استراتژی سرمایه گذاری حرکت با استفاده از یک مدل مخفی مارکوف

3 و

گروه مهندسی صنایع ، دانشگاه یونسی ، سئول 03722 ، کره گروه مهندسی اطلاعات سرمایه گذاری ، دانشگاه یونسی ، سئول 03722 ، کره گروه مدیریت بازرگانی ، دانشگاه Sejong ، سئول 05006 ، کره نویسنده ای که مسئول است باید ذکر شود. پایداری 2020 ، 12 (17) ، 7031 ؛https://doi.org/10. 3390/su12177031

دریافت: 10 اوت 2020 / اصلاح شده: 23 اوت 2020 / پذیرفته شده: 24 اوت 2020 / منتشر شده: 28 اوت 2020

خلاصه

:

تقاضای فزاینده ای برای مدیریت نمونه کارها با استفاده از هوش مصنوعی (AI) وجود داشته است. برای حفظ یک مزیت رقابتی برای مدیریت نمونه کارها ، سرمایه گذاران بازار سهام به یک تصمیم سرمایه گذاری استراتژیک نیاز دارند که می تواند بازده بهتری را تحقق بخشد. در این مطالعه ، ما یک استراتژی سرمایه گذاری حرکت را پیشنهاد می کنیم که از یک مدل مخفی مارکوف (HMM) برای انتخاب سهام در حالت رو به رشد استفاده می کند. ما یک نمونه کارها HMM Momentum را ایجاد می کنیم که شامل 890 سهام کره ای است و عملکرد سهام را در دوره ژانویه 2000 تا دسامبر 2018 تجزیه و تحلیل می کنیم. با تعادل مجدد پس از دوره برگزاری ادامه می یابد. نمونه کارها HMM Momentum برای کسب بازده بالاتر از پرتفوی های سنتی حرکت و دستیابی به بهترین عملکرد در شرایط یک دوره برگزاری کوتاه (یک هفته) و یک دوره شکل گیری کوتاه (یک ماه) تعیین می شود. علاوه بر این ، استراتژی ما عملکرد رقابتی در سرمایه گذاری در بازار و شاخص بخش را در مقایسه با بازده بازار نشان می دهد. این مطالعه حاکی از آن است که استراتژی سرمایه گذاری حرکت با استفاده از HMM در بازار سهام کره مفید است. بر اساس استراتژی حرکت HMM ما ، تحقیقات آینده را می توان با استفاده از HMM برای تدوین یک استراتژی جدید حرکت هوش مصنوعی که می تواند برای سایر پرتفوی های حاوی انواع مختلف دارایی های مالی در بازار جهانی استفاده شود ، غنی شود.

کلید واژه ها:

1. معرفی

پیش بینی جهت بازار سهام یا بررسی اینکه آیا بازده اضافی در بورس وجود دارد نه تنها نگرانی اصلی شرکت کنندگان در بازار بلکه موضوع اصلی تحقیق برای دانشگاهیان است. فرضیه بازار کارآمد (EMH) به عنوان تئوری اصلی سرمایه گذاری تا زمانی که ناهنجاری های مختلف در بورس در دهه 1980 یافت نشد ، شناخته شد. EMH اظهار داشت که قیمت دارایی ها به طور کامل تمام اطلاعات موجود را منعکس می کند و سهام همیشه با ارزش منصفانه خود تجارت می کند ، و این امکان را برای سرمایه گذاران خریداری سهام کم ارزش یا فروش سهام برای قیمت های تورم غیرممکن می کند. از طرف دیگر ، ناهنجاری بازار ثابت می کند که به دلیل ناکارآمدی در روند بازتاب اطلاعات ، بازده سهام از الگوی خاصی پیروی می کند و بازده اضافی را ارائه می دهد. یک مطالعه نماینده برای شناسایی بازده سهام مورد انتظار توسط Fama-French است ، جایی که یک مدل سه عاملی پیشنهاد شده است [1،2]. سه عامل موجود در این مدل عبارتند از: ریسک بازار ، عملکرد خارج از شرکتهای کوچک در مقابل بزرگ (SMB ، منهای کوچک بزرگ) و عملکرد برتر کتاب/بازار در مقابل شرکت های کوچک کتاب/بازار (HML ، منهای پایین). Charhart یک عامل حرکت به مدل سه عاملی Fama-French اضافه کرد و همبستگی خطی بین فاکتور حرکت و بازده سهام نشان داد [3]. یک مطالعه جدید توسط ایوب و همکاران. همچنین یک عامل حرکت برای پیشنهاد یک مدل قیمت گذاری دارایی سرمایه بتا شش عاملی جدید (CAPM) برای قیمت گذاری دارایی ها گنجانیده شده است [4].

تعدادی از مطالعات قبلی بر استراتژی های سرمایه گذاری حرکتی برای حفظ مزیت رقابتی برای مدیریت پورتفولیو متمرکز شده اند. جگادش و تیتمن نشان می دهند که یک استراتژی سرمایه گذاری حرکتی برای خرید پرتفوی با عملکرد خوب گذشته و فروش پرتفوی با عملکرد ضعیف گذشته می تواند بازده غیرعادی قابل توجهی را در یک دوره نگهداری 3 تا 12 ماهه محقق کند [5]. روونهورست 12 کشور اروپایی را تجزیه و تحلیل کرد و ثابت کرد که استراتژی سرمایه گذاری حرکتی در یک سال در کشورهای توسعه یافته و همچنین کشورهای در حال ظهور موثر است [6]. گریفین و همکارانتحلیل بازارهای آسیایی در حال ظهور، و همچنین بازارهای ایالات متحده و اروپا، با استفاده از استراتژی سرمایه گذاری حرکتی که توسط جگادش و تیتمن ترسیم شده است [7]. این مطالعه گزارش می دهد که اکثر کشورها به جز کره، ژاپن و هنگ کنگ به بازده غیرعادی از استراتژی های سرمایه گذاری حرکتی دست یافته اند. Moskowitz و Gridblatt نشان می دهند که بازده اضافی کوتاه مدت از اثرات حرکت می تواند در پورتفولیوهای مختلف ایجاد شود [8]. از سوی دیگر، آلدیری و وینچی رابطه بین اندازه شرکت و نوآوری پایدار را در شرکت های بزرگ بین المللی بررسی می کنند [9]. آنها تأثیرات سرریز داخلی و خارجی را بر اندازه شرکت ها یافتند.

