تجزیه و تحلیل ریسک fintech و مالی در دوره Big Data 2021

مقاله تحقیق |دسترسی آزاد جلد 2021 |شناسه مقاله 7390887 |https://doi. org/10. 1155/2021/7390887 استناد

ساخت نمونه کارها سرمایه گذاری با مسئولیت اجتماعی با مکانیسم دو صفحه نمایش با توجه به پیش بینی یادگیری ماشین

جون ژانگ 1 و Xuedong Chen بیشتر نشان بده، اطلاعات بیشتر سردبیر دانشگاهی: دهوا شن 03 سپتامبر 2021 دریافت کرد پذیرفته شده 26 اکتبر 2021 منتشر شده 17 نوامبر 2021

خلاصه

اگرچه سرمایه گذاری با مسئولیت اجتماعی (SRI) به یک سبک مهم سرمایه گذاری تبدیل شده است ، تنها تعداد کمی از مطالعات در مورد ساخت نمونه کارها SRI بحث می کنند. با توجه به پیشرفت بیش از حد یادگیری ماشین در پیش بینی ، این مقاله با ترکیب یک مکانیسم دو صفحه نمایش با توجه به پیش بینی یادگیری ماشین و یک مدل حداقل واریانس جهانی (GMV) گسترده (یا حداکثر نسبت شارپ (MSPR)) مدل های ساخت و ساز نمونه کارها را ارائه می دهد.) ، که به ترتیب ، به نام های سرمایه گذاری با مسئولیت اجتماعی دوتایی (DSSRI) مدلهای نمونه کارها I و II نامگذاری شده اند. مدل های پیشنهادی شامل دو مرحله ، یعنی غربالگری سهام و تخصیص دارایی است. اول ، این مقاله یک مکانیسم جدید دو صفحه نمایش را شامل می شود که شامل حاکمیت زیست محیطی ، اجتماعی و شرکت (ESG) و معیارهای بالقوه بازگردد تا اطمینان حاصل شود که سهام با کیفیت بالا با عملکرد ESG خوب و پتانسیل بازده بالا به نمونه کارها بهینه وارد می شوند. به طور خاص ، برای به دست آوردن پیش بینی های دقیق بازده سهام ، یک مدل ماشین یادگیری شدید که توسط الگوریتم ژنتیکی بهینه شده است برای پیش بینی قیمت سهام استفاده می شود. در مرحله بعد ، برای تجارت اهداف مالی و ESG سرمایه گذاران SRI ، یک مدل GMV گسترده (یا مدل MSPR گسترده) با توجه به فاکتور ESG برای تعیین نسبت تخصیص سرمایه سهام معرفی شده است. ما برای تأیید اثربخشی مدلهای پیشنهادی ، بازار A-Gare چین را به عنوان نمونه می گیریم. نتایج تجربی نشان می دهد که در مقایسه با مدل های جایگزین ، مدل های پیشنهادی می توانند عملکرد سالانه بهتر و عملکرد ESG و همچنین عملکرد نسبت شارپ رقابتی را به دست آورند.

1. معرفی

سرمایه گذاری با مسئولیت اجتماعی (SRI) ارزش های شخصی و نگرانی های اجتماعی در تصمیمات سرمایه گذاری را در نظر می گیرد [1 ، 2]. سرمایه گذاران SRI سرمایه گذاری را به عنوان گسترش سبک زندگی خود می دانند و بنابراین مایل به درج اعتقادات و ارزشهای اجتماعی خود در فعالیتهای مالی هستند [3]. SRI با افزایش شور و شوق مسائل اجتماعی و زیست محیطی و بیداری تدریجی آگاهی سرمایه گذاران از عوامل زیست محیطی ، اجتماعی و حاکمیت شرکت (ESG) ، SRI رشد سریع را ارائه داده است [4] و به یک سبک مهم سرمایه گذاری تبدیل شده است. از سال 2020 ، 3038 امضا کننده در بازار مالی جهانی وجود داشت که موافقت خود را برای پیروی از اصول سرمایه گذاری مسئول پشتیبانی شده توسط سازمان ملل متحد ، شامل دارایی های مدیریتی 103. 4 تریلیون دلار بودند. در مقایسه با سطح سال 2019 ، این تعداد امضا کنندگان نشان دهنده افزایش 20 ٪ و حجم دارایی مدیریت افزایش 666 تریلیون دلار است (به اصول سرمایه گذاری مسئول در http://www. unpri. org مراجعه کنید).

