23930

MAN2 1001

كارشناسي ارشد

مالي-مهندسي مالي و مديريت ريسك

علوم اداري و اقتصاد

1403/6/17

102 ص.

دكتر محمد بت شكن

سرمايه‌گذاري عاملي، , تحليل ميانگين-واريانس، , يادگيري ماشين، , شبكه عصبي بازگشتي، , يادگيري عميق.

يكي از روش‌هاي بهينه‌سازي وزن دارايي‌هاي درون پرتفوي سرمايه‌گذاري، روش ميانگين-واريانس است كه داده‌هاي ورودي در اين روش بردار بازده مورد انتظار دارايي‌‌ها و ماتريس واريانس-كواريانس دارايي‌‌ها است. براي اجراي اين روش بايد بردار بازده مورد انتظار هر دارايي و ماتريس واريانس-كواريانس دارايي‌‌ها تخمين زده شوند. اما در عمل به دليل وجود خطاي تخمين ورودي ها، اين روش نتوانسته است نسبت به بعضي از استراتژي هاي ساده متنوع سازي مثل روش وزن مساوي، نتايج قابل قبولي ارائه كند. در اين پژوهش تلاش مي شود كه بازده مورد انتظار دارايي‌ها در پرتفوي سرمايه‌گذاري با استفاده از شبكه عصبي بازگشتي تخمين زده شوند و سپس عملكرد برون نمونه اي اين روش با روشي كه از از ميانگين بازده تاريخي به عنوان بازده مورد انتظار استفاه مي‌كند، مورد مقايسه و ارزيابي قرار مي گيرد. در نهايت بررسي مي شود كه آيا روش‌هاي استفاده شده باعث بهبود خطاي تخمين و در نهايت بهبود عملكرد روش بهينه‌سازي ميانگين-واريانس شده است يا خير. دارائي‌هاي آزمون مورد استفاده در اين پژوهش بخش خريد و فروش عامل‌هاي معروف سرمايه‌گذاري هستند كه شامل عامل‌هاي اندازه، ارزش، سودآوري، سرمايه‌گذاري و مومنتوم به همراه عامل بازار مي باشند و به كمك متغير‌هاي اقتصادي و تكنيكال تلاش خواهد شد بازده مورد انتظار آن‌‌ها به صورت هفتگي پيش‌بيني شود. متغير‌هاي اقتصادي كه براي پيش‌بيني بازدهي استفاده مي‌شود شامل شكاف توليد، نرخ بهره كوتاه مدت، نرخ بهره بدون ريسك، رشد ناخالص توليد ملي، بازدهي گذشته‌ي بازار، شكاف زماني و اعتباري نرخ بهره و نسبت سود نقدي به قيمت مي باشد. همچنين متغير‌هاي تكنيكال شامل شاخص ميانگين متحرك ساده، شاخص ميانگين متحرك نمايي، شاخص قدرت نسبي و شاخص ميانگين متحرك همگرايي-واگرايي هستند. نتايج نشان مي‌دهد كه مدل به كار برده شده از نظر قدرت پيش‌بيني كنندگي بازده مورد انتظار توانسته است نسبت به ميانگين تاريخي بهتر عمل كرده و ضريب تعيين برون نمونه اي تا سقف 7.2 درصد براي پيش‌بيني بازده عوامل كسب كند. همچنين پس از به كار بردن بازده پيش‌بيني شده توسط مدل در روش ميانگين-واريانس، هم از نظر ميانگين بازده‌هاي كسب شده و هم از نظر نسب شارپ نسبت به استفاده از ميانگين تاريخي نتايج بهتري كسب شده است. همچنين اگر به جاي بازده‌هاي پيش‌بيني شده منفي از عدد صفر استفاده كنيم، همراه با محدوديت وزني حداقل و حداكثري 0.4- و 0.4 درصد، راهبرد استفاده شده توانسته است از نظر ميانگين بازدهي كسب شده و نسبت شارپ كسب شده، استراتژي وزن برابر به طور معني داري را شكست دهد.

: Factor investing, . , Machine learning, , Lstm, , Deep learning

Factor investing using recurrent neural network and economic and technical variables

مديريت

One of the methods for optimizing the weights of assets within an investment portfolio is the mean-variance method, where the input data consists of the assetsʹ vector of expected returns and their variance-covariance matrix. To implement this method, the vector of expected return and the variance-covariance matrix of the assets must be estimated. However, in practice, due to estimation error of the input, this method has not been able to produce satisfactory results compared to some simple diversification strategies such as equal weighting. In this study, it is attempted to estimate the expected return of the assets in the investment portfolio by using a recurrent neural network (RNN), and then the out-of-sample performance of this method are compared with the method that use the historical average return as the expected return. Finally, it is examine whether the method used would have improve the estimation error and, consequently, the performance mean-variance optimization method. The test assets used in this study are the long andshort legs of famous investment factors in the US stock market, which include size, value, profitability, investment, and momentum factors as well as the market factor. Using economic and technical variables, the expected returns of these factors will be predicted on a weekly basis. The economic variables that are used for predicting returns include the output gap, short-term interest rate, risk-free interest rate, gross domestic product growth, past market returns, term and credit spreads of interest rates, and the dividend-price ratio. Additionally, the technical variables used include the simple moving average (SMA), exponential moving average (EMA), relative strength index (RSI), and moving average convergence-divergence (MACD). The results indicate that the methdos used have outperformed the historical average in terms of predictive power for expected returns, achieving an out-of-sample R-squared of up to 7.2% for predicting the factor reutns. Furthermore, after applying the predicted returns in the mean-variance method, both the average returns and the Sharpe ratio have improved compared to using the historical average. Additionally, if the predicted negative returns from the model in the mean-variance method are replaced with zero, along with a minimum and maximum weight constraint of -0.4% and 0.4%, the strategy has significantly outperformed the equal-weight strategy in terms of both the average returns and the Sharpe ratio.

5

75914