استراتژی سرمایه گذاری Momentum یک استراتژی دنبال شده است که توسط بسیاری از مدیران صندوق در حوزه عملی اتخاذ شده است و این مدیران در تلاشند تا عملکرد خود را بهبود بخشند. Grinold و Kahn از نسبت اطلاعات (IR) برای از بین بردن خطر بی نظمی در الگوی انتقال رژیم در استراتژی پیروی از روند استفاده می کنند [10]. این محققان از فرمول i r = i c ∙ b r e a d t h استفاده می کنند ، جایی که IR فرصت های مدیریت فعال را اندازه گیری می کند و IR مربع نشان دهنده توانایی افزودن ارزش است. در این مثال ، IC (تعاونی اطلاعات) نشان دهنده مهارت مدیریت است ، و وسعت نشان دهنده تعداد مجموعه فرصت های مستقل است که تعداد دفعات استفاده از مهارت است. روند استراتژی های سرمایه گذاری به کار رفته در صندوق های پرچین اخیر استفاده از یک استراتژی برای به حداقل رساندن خطر قضاوت رژیم با افزایش تعداد مجموعه فرصت های مستقل تا حد امکان ، به جای افزایش IC است. Bridgewater Associates ، بزرگترین صندوق پرچین جهان ، نمونه بارز است. در همین حال ، تلاش های کمی برای افزایش IC توسط پزشکان و دانشگاهیان انجام شده است. محققان اخیراً گزارش داده اند كه می توان از روش علمی برای بهبود صحت تشخیص الگوی انتقال استفاده كرد [11،12]. مدل مخفی مارکوف (HMM) قدرت پیش بینی خوبی را برای تشخیص الگوی انتقال نشان می دهد [13]. HMM مبتنی بر زنجیره ماركوف اظهار داشت كه فقط می توان نتایج حاصل از كشورهای پنهان را رعایت كرد ، و كشورهای پنهان فقط تحت تأثیر دولت فعلی قرار دارند و هیچ ارتباطی با دولت گذشته ندارند. بنابراین ، HMM برای تشخیص الگوی سری زمانی مفید است که با گذشت زمان تغییر می کند. ساسیکومار و عبدالله ایده مفصلی در مورد توالی و پیش بینی دولت بورس با استفاده از HMM و استنباط های مربوط به روند بازار سهام توصیف می کنند [14]. حسن و نات از HMM برای پیش بینی قیمت سهام برای بازارهای مرتبط استفاده می کنند و نتایج را با نتایج حاصل از یک شبکه عصبی مصنوعی (ANN) مقایسه می کنند [15]. یک مطالعه جدید توسط نگوین تعداد بهینه ای از ایالات را برای HMM تعیین می کند و قیمت های بسته شدن ماهانه شاخص S& P 500 را با استفاده از HMM انتخاب شده پیش بینی می کند [16]. این مطالعه نشان می دهد که HMM از استراتژی های خرید و نگهداری در پیش بینی و معاملات سهام بهتر است. این محققان از استفاده از HMM پشتیبانی می کنند و استدلال می کنند که HMM پارادایم جدیدی را برای پیش بینی بازار سهام ارائه می دهد.

تقاضای فزاینده ای برای مدیریت نمونه کارها با استفاده از هوش مصنوعی (AI) وجود داشته است. برای حفظ یک مزیت رقابتی برای مدیریت نمونه کارها ، سرمایه گذاران بازار سهام به یک تصمیم سرمایه گذاری استراتژیک نیاز دارند که می تواند بازده بهتری را تحقق بخشد. براساس یافته های قبلی مبنی بر اینکه HMM برای تشخیص الگوی سری زمانی مفید است ، این مطالعه یک استراتژی سرمایه گذاری حرکت را با استفاده از HMM برای انتخاب سهام در حالت در حال افزایش پیشنهاد می کند. ما از HMM برای افزایش IC در فرمول i r = i c ∙ b r e a d t h استفاده می کنیم. ما یک نمونه کارها HMM Momentum را ایجاد می کنیم که شامل 890 سهام کره ای است و عملکرد را در طی دوره از ژانویه 2000 تا دسامبر 2018 تجزیه و تحلیل می کنیم. شناسایی حالت های سهام ، بخش ها یا بازارها با استفاده از HMM ، ما با خرید سهام در افزایش سهام ، یک سبد حرکت HMM را می سازیمدولت و اقدام به تعادل مجدد پس از دوره برگزاری. نمونه کارها HMM Momentum به دست آمده بازده بالاتری نسبت به پرتفوی های سنتی Momentum کسب می کند و در شرایط خاصی از دوره برگزاری کوتاه (یک هفته) و دوره شکل گیری کوتاه (یک ماه) به بهترین عملکرد می رسد. علاوه بر این ، استراتژی ما عملکرد رقابتی در سرمایه گذاری در بازار و بخش در برابر بازده بازار را نشان می دهد. نتایج تجربی در این مطالعه حاکی از آن است که استراتژی سرمایه گذاری حرکت با استفاده از HMM در بازار سهام کره مفید است و از HMM می توان برای تهیه یک استراتژی جدید حرکت هوش مصنوعی استفاده کرد که می تواند برای سایر پرتفوی های حاوی انواع مختلف دارایی های مالی مورد استفاده قرار گیردبازار جهانی.

