| بهبود استراتژی معاملاتی مبتنی بر داده در بورس اوراق بهادار تهران: یک رویکرد یادگیری تقویتی عمیق مبتنی بر گراف |
| کد مقاله : 1615-ICM |
| نویسندگان |
|
زینب اوتارلو، علی صحفی * گروه مهندسی کامپیوتر، دانشگاه شهاب دانش، قم، ایران |
| چکیده مقاله |
| تصمیمگیری سرمایهگذاری در بازارهای نوظهوری مانند بورس اوراق بهادار تهران (TSE) بهدلیل نوسانپذیری بالا، بیثباتی ساختاری و تعاملات پیچیده میان داراییها با چالشهای جدی مواجه است. مدلهای مالی سنتی اغلب قادر به درک این پویاییهای غیرخطی نیستند و در نتیجه، کارایی محدودی در محیطهای حساس به ریسک دارند. این پژوهش یک سامانه پشتیبان تصمیمگیری (DSS) ترکیبی معرفی میکند که شبکههای کانولوشنی گراف (GCN) را با یادگیری تقویتی عمیق (DRL) ترکیب میکند تا ساختار بازار را مدلسازی کرده و استراتژیهای معاملاتی تطبیقی را بیاموزد. در این رویکرد، بازار بهصورت یک گراف همبستگی پویا نمایش داده میشود که استخراج روابط پنهان میان سهام و بهبود بازنماییهای پیشبینیکننده را امکانپذیر میسازد. چارچوب پیشنهادی ابتدا بهصورت نظارتی پیشتمرین شده و سپس بهطور مشترک با عامل یادگیری تقویتی بهینهسازی میشود. با استفاده از دادههای روزانه هفت ساله از شاخصهای اصلی بورس تهران، مدل توانست در هر دو حوزه دقت پیشبینی و عملکرد معاملاتی نسبت به پیشبینیکنندههای پایه عملکرد بهتری ارائه دهد. نتایج نشان میدهد که ترکیب بازنمایی گرافمحور بازار با بهینهسازی سیاست تصمیمگیری، رویکردی مقاوم و مقیاسپذیر برای معاملات خودکار و مدیریت ریسک مالی فراهم میکند. |
| کلیدواژه ها |
| مدیریت ریسک مالی، معاملات الگوریتمی، یادگیری تقویتی عمیق، شبکههای گرافعصبی، بورس اوراق بهادار تهران. |
| وضعیت: پذیرفته شده |