلی کامل از مکانیسم تولید داده احتیاج ندارند. با این وجود ، شبکه های عصبی چند لایه سنتی از ساختار سری زمانی مرتبط با داده های مالی استفاده نمی کنند (Eakins & Stansell ، 2003 ؛ Hussain ، Knowles ، Lisboa ، & El-Deredy ، 2008 ؛ Lam ، 2004). علاوه بر این ، عملکرد ANN به شدت به معماری شبکه ، یادگیری و پارامترهای بیش از حد و همچنین آموزش وابسته است ، فقط به ذکر چند مورد است.

چکیده را نشان می دهد

فرایند سرمایه گذاری مداوم وجوه به دارایی های مالی ، با هدف افزایش بازده مورد انتظار سرمایه گذاری و به حداقل رساندن ریسک ، به عنوان مدیریت نمونه کارها شناخته می شود. در این مقاله ، یک چارچوب مدیریت نمونه کارها بر اساس یک چارچوب یادگیری عمیق تقویت شده به نام Deepbreath ساخته شده است. روش Deepbreath یک Autoencoder انباشته محدود و یک شبکه عصبی حلقوی (CNN) را در یک چارچوب یکپارچه ترکیب می کند. AutoEncoder انباشته محدود به منظور انجام کاهش ابعاد و انتخاب ویژگی ها به کار می رود ، بنابراین اطمینان می دهد که فقط آموزنده ترین ویژگی های انتزاعی حفظ می شود. CNN برای یادگیری و اجرای سیاست سرمایه گذاری که شامل مجدداً دارایی های مختلف به منظور افزایش بازده مورد انتظار سرمایه گذاری است ، استفاده می شود. این چارچوب شامل استراتژی های یادگیری آفلاین و آنلاین است: اولی موظف است CNN را آموزش دهد در حالی که دومی مفهوم را کنترل می کند ، یعنی تغییر در توزیع داده ها ناشی از شرایط پیش بینی نشده. اینها مبتنی بر تشخیص رانش مفهوم منفعل و دسته بندی تصادفی آنلاین است. خطر تسویه حساب ممکن است در نتیجه تأخیر بین دستیابی به دارایی و پرداخت آن در ارائه شرایط قرارداد رخ دهد. برای مقابله با این مسئله چالش برانگیز ، یک blockchain به کار می رود. سرانجام ، عملکرد چارچوب Deepbreath با چهار مجموعه آزمون در سه دوره سرمایه گذاری مجزا آزمایش می شود. نتایج نشان می دهد که بازده سرمایه گذاری حاصل از رویکرد ما از استراتژی های سرمایه گذاری متخصص فعلی و در عین حال به حداقل رساندن ریسک بازار ، بهتر است.

پیش بینی شبکه عصبی در پیش بینی نسبت شارپ: شواهدی از بازار بدهی اتحادیه اروپا

2020 ، Physica A: مکانیک آماری و کاربردهای آن گزیده استناد:

در تحقیقات Feández و Gómez [18] ، نتایج تجربی نشان داد که مدل شبکه عصبی هاپفیلد بالاترین کیفیت را در پیش بینی انتخاب کلی نمونه کارها میانگین و واریانس ارائه می دهد. لیو و همکاران.[24] مدل شبکه عصبی مکرر یک لایه را با یک ساختار ساده برای حل بهینه سازی بهینه سازی شبه محدود از نمونه کارها پویا آزمایش کرد. آنها از روش Lyapunov و تئوری گنجاندن دیفرانسیل استفاده کردند تا نشان دهند که نتایج شبیه سازی در نمونه های عددی برای نشان دادن اثربخشی و عملکرد شبکه عصبی پیشنهادی ارائه شده است.