تعداد زیادی از مدل ها یا تکنیک ها برای ایجاد یک نمونه کارها کارآمد متشکل از انواع مختلف سازها توسط دانشگاهیان و دست اندرکاران تهیه شده است. ابزارهای مالی ، تکنیک های سرمایه گذاری و سرمایه گذاران مؤلفه های مهمی در کارآیی بازارهای مالی هستند. یک استراتژی سرمایه گذاری مؤثر به سرمایه گذاران کمک می کند تا به سرمایه گذاری های کارآمد و همچنین یک بازار مالی کارآمد دست یابند ، که به خوبی شناخته شده است که نقش مهمی در حفظ رشد اقتصادی دارد. مدیران نمونه کارها با استفاده از استراتژی سرمایه گذاری Momentum HMM قادر به ایجاد استراتژی های کارآمدتر هستند. این امر به حفظ یک مزیت رقابتی برای مدیریت نمونه کارها کمک می کند و به کارآیی بازارهای مالی کمک می کند. به این معنا ، استراتژی سرمایه گذاری Momentum HMM که در این مقاله توسعه یافته است ، در حفظ رشد اقتصادی نقش دارد.

ما این مقاله را به شرح زیر سازماندهی می کنیم. بخش 2 شامل مواد و روش ها است. در این بخش ، ما HMM ، استراتژی حرکت و مدل پیشنهادی خود را شرح می دهیم. نتایج تجربی و تجزیه و تحلیل نتایج در بخش 3 ارائه شده است و بخش 4 اظهارات خلاصه و نتیجه گیری را ارائه می دهد.

2. مواد و روشها

2. 1مدل مخفی مارکوف (HMM)

HMM برای تشخیص الگوی زمانی داده های سری زمانی مفید است و در درجه اول برای تشخیص گفتار ، پیش بینی زمینه ، تجزیه و تحلیل ساختار پروتئین و DNA و پیش بینی قیمت دارایی استفاده می شود [17،18،19]. HMM مبتنی بر زنجیره مارکوف است ، که یک مدل تصادفی است که توالی از وقایع احتمالی را توصیف می کند که در آن احتمال هر رویداد فقط به وضعیت بدست آمده در رویداد قبلی بستگی دارد. HMM فرض می کند که ایالت ها پنهان و غیرقابل کنترل هستند. بنابراین ، این مدل فرایندی است برای استنباط حالت ها به صورت تصادفی با استفاده از مشاهدات. به عبارت دیگر ، HMM یک فرآیند تصادفی دوگانه است که فرآیند تصادفی را در یک حالت غیرقابل کنترل از طریق فرآیند تصادفی دیگر از مشاهدات مدل می کند. HMM شامل دو مجموعه از حالت ها ، یعنی حالت های پنهان و مشاهده ، و شامل سه مجموعه احتمال است: π بردار ، ماتریس انتقال حالت و ماتریس احتمال مشاهده. این مدل دارای دو پارامتر است: احتمالات انتقال و احتمال انتشار. روش های مختلفی برای برآورد پارامترهای مشاهدات داده شده HMM وجود دارد. در ابتدا ، از احتباس به جلو و از احتمال صاف کننده حاشیه برای برآورد پارامترهای HMM استفاده شد [20]. بعداً ، تحقیقات گسترده با استفاده از HMM پس از پیشنهاد Baum الگوریتم Baum-Welch انجام شد و یک تئوری اساسی ایجاد کرد [21،22،23]. سپس ، Viterbi الگوریتمی را ایجاد کرد که یک الگوریتم برنامه ریزی پویا برای شناسایی توالی حالتهای پنهان است [24]. علاوه بر این ، روشی برای بهینه سازی پارامترهای مدل مارکوف برای مطابقت با الگوهای سیگنال مشاهده شده توسعه یافته است [25]. در نتیجه ، HMM در طیف گسترده ای از برنامه ها مانند توسعه سیستم ها برای تشخیص پیشرفته گفتار و شناخت وضعیت انسانی استفاده شده است [26،27].

در نوع استاندارد HMM ، فضای حالت متغیرهای پنهان گسسته است ، در حالی که خود مشاهدات می تواند گسسته یا مداوم باشد. HMM گسسته رابطه بین حالت و متغیرها را در یک ماتریس انتشار ویژگی از احتمال انتشار ارائه می دهد ، در حالی که HMM مداوم آن را با استفاده از یک عملکرد چگالی احتمال توصیف می کند. شکل 1 ساختار حالت ها را در HMM نشان می دهد. متغیر π احتمال اولیه حالتها را نشان می دهد ، و مجموعه ای از مشاهدات (O N) وجود دارد که با مجموعه ای از حالت های پنهان (S N) مطابقت دارد. ماتریس انتقال دولت از یک ماتریس مربع تشکیل شده است که احتمالات کشورهای مختلف را از یک به دیگری به نمایش می گذارد و ماتریس احتمال مشاهده احتمال مشاهده را از هر ایالت ارائه می دهد.