در حقیقت ، سری طی دهه های گذشته مورد توجه گسترده ای از دانشگاه ها قرار گرفته است. محققان مباحث مربوط به SRI را از دیدگاه های مختلف ، از جمله انگیزه سرمایه گذاران SRI [5 ، 6] ، اندازه گیری مسئول اجتماعی [7 ، 8] و رابطه بین رتبه بندی ESG و بازده مالی شرکت بررسی کرده اند [9 ، 10]. برای منابع بیشتر ، به [11] مراجعه کنید. با این حال ، تنها تعداد کمی از مطالعات بر روی پرتفوی SRI متمرکز است. بر خلاف ساخت و ساز نمونه کارها معمولی ، SRI Portfolio Construction به یک فرآیند غربالگری سهام نیاز دارد تا اطمینان حاصل شود که سهام موجود در این نمونه کارها مطابق با ارزش های اجتماعی سرمایه گذاران SRI است. چند محقق اکتشافات ارزشمندی در مورد غربالگری سهام انجام داده اند. به عنوان مثال ، Auer [12] برای آزمایش عملکرد SRI از روشهای مختلف غربالگری استفاده کرد. نتایج تجربی نشان داد که در مقایسه با غربالگری مثبت ، که می تواند به عملکرد سرمایه گذاری آسیب برساند ، غربالگری منفی با نرخ برش پایین بهتر است. Kempf و Osthoff [13] سه مکانیسم غربالگری SRI از غربالگری منفی ، مثبت و بهترین کلاس را از طریق یک استراتژی سرمایه گذاری برای خرید سهام با رتبه بندی مسئولیت اجتماعی بالا و فروش سهام با رتبه بندی مسئولیت اجتماعی پایین مقایسه کردند. اثبات شده در کلاس بهترین در کلاس به طور کلی بالاترین بازده غیر طبیعی را بدست می آورد. بارنت و سالومون [14] تأثیر شدت غربالگری اجتماعی بر عملکرد مالی صندوق های SRI را ارزیابی کردند. آنها نتیجه گرفتند که بازده مالی صندوق های SRI با افزایش شدت غربالگری کاهش می یابد ، در حالی که هنگامی که شدت غربالگری به حداکثر برسد ، بازگشت در بازده مالی رخ می دهد. گفتنی است که شرایط غربالگری سهام در مطالعات قبلی صرفاً براساس معیارهای ESG بود. با این حال ، همانطور که توسط دیوف و همکاران بحث شده است.[15] ، مکنزی و لوئیس [16] و روزن و همکاران.[17] ، سرمایه گذاران SRI همزمان با ESG و عملکرد مالی نگران هستند. هیچ مدرک قطعی وجود ندارد که نشان می دهد سهام غربالگری بر اساس معیارهای ESG می تواند بازده بالایی را ارائه دهد [2 ، 18-20]. بنابراین ، لازم است که پتانسیل بازده سهام کاندیداها را در فرآیند غربالگری در نظر بگیرید تا اطمینان حاصل شود که سهام غربالگری هم معیارهای ESG و هم تقاضای بازده سرمایه گذاران SRI را برآورده می کند.

برای نمایش سهام بالقوه بازده بالا ، پیش بینی قابل اعتماد بازده سهام بسیار مهم است. روشهای یادگیری ماشین با توانایی یادگیری عالی به طور گسترده ای برای پیش بینی بازده سهام استفاده شده است. مدل های یادگیری ماشین نماینده برای پیش بینی سهام شامل رگرسیون دستگاه بردار پشتیبانی (SVR) [21 ، 22] ، شبکه های عصبی مصنوعی (ANNS) [23 ، 24] ، سیستم منطق فازی [25 ، 26] ، شبکه عصبی عمیق (DNN) [27 ، 28] ، شبکه عصبی حلقوی [29 ، 30] ، مدل حافظه کوتاه مدت کوتاه (LSTM) [31-33] و یادگیری گروه [34 ، 35]. اخیراً ، دستگاه یادگیری شدید (ELM) ، که یک مدل جدید یادگیری ماشین است ، به دلیل عملکرد قدرتمند خود مورد توجه قرار گرفته است. به عنوان مثال ، لی و همکاران.[36] از دقت بالا و مزایای یادگیری سریع ELM برای پیش بینی قیمت سهام و سپس تولید سیگنال های معاملاتی سوء استفاده کرد. Dash and Dash [37] ELM را برای آموزش یک شبکه عصبی مصنوعی کارآمد محاسباتی به کار گرفته و اثرات پیش بینی بهتری را برای حرکات شاخص سهام نسبت به مواردی که دارای الگوریتم Backpropagation (BP) هستند ، بدست آورد. وی و همکاران.[38] به طور موثری دقت پیش بینی نرخ ارز را با استفاده از یک مدل ترکیبی از ELM مبتنی بر هسته بهبود بخشید. جیانگ و همکاران.[39] دو مدل ترکیبی را برای پیش بینی قیمت سهام که ELM را به عنوان پیش بینی کننده به کار می برد ، توسعه داد. نتایج تجربی نشان داد که مدل های پیشنهادی دقت پیش بینی بالایی دارند. اگرچه ELM قادر به دستیابی به دقت پیش بینی خوب است ، اما اشکال اصلی آن مکانیسم تولید به طور تصادفی وزن و تعصبات لایه پنهان است که ممکن است منجر به محلول های فرومایه شود و در نتیجه پایداری و عملکرد آن را تضعیف کند [40 ، 41]. برای غلبه بر این اشکال ، یک استراتژی مؤثر معرفی یک الگوریتم هوشمند برای بهینه سازی وزن ورودی و تعصبات لایه پنهان ELM است [40 ، 42 ، 43]. از الگوریتم ژنتیکی (GA) ، یک الگوریتم هوشمند کلاسیک و عالی ، برای بهینه سازی مدل های یادگیری ماشین ، یعنی ELM [44-46] و BP [47] استفاده شده است. به طور خاص ، ELM بهینه شده توسط GA (GA-ELM) با موفقیت در مباحث مختلف پیش بینی ، مانند