چکیده را نشان می دهد

این مطالعه یک مدل شبکه های عصبی را تحلیل می کند که نسبت شارپ را پیش بینی می کند. مدل شبکه های عصبی توسعه یافته برای پیش بینی موقعیت سرمایه گذار موفق است که برای همان سطح ریسک پرتفوی یا حق بیمه ریسک بیشتر نسبت به ریسک رشد متناسب، حق بیمه اضافی روی اوراق بدهی دریافت می کند. هدف اصلی این مطالعه پیش بینی بالاترین نسبت شارپ در آینده است. مطالعه داده های مربوط به بازده ابزارهای بدهی را در دوره های قبل، حین و پس از بحران جهانی گروه بندی کرد. نتایج نشان می دهد که شبکه های عصبی در پیش بینی سری های تاخیر زمانی غیرخطی با دقت 82 درصد در موارد آزمایشی برای پیش بینی دینامیک نسبت شارپ در آینده و موقعیت پورتفولیوی سرمایه گذار موفق هستند.

شبکه های عصبی مصنوعی در تجارت: دو دهه تحقیق

2016، مجله محاسبات نرم کاربردی چکیده را نشان می دهد

در دو دهه اخیر، شبکه های عصبی مصنوعی به طور گسترده در بسیاری از کاربردهای تجاری مورد استفاده قرار گرفته اند. علیرغم افزایش تعداد مقالات تحقیقاتی، تنها مطالعات کمی با تمرکز بر مرور کلی یافته های منتشر شده در این زمینه مهم و پرطرفدار ارائه شده است. علاوه بر این، اکثر این بررسی ها بیش از 15 سال پیش معرفی شدند. هدف این کار گسترش دامنه بررسی های قبلی و ارائه یک نمای کلی سیستماتیک از برنامه های کاربردی شبکه عصبی در تجارت بین سال های 1994 تا 2015 است. نوع شبکه عصبی، الگوریتم یادگیری، روش محک، استنادات و مجله. بررسی ما نشان داد که بیشتر تحقیقات با توجه ویژه به وظایف طبقه بندی، مشکلات مالی و ورشکستگی، پیش بینی قیمت سهام و حمایت از تصمیم گیری را هدف قرار داده اند. علاوه بر شبکه های متداول پیشخور چند لایه با انتشار پس نزولی گرادیان، شبکه های ترکیبی مختلفی به منظور بهبود عملکرد مدل های استاندارد توسعه یافته اند. اگرچه شبکه های عصبی به عنوان روشی شناخته شده در تجارت ایجاد شده اند، فضای زیادی برای تحقیقات بیشتر به منظور بهبود عملکرد آنها و افزایش درک ما از این حوزه تأثیرگذار وجود دارد.

شبکه عصبی تخصیص منابع در انتخاب پورتفولیو

2008، سیستم های خبره با برنامه های کاربردی چکیده را نشان می دهد

انتخاب پورتفولیو یک مشکل تخصیص منابع در بازار مالی است. بهینه سازی دارایی سرمایه گذار مستلزم توزیع مجموعه ای از سرمایه (منابع) بین مجموعه ای از واحدها (دارایی ها) با مبادله بین ریسک و بازده است. ANN با قابلیت غیرخطی ثابت شده است که یک مسئله پیچیده در مقیاس بزرگ را به طور موثر حل می کند. برای حل مشکل تخصیص منابع NP-hard مناسب است. با این حال، مدل سنتی ANN نمی تواند تضمین کند که مجموع وزن سرمایه گذاری تولید شده همیشه 100٪ در لایه خروجی حفظ می شود. این مقاله یک مدل شبکه عصبی تخصیص منابع را برای بهینه سازی وزن سرمایه گذاری پرتفوی معرفی می کند. این مدل به صورت پویا وزن سرمایه گذاری را بر اساس 100% جمع کل وزن دارایی ها در پرتفوی تنظیم می کند. نتایج تجربی امکان سنجی وزن های بهینه سرمایه گذاری و برتری ROI استراتژی معاملاتی خرید و نگهداری را در مقایسه با بورس اوراق بهادار تایوان (TSE) نشان می دهد.