این یک مقاله دسترسی آزاد است که تحت مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل نامحدود در هر رسانه را فراهم می کند ، مشروط بر اینکه کار اصلی به درستی ذکر شود.
داده های مرتبط
داده های مورد استفاده برای پشتیبانی از یافته های این مطالعه در مقاله گنجانده شده است.
چکیده
برای مطالعه سبد سهام هوشمند و کارآمد در بازار مالی چین ، بر اساس تئوری های مربوطه مانند شبکه عصبی Deep Learning (DL) (NN) و سهام سهام ، این مطالعه 111 سهام پایدار را از سهام تشکیل دهنده شاخص امنیتی چین انتخاب می کند (CSI) 300 از اول ژانویه 2018 ، تا 31 دسامبر 2021 ، به عنوان نمونه های تحقیق. سپس ، این نمونه های تحقیق را تجزیه و تحلیل می کند و داده های مربوط به 111 سهام را به مدل DL NN وارد می کند. نتایج پیش بینی مربوط به قیمت سهام بدست می آید. سرانجام ، مدل نمونه کارها سهام بر اساس DL NN با نتایج داده های شاخص بورس سهام شانگهای (SSE) 50 و شاخص CSI 500 مقایسه می شود. نتایج نشان می دهد که قیمت بسته شدن 111 سهام انتخاب شده نسبتاً پایدار است و در اطراف محور افقی بالا و پایین نوسان می کند و بازده مثبت و منفی نسبتاً متعادل است ، تقریباً بین 5 تا 5 ٪. تا حدی پدیده تجمع نوسان وجود دارد. مقایسه نتایج پیش بینی مدل های مختلف نشان می دهد که نتایج پیش بینی مدل C به روند واقعی قیمت سهام نزدیک است. مقایسه بازده مربوط به سبد سهام پیشنهادی با سایر سهام نشان می دهد که بازده سالانه سبد سهام بر اساس مدل DL NN 47. 44 ٪ است. نسبت تیز 1. 52 ، حداکثر بازپرداخت 18. 15 ٪ ، بازده اضافی ماهانه 3. 11 ٪ و نسبت اطلاعات 0. 82 است. در مقایسه با سایر شاخص ها ، سبد سهام پیشنهادی بهترین نتایج را نشان می دهد. بنابراین ، پیشنهاد سبد سهام بر اساس DL NN مبنای نظری برای توسعه زمینه مالی در آینده فراهم می کند.
1. مقدمه
بخش مالی نقش مهمی در توسعه پایدار اقتصاد ملی دارد. با داشتن سطح اقتصادی اقتصادی و اقتصادی سریع و افتتاح تدریجی بازار مالی ، فرصت های بیشتر و بیشتر برای سرمایه گذاران آورده شده است [1 ، 2]. بنابراین ، چگونگی به حداکثر رساندن بازده سرمایه گذاری (ROI) یکی از موضوعات کلیدی است که هر سرمایه گذار یا شرکت برای مدت طولانی به آن توجه می کند. نمونه کارها سهام مجموعه ای از سهام ، اوراق قرضه و مشتقات مالی است که توسط سرمایه گذاران یا موسسات مالی نگهداری می شود و با هدف گسترش ریسک. یک نمونه کارها را می توان به عنوان ترکیبی در چندین سطح مشاهده کرد. سطح اول ترکیبی از دارایی های ریسک و دارایی های بدون ریسک به دلیل نیازهای دوگانه ایمنی و سودآوری است. سطح دوم در نظر گرفتن نحوه ترکیب دارایی های خطرناک است. نمونه کارها سهام بر اساس شبکه عصبی Deep Learning (DL) (NN) مزیت نرخ ROI نسبتاً بالا در بازار مالی را نشان می دهد. بر این اساس ، این مطالعه به طور عمیق سبد سهام را با استفاده از DL NN تجزیه و تحلیل می کند [3].
د لا توره تورس و همکارانمدل قیمتگذاری داراییهای سرمایهای را ارائه کرد، که معتقد بود رابطه بین بازده مورد انتظار داراییها و ریسک دارایی خطی است. مدل قیمت گذاری دارایی های سرمایه ای ساده و واضح بود اما محدودیت های آشکاری داشت. تحقق مفروضات مدل در زندگی واقعی دشوار بود [4]. مصافی و اسماعیل فرمولبندیهای نظری و راهحلهای مورد استفاده در انتخاب پورتفولیو را تجزیه و تحلیل کردند و در مورد ساخت مدلهای نمونه کارها و مشکلات توسعه مربوطه بحث کردند. سالها تحقیق و توسعه حجم زیادی از داده های تحقیقاتی را در زمینه سرمایه گذاری پورتفولیو جمع آوری کرده است. پردازش و محاسبه داده ها با تکیه بر روش های سنتی تجزیه و تحلیل داده ها کمتر امکان پذیر است. بنابراین، کارشناسان و محققان به تدریج شروع به استفاده از DL برای انجام تحقیقات سبد سرمایه گذاری کرده اند [5]. پینگ و هائو از یک مدل مبتنی بر یادگیری تقویت عمیق (DRL) برای حل مسئله بهینه سازی پورتفولیو پویا استفاده کردند. بهینه سازی پویای پورتفولیو، وجوه را به ترتیب با توجه به بازده و وضعیت ریسک سرمایه گذار در طول چرخه های معاملاتی مستمر، به یک سری از دارایی ها تخصیص می دهد. آنها معاملات را با محدودیتهای واقعی با استفاده از دادههای تاریخی واقعی بازار مالی شبیهسازی کردند و نشان دادند که مدل پیشنهادی نسبت به استراتژیهای معاملاتی معیار قبلی و مدلهای DRL بدون مدل، بازدهی بالاتری به دست آورد [6]. منسی و همکارانیک مدل بهینهسازی پورتفولیو بر اساس DRL ساخته و مدل میانگین واریانس سنتی را بهبود بخشید. آنها دریافتند که مدل جدید در پیشبینی و کنترل ریسک از طریق آزمون بکآزمایی مدل به خوبی عمل میکند و ثابت میکند که مدل ارزش عملی خاصی دارد [7].
به طور خلاصه، بر اساس DL NN، این مطالعه 111 سهام پایدار در بورس اوراق بهادار شانگهای (SSE) و بورس اوراق بهادار شنژن (SHZ) را از 1 ژانویه 2018 تا 31 دسامبر 2021 به عنوان هدف تحقیق در نظر گرفت. سپس یک تحلیل عمیق انجام می دهد و این سهام را به مدل DL NN اضافه می کند تا روند قیمت سهام را پیش بینی کند. در نهایت، روند سهام SSE 50 Index و China Security Index (CSI) 500 با آنها مقایسه شده و نتیجه سبد سهام بر اساس DL NN بهترین است. این مطالعه با هدف ارائه یک مرجع روش شناختی برای تحقیقات آتی در زمینه ساخت سبد سهام انجام شد. ساختار سازمانی این مطالعه در شکل 1 نشان داده شده است.