2. 2استراتژی حرکت

استراتژی حرکت به طور معمول با خرید دارایی با بازده مثبت گذشته و دارایی های فروش (کوتاه مدت) با بازده منفی گذشته با این فرض که برندگان گذشته تمایل به بازده مثبت دارند ، اجرا می شود ، در حالی که بازنده های گذشته تمایل به بازده منفی دارند. دو نوع حرکت وجود دارد: حرکت نسبی و حرکت مطلق. استراتژی نسبی حرکت بازده سهام نسبی را در نظر می گیرد ، در حالی که استراتژی مطلق حرکت بازده مطلق سهام را در نظر می گیرد. سرمایه گذاران نسبی حرکت دارایی های برتر را خریداری می کنند و با مقایسه ASST ها در برابر عملکرد گذشته یکدیگر ، دارایی های کم عملکرد را می فروشند. با این حال ، سرمایه گذاران مطلق حرکت دارایی را در برابر عملکرد تاریخی خود مقایسه می کنند. این سرمایه گذاران دارایی های برگشتی مثبت خریداری می کنند و دارایی های بازپرداخت منفی را می فروشند. تفاوت اصلی این است که حرکت نسبی هیچ تمایزی در مورد جهت بازگشت ایجاد نمی کند. اگر همه دارایی ها ارزش خود را از دست بدهند ، حرکت نسبی به دنبال سرمایه گذاری در دارایی هایی است که کمترین کاهش می یابد ، در حالی که حرکت مطلق به دنبال جلوگیری از دارایی های بازگشت منفی است. به عنوان مثال ، هنگامی که همه سهام بازده منفی را نشان می دهند ، استراتژی حرکت مطلق هیچ سهام خریداری نمی کند ، در حالی که استراتژی حرکت نسبی سهام را خریداری می کند که کمترین کاهش می یابد.

استراتژی سرمایه گذاری حرکتی که توسط جگادش و تیتمن پیشنهاد شده است به طور گسترده توسط پزشکان و دانشگاهیان مورد استفاده قرار می گیرد [5]. دوره تشکیل سبد (J) و دوره نگهداری (K) باید ابتدا برای اجرای استراتژی سرمایه گذاری حرکتی تنظیم شود. دوره تشکیل پورتفولیو (J) دوره بازگشت گذشته مورد نیاز برای اندازه گیری حرکت است، مانند 1، 3، 6، 9 و 12 ماه قبل از زمان ساخت سبد. دوره نگهداری (K) مدت زمانی است که پرتفوی توسط سرمایه گذار نگهداری می شود. به عنوان مثال، پرتفوی با J = 1 و K = 3 شامل سهامی است که یک ماه قبل از زمان ساخت پرتفوی بازده مثبتی را ثبت کرده اند و برای سه ماه آینده نگهداری می شود تا میانگین بازده ماهانه ایجاد کند.

از اواخر دهه 1990، استراتژی حرکت توجه تحقیقات گسترده ای را در رشته مالی به خود جلب کرده است. مطالعات اولیه نشان داد که استراتژی سرمایه گذاری حرکتی در بازار سهام ملی برای چندین کشور توسعه یافته سودآور است [6،28]. یک اثر حرکتی نیز در بازارهای ارز مشاهده شده است [29]. در سال های بعد، سهام در بازارهای نوظهور نیز اثرات حرکتی از خود نشان دادند [30]. علاوه بر این، اثر حرکت در هر دو دوره رونق اقتصادی و رکود وجود دارد [31]. بعداً، اثر حرکت برای اوراق قرضه شرکتی و اوراق قرضه دولتی قابل توجه بود [32،33].

در تمام آزمایش های این مطالعه، ما از یک استراتژی تکانه مطلق طولانی مدت برای خرید فقط سهام یا شاخص با بازده مثبت استفاده می کنیم.

2. 3. مدل های پیشنهادی

2. 3. 1. استراتژی حرکت سهام HMM

استراتژی سرمایه گذاری حرکت ، دارایی های حرکت رو به بالا را با استفاده از بازده آنها در یک دوره خاص در گذشته مشخص می کند. در این مطالعه ، ما از HMM برای شناسایی سهام حرکت به سمت بالا برای بهبود عملکرد نمونه کارها استفاده می کنیم. HMM برای توصیف یک سری زمانی معین به طور گسترده ای به کار می رود و اخیراً در زمینه مالی اعمال شده است. قیمت سهام دارای یک روند است که یک ویژگی نماینده سری زمانی است و با تغییر رژیم ، روند تغییر می کند. ثابت شده است که HMM یک مدل عالی برای این انتقال و روند سری زمانی است [13]. همانطور که قبلاً ذکر شد ، اثربخشی استراتژی حرکت در بسیاری از مطالعات اثبات شده است [6،28،30]. از طرف دیگر ، اثربخشی استراتژی حرکت در تعدادی از کشورهای آسیایی از جمله کره بحث برانگیز است [34]. بنابراین ، در این مطالعه ، ما از استراتژی سرمایه گذاری Momentum HMM برای بررسی سودمندی آن برای اوراق بهادار سهام کره استفاده می کنیم. ما از یک HMM مداوم با توزیع عادی مختلط استفاده می کنیم و استراتژی سرمایه گذاری حرکت را که توسط جگادش و تیتمن استفاده می شود ، اتخاذ می کنیم [5]. ما با استفاده از HMM یک استراتژی حرکت به سمت بالا برای خرید سهام در حالت در حال افزایش را اجرا می کنیم و عملکرد نمونه کارها را ارزیابی می کنیم. برای این منظور ، ما تعدادی آزمایش را با محدوده های مختلف دوره تشکیل نمونه کارها (J) و دوره برگزاری (K) انجام می دهیم. سپس ، ابزار استراتژی حرکت به سمت بالا با HMM با به دست آوردن بازده نمونه کارها و مقایسه بازده از اوراق بهادار ما با آنهایی که از پرتفوی های ساخته شده توسط استراتژی حرکت موجود ساخته شده ارزیابی می شود.

