سبد بهینه نوسانگیری روزانه بر پایه پیش‌بینی بازه‌ای مقدار با رهیافت خودرگرسیون برداری

سلیمانی سروستانی, سجاد; داودی, سید محمد رضا; خردمند, علی

doi:10.22034/jse.2024.12118.2073

سبد بهینه نوسانگیری روزانه بر پایه پیش‌بینی بازه‌ای مقدار با رهیافت خودرگرسیون برداری

نوع مقاله : مقاله پژوهشی

نویسندگان

سجاد سلیمانی سروستانی ¹

سید محمد رضا داودی ²

علی خردمند ³

¹ دانشجوی دکتری، مدیریت صنعتی(مالی)،واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران.

² استادیار،گروه مدیریت ، واحد دهاقان ، دانشگاه ازاد اسلامی ، دهاقان ، ایران

³ استادیار، گروه حسابداری ، واحد سروستان ، دانشگاه آزاد اسلامی،سروستان ، ایران

10.22034/jse.2024.12118.2073

چکیده

پیش‌بینی مناسب دارایی‌های مالی به ‌سرمایه‌گذاران در کسب درآمد و مدیریت دارایی‌های خود کمک می‌کند. پیش‌بینی بازه‌ای مقدار شامل پیش‌بینی یک بازه ‌است که حدود آن را دو متغیر تصادفی مشخص می‌کند. هدف پژوهش حاضر طراحی و بهینه‌سازی سبد میانگین-واریانس نوسانگیری روزانه بر اساس پیش‌بینی بازه‌ای مقدار کمینه و بیشینه قیمت روزانه با رهیافت خودرگرسیون برداری می‌باشد. در پژوهش حاضر به کمک روش خودرگرسیون برداری، پیش‌بینی بازه‌ای مقدار مربوط به کمترین و بیشترین قیمت روزانه صورت می گیرد و سپس بر اساس آن یک سیستم معاملاتی نوسانگیری روزانه، شامل خرید و فروش در مقادیر پیش‌بینی شده شکل می گیرد. برای کاستن از ریسک سیستم معاملاتی و افزایش تعداد موقعیت‌های معاملاتی، سبد بهینه نوسانگیری روزانه در چهارچوب میانگین-واریانس توسعه می یابد. سبد نمونه‌ای پژوهش شامل پنج سهم از بورس اوراق بهادار تهران در یک دوره 190 روزه با احتساب هزینه‌های معاملاتی خرید و فروش نشان می دهد که میانگین بازده روزانه سبد نوسانگیری پژوهش 0018/0 و نسبت شارپ آن 4809/0 ‌می‌باشد که از نسبت شارپ حاصل از سیستم نوسانگیری روزانه انفرادی دارایی‌های سبد، بهتر است. میانگین روزانه شاخص کل در دوره پژوهش 001/0و نسبت شارپ آن 0835/0 ‌می‌باشد که نشان می دهد سیستم معاملاتی پژوهش عملکردی به مراتب بهتر از سیستم خرید و نگهداری دارد. به سرمایه‌گذاران ریسک گریز علاقمند به استراتژی نوسانگیری روزانه پیشنهاد می‌شود تا رویکرد سبد بهینه معرفی شده در پژوهش حاضر را پس از بررسی و ارزیابی دقیق سودآوری و ریسک بر روی مجموعه سهام مورد نظر خود مورد استفاده قرار دهند.

کلیدواژه‌ها

پیش‌بینی بازه‌ای مقدار

سبد میانگین واریانس

خودرگرسیون برداری

استراتژی نوسانگیری

موضوعات

بورس اوراق بهادار

عنوان مقاله English

Optimal Daily scalping trading portfolio based on interval-valued prediction with vector autoregression approac

نویسندگان English

sajad solymanisarvestani ¹

sayyed mohammad reza davoodi ²

ali Kheradmand ³

¹ -PhD. Candidate of Industrial Management, Department of Management, Dehaghan Branch, Islamic Azad University, Dehaghan, Iran

² Assistant Professor, Department of Management, Dehaghan Branch, Islamic Azad University, Dehaghan, Iran.

