نوع مقاله : مقاله پژوهشی

نویسندگان

• حسین نیکو
• جمال برزگری خانقاه
• حمید رضا میرزایی

گروه حسابداری و مالی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران.

چکیده

هدف: تشکیل جفت سهام یک گام مهم در معاملات جفتی است که فقط به‌صورت دستی یا از طریق دستورالعمل‌های شمارشی مورد بررسی قرار گرفته است. این روش‌ها در حالت چندمتغیره شکست خورده و اهداف متناقض را در ساختار مساله در نظر نمی‌گیرند. در این پژوهش روشی ارائه می‌شود که ترکیب‌های جفتی چندمتغیره را با در نظر گرفتن اهداف چندگانه متناقض در معاملات جفتی سهام ایجاد کند.

روش‌شناسی پژوهش: در این پژوهش نمونه آماری به‌واسطه نیاز به معاملات پربسامد به 30 شرکت برتر پذیرفته‌شده در بورس اوراق بهادار تهران محدود شده است. مساله در قالب یک مدل برنامه‌ریزی عدد صحیح مختلط (MIP) تدوین، و به‌دلیل محدودیت‌های غیرمحدب و فضای حل نمایی از الگوریتم ژنتیک چندهدفه برای به‌دست آوردن ترکیب‌های جفتی چندمتغیره استفاده شده است. برای دستیابی به اهداف چندگانه، از نوع توسعه‌یافته الگوریتم ژنتیک، یعنی، الگوریتم ژنتیک مرتب‌سازی نامغلوب آشوبناک (CNSGA-II) استفاده گردید. در این روش برای به‌دست آوردن راه‌حل‌های مناسب و با دقت بالا، از تئوری آشوب در ایجاد جمعیت اولیه الگوریتم ژنتیک استفاده شده است.

یافته‌‎ها: نتایج پژوهش نشان دادکه استفاده از نظریه آشوب می‌تواند میزان همگرایی را در الگوریتم‌های تکاملی افزایش دهد. علاوه‌بر این نتایج بیان‌گر برتری استراتژی معاملات جفتی چندهدفه مبتنی بر رویکرد فاصله نسبت به مدل تک‌هدفه سنتی است.

اصالت/ارزش افزوده علمی: برای بهینه‌سازی معاملات جفتی از الگوریتم ژنتیک مرتب‌سازی نامغلوب استفاده گردید. همچنین جمعیت اولیه افراد در الگوریتم ژنتیک چندهدفه بر اساس تئوری آشوب ایجاد شد.

کلیدواژه‌ها

• معاملات جفتی
• الگوریتم ژنتیک مرتب‌سازی نامغلوب
• تئوری آشوب
• رویکرد فاصله

موضوعات

• الگوریتم‌های فراابتکاری

عنوان مقاله [English]

Chaotic Evolutionary Multi-Objective Optimization for Multivariate Pair Trading in Tehran Stock Exchange: The Distance Approach

نویسندگان [English]

• Hossein Nikoo
• Jamal Barzgari khanagha
• Hamid Reza Mirzaei

Department of Accounting & Finance, Faculty of Economic, Management and Accounting, Yazd University, Yazd, Iran.

چکیده [English]

Purpose: Pair formation is an important step in pair trading that has only been examined manually or through numerical instructions. These methods fail in the multivariate mode and do not consider conflicting goals in the problem structure. In this research, a method is presented to create multivariate pair combinations by considering contradictory multiple goals in stock pair trading.

Methodology: In this study, the statistical sample is limited to the top 30 companies listed on the Tehran Stock Exchange due to the need for high-frequency transactions. The problem is developed in the form of a mixed integer programming model (MIP), and due to non-convex constraints and exponential solution space, a multi-objective genetic algorithm is used to obtain multivariate pair combinations. To achieve multiple goals, the developed type of genetic algorithm, namely, The Chaotic Non-dominated Sorting Genetic Algorithm (CNSGA-II), was used. In this method, chaos theory is used to create the initial population of the genetic algorithm in order to obtain appropriate and high-precision solutions.

Findings: The results showed that the use of chaos theory could increase the degree of convergence in evolutionary algorithms. In addition, these results indicate the superiority of the multi-objective pair trading strategy based on the distance approach over the traditional single-objective model.

Originality/Value: In order to optimize pair trading, the Non-dominated Sorting Genetic Algorithm was used. Also, the initial population of individuals was created in a multi-objective genetic algorithm based on chaos theory.

کلیدواژه‌ها [English]

• Pair Trading
• Non-dominated Sorting Genetic Algorithm
• Chaos Theory
• Distance Approach