در مطالعه HMM برای پیش بینی سهام ، تقسیم دولت به سه حالت: صعودی ، عرضی و سقوط معمول است. در این مطالعه ، دولت به 2 ، 3 ، 4 و 5 تقسیم می شود و تأثیر تعداد ایالت ها بر پیش بینی قیمت سهام مورد تجزیه و تحلیل قرار می گیرد. از آنجا که قیمت سهام به عنوان سری زمانی غیر ایستگاه مشخص می شود ، دلالت بر اینکه روندها و نوسانات ثابت نیستند ، ما از سری اختلاف قیمت سهام برای روند و قیمت سهام لگاریتمی برای نوسانات برای عادی سازی داده های سری زمانی خود استفاده می کنیم. در این مطالعه ، ما از روش پنجره کشویی 1 ماهه برای یادگیری HMM و DEPMIXS4 ، که بسته R شناخته شده ترین برای برنامه نویسی و آزمایش HMM است ، برای تخمین مدل استفاده می کنیم [35].

2. 3. 2. استراتژی حرکت-سهام بخش هوم

ما با اضافه کردن روشی برای شناسایی بخش های حرکت به سمت بالا ، استراتژی حرکت سهام HMM را گسترش می دهیم. HMM برای اولین بار برای شناسایی بخش های حرکت به سمت بالا و سپس شناسایی سهام لحظه ای به سمت بالا که متعلق به بخش های حرکت به سمت بالا است ، استفاده می شود. با استفاده از شاخص های صنعت ، ابتدا بخش های حرکت به سمت بالا را در 19 صنایع شناسایی می کنیم و سپس سهام حرکت به سمت بالا را که در بخش های حرکت رو به بالا قرار دارد ، شناسایی می کنیم. به عبارت دیگر ، ما یک نمونه کارها را می سازیم که سهام حرکت به سمت بالا را در بخش های حرکت به سمت بالا خریداری می کند.

2. 3. 3. استراتژی حرکت شاخص هوم

در این مطالعه ، ما یک استراتژی حرکت شاخص را با استفاده از HMM پیشنهاد می کنیم. ایالت های هر بخش و بازار کلی توسط HMM مشخص می شوند و پرتفوی های حرکت شاخص توسط شاخص خرید در ایالات رو به رشد ساخته می شوند. ما از 20 شاخص استفاده کردیم: 19 شاخص صنعت و شاخص قیمت سهام کامپوزیت کره (KOSPI). تمام شاخص ها به همان روشی که صندوق های معامله شده مبادله (ETF) معامله می شوند ، معامله می شوند و بازده شاخص حاصل می شود. تمام مدلهای تجربی این مطالعه در شکل 2 نشان داده شده است. قسمت بالای شکل 2 ، نمونه کارها سنتی حرکت ، روند ساخت یک نمونه کارها با حرکت طولانی مدت و یکدست و یک نمونه کارها را نشان می دهد. قسمت پایین شکل 2 ، نمونه کارها Momentum HMM ، روند ساخت یک نمونه کارها با حرکت طولانی مدت فقط و یک نمونه کارها را که تنها با سهام طولانی مدت است ، نشان می دهد. به عنوان آخرین مرحله ، ما عملکرد استراتژی حرکت ارائه شده توسط جگادش و تیتمن [5] را با استراتژی حرکت HMM که در این مطالعه تهیه شده است مقایسه می کنیم.

3. نتایج تجربی

قسمت آزمایشی عمدتاً به سه بخش تقسیم می شود: سهام پرتفوی تنها حرکت ، سهام ، نمونه کارها تنها و تنها حرکت و شاخص HMM تنها پرتفوی حرکت طولانی. ما از قیمت های تعدیل شده 960 سهام ذکر شده در KOSPI ، 19 شاخص صنعت و شاخص KOSPI از ژانویه 2000 تا دسامبر 2018 تهیه شده توسط FN-Guide استفاده می کنیم ، که یک بانک اطلاعاتی از سهام سهام کره است. ما دارایی ها را با داده های گمشده در شکل گیری یا دوره های نگهدارنده از نمونه کارها حذف می کنیم. در تمام آزمایشات موجود در این مطالعه ، ما از یک استراتژی حرکت مطلق فقط برای ساخت یک نمونه کارها سنتی حرکت بر اساس مدل خطی و همچنین یک نمونه کارها حرکت HMM بر اساس مدل AI غیرخطی استفاده می کنیم. سپس عملکرد این دو پرتفوی با بازده متوسط ماهانه مقایسه می شود.