³ Assistant Professor. Department of Accounting, Sarvestan Branch, Islamic Azad University, Sarvestan, Iran

چکیده English

Interval-valued prediction includes the prediction of an interval that its boundaries determined by two random variables. The aim of this research is to design and optimize the mean-variance daily scalping trading portfolio based on interval-valued prediction for lowest and highest daily prices with the vector autoregression approach. In the present study, using the vector autoregression method, 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 prices. 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 a 190-day period, taking into account trading costs, shows that the average daily return is 0/0018 and the Sharpe ratio is 0/4809, 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 0/001 and the Sharp ratio is 0/0835, which shows that the trading system has a much better performance than the buy and hold strategy. Risk-averse investors who are interested in the daily scalping strategy are suggested to use the optimal portfolio approach introduced in the present study after carefully evaluating the profitability and risk on the set of stocks they want

کلیدواژه‌ها English

interval-valued prediction

mean-variance portfolio

scalping trading

vector autoregression

Buansing, T; Golan. A; & Ullah,A. (2020), An information-theoretic approach for forecasting interval-valued SP500 daily returns. International Journal of Forecasting. 12(1) 1-14. DOI: 10.1016/j.ijforecast.2019.09.003.

Chen, W; XU, H; Shouyang, W. (2023). Error correction and decomposition method for forecast of interval-valued stock price time series. Systems Engineering. 2023, 43(2): 383-397. https://doi.org/10.1016/j.patcog.2023.109920

Davoodi, S; Rabiei, M. (2022). Interval Forecasting of Stock Price Changes using the Hybrid of Holt’s Exponential Smoothing and Multi-Output Support Vector Regression. Advances in Mathematical Finance and Applications, 7(2), 405-421. Doi:10.22034/AMFA.2020.1883402.1332

Huang, B; Sun, Y; & Wang, S. (2021). A new two-stage approach with boosting and model averaging for interval-valued crude oil prices forecasting in uncertainty environments. Frontiers in Energy Research, 402. https://doi.org/10.3389/fenrg.2021.707937

Kianizadeh, H; Baghani, A; hamidian, M. (2023). Comparing the accuracy of selected Machin learning models for stock price prediction in stock exchange market. Journal of Securities Exchange, 16(62), 75-102.
doi: 10.22034/jse.2021.11636.1733. (In Persian).

Lu, Q; Sun, Y; Hong, Y; & Wang, S. (2022). Forecasting interval-valued crude oil prices using asymmetric interval models. Quantitative Finance, 22(11), 2047-2061. https://doi.org/10.1080/14697688.2022.2112065

Maciel, L; & Ballini, R. (2021). Functional fuzzy rule-based modeling for interval-valued data: An empirical application for exchange rates forecasting. Computational Economics, 57(2), 743-771. DOI: 10.1007/s10614-020-09978-0

Rodrigues, P. M; & Salish, N. (2018). Modeling and forecasting interval time series with thresholdmodels. Advances in Data Analysis and Classification, 9(1), 41–57. doi: 10.1007/s11634-014-0170-x

Sohrabi, M; Seyed Mozaffar, S; Chirani, E; Kheradyar, S. (2022). Modeling the Prediction of Stock Market Jumps Based on the Recurrent Neural Network and Deep Learning. Journal of Securities Exchange, 15(59), 245-268. doi: 10.22034/jse.2021.11655.1762. )In Persian)

Xiong .T; Chongguang, L; & Yukun, B. (2018). Interval-valued time series forecasting using a novel hybrid HoltI and MSVR model, In Economic Modelling, 60 11-23. https://doi.org/10.1016/j.econmod.2016.08.019

Yang, Z; Lin, D; & Zhang, A. (2019). Interval-valued Data Prediction via Regularized Artificial Neural Network. Neurocomputing, 71(14), 4102–4032. https://doi.org/10.1016/j.neucom.2018.11.063

Zhang, J; & Zhang, K. (2022). Portfolio selection models based on interval-valued conditional value at risk (ICVaR) and empirical analysis. arXiv preprint arXiv:2201.02987. https://doi.org/10.48550/arXiv.2201.02987