انتشار [44] ، قدرت باد [45] و غلظت گاز [46]. بنابراین ، این مقاله GA-ELM را برای پیش بینی قیمت سهام معرفی می کند و سپس سهام با پتانسیل بازده بالا را بر اساس نتایج پیش بینی نشان می دهد.

پس از اتمام غربالگری سهام ، سرمایه گذاران SRI نیاز به تعیین وزن بهینه سرمایه گذاری سهام غربالگری دارند. مدل میانگین واریانس (MV) ، به عنوان اساس تئوری نمونه کارها مدرن ، هنوز یک انتخاب مشترک برای بهینه سازی نمونه کارها SRI است. در این موضوع ، فقط تعداد معدودی از محققان تحقیقات مربوطه را انجام داده اند. به عنوان مثال ، Oikonomou و همکاران.[48] سعی کرد راه های بهینه برای ساخت اوراق بهادار SRI را کشف کند. آنها شش مدل (سه ساده و سه پیشرفته) را برای ساخت اوراق بهادار SRI به کار بردند و عملکرد هر یک را مقایسه کردند. نتایج نشان داد که پرتفوی SRI بر اساس مدلهای بهینه سازی پیشرفته که توسط MV نشان داده شده است ، نسبت به مدلهای ساده گرایانه (به عنوان مثال ، آنهایی که متنوع ساده لوحانه هستند) از تجارت بازگرداندن ریسک برتر برخوردار بودند. شاخه و همکاران.[49] عملکرد روشهای کمی در ساخت نمونه کارها ESG را تجزیه و تحلیل کرد. آنها نتیجه گرفتند که روشهای کمی در به حداقل رساندن ریسک مؤثر هستند اما می توانند منجر به قرار گرفتن در معرض ناخواسته شوند. اگرچه مطالعات فوق الذکر تجزیه و تحلیل های معنادار و عمیق را انجام داده است ، اما آنها یا فاکتور ESG را در فرآیند بهینه سازی نمونه کارها در نظر نگرفتند یا ESG را به عنوان یک شرایط محدودیت به جای یک هدف بهینه سازی در نظر گرفتند ، بنابراین نتوانست از تقاضای سرمایه گذاران حداکثر کند. ESGدر [50] ، یک MV گسترده برای ساخت یک نمونه کارها ESG ایجاد شد ، که در آن به حداقل رساندن نسبت شارپ منفی با نمره ESG به عنوان یک متغیر جدید در عملکرد هدف گرفته شد. مدل پیشنهادی برتری قابل توجهی در نمرات ESG نسبت به مدل MV سنتی نشان داد. با این حال ، این تحقیق فاقد یک فرآیند غربالگری مؤثر برای تضمین اینکه سهام با کیفیت بالا با ESG بالا و پتانسیل بازده بالا وارد نمونه کارها SRI می شود و منجر به عملکرد بازگشت متوسط می شود. به طور مشابه ، چندین نسخه اصلاح شده از مدل های MV که شامل اهداف ESG هستند (به عنوان مثال ، Utz و همکاران [51] ، Calvo و همکاران [52] ، استفان و همکاران [53] و Bilbao و همکاران [54]) نیز مراجعه کنید. قبل از ساخت نمونه کارها SRI ، سهام با کیفیت بالا را انتخاب نکنید.