3. 1سبد خرید فقط مدت طولانی

3. 1. 1. سهام سنتی تنها پرتفوی حرکت طولانی مدت

استراتژی سرمایه گذاری سنتی حرکت به طور معمول با خرید برندگان گذشته و بازنده های گذشته (کوتاه مدت) با این فرض که برندگان گذشته تمایل به بازده مثبت دارند ، اجرا می شود ، در حالی که بازنده های گذشته تمایل به بازده منفی دارند. ما یک نمونه کار سنتی با حرکت طولانی را ایجاد می کنیم که شامل سهام حرکت به سمت بالا در طول دوره شکل گیری است و آن را در دوره برگزاری نگه می دارد [5]. عملکرد نمونه کارها با میانگین بازده ماهانه سهام فردی موجود در نمونه کارها اندازه گیری می شود ، همانطور که توسط معادله زیر شرح داده شده است:

r p ، t = 1 n ∑ i = 1 n r i ، t w h e r e r i ، t = 1 t ∑ t = 1 t r i ، t

در جایی که R P ، T نشان دهنده میانگین بازده ماهانه یک نمونه کارها است که شامل N سهام در طول ماه T است ، R I ، T میانگین بازده ماهانه سهام I در ماه T است و R I ، T بازده ماهانه سهام I در ماه t است. بازده نمونه کارها توسط (1) بازده یک نمونه کارها به همان اندازه وزن سهام را نشان می دهد.

جدول 1 میانگین بازده ماهانه سهام سنتی سهام سنتی را نشان می دهد که در محدوده های مختلف شکل گیری و دوره های نگهدارنده 1 ، 3 ، 6 ، 9 و 12 ماه ساخته شده است. این نمونه کارها شامل سهام است که بازده عقب مانده J آنها مثبت است. پس از ساخت نمونه کارها ، ماههای K برگزار می شود و در طول دوره آزمایشی مجدداً تعادل می یابد. عملکرد نمونه کارها با بازده متوسط ماهانه ، نادیده گرفتن لغزش و هزینه معاملات ارزیابی می شود.

3. 1. 2. سهام HMM فقط پرتفوی حرکت فقط طولانی

در حالی که استراتژی سنتی سرمایه گذاری حرکت فقط خرید سهام است که بازده گذشته مثبت را نشان داده اند ، استراتژی سرمایه گذاری Momentum HMM از بازده گذشته سهام برای تعیین وضعیت هر سهام با استفاده از HMM استفاده می کند و فقط سهام را در حالت رو به رشد خریداری می کند. ما پرتفوی ها را با دوره های تشکیل و برگزاری 1 ، 3 ، 6 ، 9 و 12 ماه می سازیم و آزمایش را با تعداد مختلفی از حالتهای پنهان از جمله 2 ، 3 ، 4 و 5 انجام می دهیم. ما از روش پنجره کشویی 1 ماهه استفاده می کنیمبرای یادگیری هوم. در جدول 2 میانگین بازده ماهانه نمونه کارها با حرکت طولانی مدت HMM که در محدوده های مختلف شکل گیری و دوره های نگهدارنده 1 ، 3 ، 6 ، 9 و 12 ماه با 2 ، 3 ، 4 و 5 حالت پنهان ساخته شده است.

همانطور که در جدول 2 نشان داده شده است ، پرتفوی های تنها سهام HMM فقط از پرتفوی های سنتی تنها حرکت در همه موارد بهتر است. با توجه به دوره شکل گیری (J) ، اوراق بهادار ساخته شده توسط بازده تاخیر 6- ، 9- و 12 ماهه ، بازده بالاتری را نسبت به بازده های تاخیر 1 و 3 ماهه ایجاد می کند. همچنین خاطرنشان می شود که پرتفوی هایی که به مدت یک ماه برگزار می شود بهترین عملکرد را در بیشتر دوره های شکل گیری نشان می دهند. از طرف دیگر ، تعداد ایالت ها بر عملکرد نمونه کارها تأثیر نمی گذارد. برای خلاصه کردن نتایج آزمایش ، استراتژی سرمایه گذاری Momentum HMM بازده بالاتری را با دوره تشکیل 6 ، 9 و 12 ماه و یک دوره برگزاری 1 ماهه ایجاد می کند. نتایج در جدول 2 به صورت گرافیکی در شکل 3 نشان داده شده است.

همانطور که در شکل 3 نشان داده شده است ، اوراق بهادار در کمترین دوره برگزاری ، یعنی یک ماه ، بهترین عملکرد را انجام می دهد. به عبارت دیگر ، با کاهش دوره تعادل نمونه کارها ، سودمندی HMM افزایش می یابد. بنابراین ، ما یک آزمایش اضافی را با استفاده مجدد از هفتگی با استفاده از دوره های تشکیل و تعداد ایالت های مورد استفاده در جدول 2 انجام می دهیم. جدول 3 بازده ماهانه نمونه کارها را با استفاده از بازگرداندن هفتگی به طور طولانی نشان می دهد ، و نتایج موجود در جدول 3 نشان داده شده است. از لحاظ گرافیکی در شکل 4. همانطور که در جدول 3 و شکل 4 نشان داده شده است ، تعادل هفتگی بازده بالاتری را نسبت به تعادل ماهانه در کلیه ترکیبات دوره های تشکیل و تعداد ایالت ها ایجاد می کند. لازم به ذکر است که بر خلاف نتایج در جدول 2 ، بهترین عملکرد هنگامی حاصل می شود که دوره تشکیل یک ماه باشد (J = 1).

3. 2نمونه کارها تنها حرکت در بخش تنها سهام

3. 2. 1. نمونه کارها تنها و تنها سهام بخش سنتی سهام

در این بخش ، پرتفوی ها شامل سهام حرکت به سمت بالا متعلق به بخش های حرکت به سمت بالا است. با استفاده از 19 شاخص صنعت ، ابتدا بخش هایی را می یابیم که شاخص ها بازده مثبت را ثبت می کنند و سپس سهام را انتخاب می کنند که در آن بخش های منتخب گنجانده شده و بازده مثبت را در طول دوره تشکیل ایجاد می کنند. ما در محدوده های مختلف شکل گیری و برگزاری دوره های 1 ، 3 ، 6 ، 9 و 12 ماه اوراق بهادار می سازیم. نتایج در جدول 4 در زیر نشان داده شده است.

3. 2. 2. هوم بخش سهامدار تنها و تنها پرتفوی حرکت

در این بخش ، ما از HMM برای شناسایی بخش های حرکت به سمت بالا و همچنین سهام حرکت به سمت بالا استفاده می کنیم. ما ابتدا بخش های حرکت به سمت بالا را در بین 19 شاخص صنعت شناسایی می کنیم و سپس سهام حرکت به سمت بالا را که در بخش های حرکت به سمت بالا وجود دارد ، شناسایی می کنیم. مشابه آزمایش در بخش 3. 1. 2 ، ما پرتفوی ها را با دوره های تشکیل و نگه داشتن دوره های 1 ، 3 ، 6 ، 9 و 12 ماه می سازیم و آزمایش را با تعداد مختلفی از حالتهای پنهان از جمله 2 ، 3 ، 4 و 5 انجام می دهیمما برای یادگیری HMM از روش پنجره کشویی 1 ماهه استفاده می کنیم. در جدول 5 میانگین بازده ماهانه نمونه کارها با حرکت طولانی مدت بخش HMM نشان داده شده است. نتایج ارائه شده در جدول 5 به صورت گرافیکی در شکل 5 نشان داده شده است.

همانطور که در جدول 5 و شکل 5 نشان داده شده است ، پرتفوی های تنها و تنها سهام بخش HMM از اوراق بهادار سنتی تنها حرکت در تمام ترکیبات شکل گیری و دوره های برگزاری بهتر عمل می کنند. مشابه نتایج حاصل از سهام HMM تنها پرتفوی حرکت ، پرتفوی ساخته شده توسط دوره های تشکیل 6- ، 9- و 12 ماهه برای تولید بازده بالاتری نسبت به مواردی که توسط دوره های تشکیل 1 و 3 ماهه ساخته شده است ، مشاهده می شود. همچنین خاطرنشان می شود که اوراق بهادار با یک دوره برگزاری یک ماهه در بیشتر دوره های شکل گیری به بهترین عملکرد می رسد. مشابه سهام HMM تنها پرتفوی حرکت طولانی مدت ، هرچه دوره برگزاری کوتاهتر باشد ، عملکرد بهتر می شود.

به همین ترتیب ، ما یک آزمایش اضافی با تعادل هفتگی در ترکیب دوره های تشکیل و تعداد ایالت ها انجام می دهیم. در جدول 6 بازده ماهانه ماهانه نمونه کارها با حرکت طولانی مدت بخش HMM با تعادل هفتگی ، و نتایج در جدول 6 به صورت گرافیکی در شکل 6 نشان داده شده است. همانطور که در جدول 6 و شکل 6 نشان داده شده است ، بازگرداندن هفتگی بازده بالاتری از بازده بالاتری از آن ایجاد می کندتعادل ماهانه در کلیه ترکیبات دوره تشکیل و تعداد ایالت ها. لازم به ذکر است که برخلاف نتایج ارائه شده در جدول 5 ، بهترین عملکرد هنگامی حاصل می شود که دوره تشکیل یک ماه باشد (J = 1).

3. 3شاخص HMM تنها پرتفوی حرکت طولانی مدت

در این بخش ، ما از 20 شاخص ، از جمله 19 شاخص صنعت و شاخص KOSPI ، برای ساخت شاخص HMM تنها پرتفوی حرکت طولانی استفاده می کنیم. با توجه به وضعیت هر شاخص تعیین شده توسط HMM ، ما این شاخص را فقط هنگامی که در حالت رو به رشد قرار دارد خریداری می کنیم و هر هفته نمونه کارها را دوباره تعادل می دهیم. این آزمایش با یک دوره برگزاری یک هفته و یک دوره تشکیل 1 ماهه در طول 2 ، 3 ، 4 و 5 حالت پنهان انجام می شود. علاوه بر این ، ما استراتژی خرید و نگه داشتن را با شاخص ها به کار می بریم و عملکرد استراتژی حرکت شاخص HMM را با برنامه های خرید و نگهدارنده مقایسه می کنیم. ما همچنین نسبت دوره ای را که در طی آن نمونه کارها موقعیت طولانی را به دوره آزمایشی می رساند ، محاسبه می کنیم ، که با نسبت دوره موقعیت طولانی (RLP) مشخص می شود. در جدول 7 بازده ماهانه نمونه کارها حرکت شاخص HMM توسط 19 بخش و بازار کلی نشان داده شده است. نتایج جدول 7 به صورت گرافیکی در شکل 7 نشان داده شده است. همانطور که در جدول 7 و شکل 7 نشان داده شده است ، بازده ماهانه از استراتژی حرکت طولانی مدت با شاخص HMM به طور قابل توجهی بالاتر از موارد بدست آمده با استراتژی خرید و نگهدارنده برای همه شاخص ها مشاهده می شود. بشراین نتایج مطابق با نتایج گزارش شده توسط نگوین است [16].

4- خلاصه و نتیجه گیری

این مطالعه با استفاده از HMM در استراتژی سرمایه گذاری حرکت پیشنهاد می کند و عملکرد نمونه کارها حرکت HMM را با نمونه های پرتفوی سنتی حرکت می کند تا سودمندی HMM را برای استراتژی سرمایه گذاری حرکت نشان دهد. نتایج تجزیه و تحلیل تجربی این مطالعه را می توان به شرح زیر خلاصه کرد.