بر اساس تجزیه و تحلیل فوق ، این مقاله دو مدل ساخت و ساز نمونه کارها SRI به نام مدلهای نمونه کارها با مسئولیت اجتماعی (DSSIR) را ارائه می دهد (به طور خلاصه به عنوان DSSIR-I و DSSIR-II) ، که ترکیب یک مکانیزم دو صفحه و پرتفوی است. مدل های بهینه سازی. به طور خاص ، مکانیسم دو صفحه نمایش رمان شامل ESG و غربالگری بالقوه است. اول ، در غربالگری ESG ، سهام با نمرات ESG تحتانی از جهان سرمایه گذاری خارج می شوند تا اطمینان حاصل شود که سهام غربالگری با ارزش های اجتماعی سرمایه گذاران تراز می شود. پس از آن ، در غربالگری بالقوه بازگشت ، شامل سهام با پتانسیل بازده بالا در نمونه کارها ، مدل GA-ELM برای پیش بینی قیمت سهام غربال شده معرفی می شود. سرانجام ، سهام با ESG بالا و پتانسیل بازده بالا ، به عنوان سهام با کیفیت بالا ، وارد نمونه کارها می شوند. پس از این غربالگری سهام ، از مدل بهینه سازی نمونه کارها برای وزن گیری سهام با کیفیت بالا استفاده می شود. در این کار ، برای تجارت اهداف مالی و ESG سرمایه گذاران SRI ، یک مدل حداقل واریانس جهانی (GMV) گسترده (یا مدل حداکثر شارپ (MSPR)) که شامل فاکتور ESG است ، که ما آن را GMV-ESG (MSPR- می نامیم-ESG) ، به عنوان یک مدل بهینه سازی نمونه کارها معرفی می شود. سهم اصلی این مقاله به شرح زیر است: (1) بر خلاف اکثر مطالعات در مورد ساخت نمونه کارها SRI ، این مقاله شامل پیش بینی سهام در انتخاب نمونه کارها است ، از این طریق روش جدیدی را برای ساخت نمونه کارها SRI ارائه می دهد.(2) این مقاله دو مدل جدید نمونه کارها SRI به نام DSSRI-I و DSSRI-II را تهیه می کند ، که در آن یک مکانیسم دو صفحه نمایش برای اطمینان از سهام با کیفیت بالا (هم ESG بالا و هم بازگشت پتانسیل) طراحی شده است که جزء نمونه کارها SRI است. بشر(3) مدل های پیشنهادی با مدل های جایگزین ، از جمله SSRI-GMV (یا SSRI-MSPR) ، DSSRI-I (ELM) (یا DSSRI-II (ELM)) ، DSSRI-I (SVR) (یا DSSRI-III) مقایسه می شوند.(SVR)) ، DSSRI-I (DNN) (یا DSSRI-II (DNN)) ، و DSSRI-I (LSTM) (یا DSSRI-II (LSTM)). مقایسه ها امکان سنجی و مزایای مدل های پیشنهادی را نشان می دهد.

بقیه این مقاله به شرح زیر است. در بخش 2 ، مدل های مؤلفه مرتبط را بیان می کنیم و مدل های پیشنهادی را معرفی می کنیم. در بخش 3 ، مجموعه داده ها ، تنظیمات پارامتر را شرح می دهیم و در مورد نتایج تجربی در حال حاضر و بحث و گفتگو می کنیم. در بخش 4 ، نتیجه گیری و چشم انداز کار آینده را خلاصه می کنیم.

2. روش شناسی

2. 1مدل Ga-Elm

2. 1. 1. دستگاه یادگیری شدید

ELM که در اصل توسط هوانگ و همکاران توسعه داده شد.[55]، یک الگوریتم پیشرفته برای شبکه عصبی پیشخور یک لایه پنهان (SLFN) است که توپولوژی شبکه آن از سه لایه تشکیل شده است، یعنی لایه ورودی، لایه پنهان و لایه خروجی. الگوریتم سنتی برای SLFN مانند الگوریتم BP، وزن های بهینه را از طریق تکرارهای متعدد تعیین می کند، در حالی که ELM به طور تصادفی وزن های ورودی و بایاس های لایه پنهان را تولید می کند. ELM می تواند وزن های خروجی را بر اساس حل حداقل مربعات هنجار به صورت تحلیلی محاسبه کند. بنابراین، در مقایسه با الگوریتم BP، ELM قادر است عملکرد تعمیم یافته خوبی را با سرعت بسیار سریع به دست آورد. با توجه به