ابتدا ، نمونه کارها Momentum Momentum سهام HMM (بخش 3. 1) و پرتفوی حرکت سهام بخش HMM (بخش 3. 2) از نمونه کارها شتاب سنتی مربوطه در کلیه ترکیبات تشکیل و دوره های برگزاری بهتر عمل می کند.

دوم ، نتایج مربوط به پرتفوی سهام HMM سهام و پرتفوی حرکت سهام HMM ویژگی های مشابهی را نشان می دهد: پرتفوی های ساخته شده توسط دوره های تشکیل 6- ، 9- و 12 ماهه بازده بالاتری را نسبت به موارد ساخته شده توسط 1- و 3 ماهه ایجاد می کننددوره های تشکیلهمچنین مشاهده شده است که اوراق بهادار با یک دوره نگهدارنده 1 ماهه در بیشتر دوره های شکل گیری به بهترین عملکرد می رسد.

سوم ، پرتفوی Momentum Momentum سهام HMM و پرتفوی Momentum-Sector-Sector-Sector با تعادل هفتگی عملکرد آنها را بهبود می بخشد و بهترین بازده خود را با یک دوره شکل گیری 1 ماهه ایجاد می کند.

چهارم ، استراتژی سرمایه گذاری حرکت شاخص HMM به طور قابل توجهی از استراتژی خرید و نگه داشتن برای همه شاخص ها بهتر است.

به طور خلاصه ، HMM عملکرد استراتژی حرکت برای اوراق بهادار سهام ، پرتفوی سهام بخش ، پرتفوی شاخص صنعت و پرتفوی شاخص KOSPI را در طی دوره از ژانویه 2000 تا دسامبر 2018 بهبود می بخشد. علاوه بر این ، نتایج تجربی ما با استفاده از 1- 1-مدت زمان تشکیل ماه و یک دوره برگزاری 1 هفته برای استراتژی سرمایه گذاری Momentum HMM.

تعداد زیادی از مدل ها یا تکنیک ها برای ایجاد یک نمونه کارها کارآمد متشکل از انواع مختلف سازها توسط دانشگاهیان و دست اندرکاران تهیه شده است. یک استراتژی سرمایه گذاری مؤثر به سرمایه گذاران کمک می کند تا به سرمایه گذاری های کارآمد و همچنین یک بازار مالی کارآمد دست یابند ، که به خوبی شناخته شده است که نقش مهمی در حفظ رشد اقتصادی دارد. برای حفظ یک مزیت رقابتی برای مدیریت نمونه کارها ، سرمایه گذاران بازار سهام نیاز به یک تصمیم سرمایه گذاری استراتژیک دارند که می تواند بازده را به حداکثر برساند یا ضرر را به حداقل برساند. استراتژی سرمایه گذاری Momentum HMM می تواند توسط مدیران نمونه کارها برای اوراق بهادار کارآمدتر مورد استفاده قرار گیرد و به کارآیی بازارهای مالی کمک می کند. به این معنا ، استراتژی سرمایه گذاری Momentum HMM که در این مقاله توسعه یافته است ، در حفظ رشد اقتصادی نقش دارد.

در حالی که استراتژی حرکت سنتی که توسط Jegadeesh و Titman [4] تئوریزه شده است ، در بسیاری از مطالعات مورد استفاده گسترده قرار گرفته است ، اثربخشی استراتژی حرکت در بازار سهام کره مشخص نشده است. این مطالعه نشان می دهد که استراتژی سرمایه گذاری حرکت با استفاده از HMM در بازار سهام کره مفید است. با این حال ، این مطالعه محدودیت های احتمالی دارد. به عنوان مثال ، نتایج تجربی محدود به سبد خرید طولانی مدت دارایی های بازار کره است. بر اساس استراتژی حرکت HMM ما ، تحقیقات آینده را می توان با استفاده از HMM در استراتژی حرکت کوتاه مدت یا تدوین یک استراتژی جدید حرکت هوش مصنوعی که می تواند برای سایر پرتفوی های حاوی انواع مختلف دارایی های مالی در بازار جهانی استفاده شود ، غنی شود.

کمک های نویسنده

مدیر پروژه ، K. J. O. ؛برنامه نویسی ، تجزیه و تحلیل رسمی ، H. R. ؛پیشنهاد روش ، درمان داده ها ، H. H. B. ؛نوشتن ، بررسی و ویرایش ، H. S. L. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

منابع مالی

این تحقیق بودجه خارجی دریافت نکرد.

تضاد علاقه

نویسندگان اعلام می کنند که هیچ تضاد منافع ندارند.

منابع

1. FAMA ، E. F. ؛فرانسوی ، K. R. مقطع بازده سهام مورد انتظار. J. مالی. 1992 ، 47 ، 427-465.[Google Scholar] [CrossRef]
2. FAMA ، E. F. ؛فرانسوی ، K. R. عوامل خطر مشترک در بازده سهام و اوراق قرضه. J. مالی. 1993 ، 33 ، 3-56.[Google Scholar] [CrossRef]
3. Carhart ، M. در مورد پایداری در عملکرد صندوق های متقابل. J. مالی. 1997 ، 52 ، 57-82.[Google Scholar] [CrossRef]
4. ایوب ، تو. Kausar ، S. ؛نورن ، تو. ؛زکاریا ، م. ؛Jadoon ، I. A. مدل قیمت گذاری دارایی سرمایه شش عاملی مبتنی بر ریسک (CAPM): یک الگوی جدید در قیمت گذاری دارایی. پایداری 2020 ، 12 ، 6756. [Google Scholar] [CrossRef]
5. جگادش ، ن. ؛تیتمن ، S. به خرید برندگان و فروش بازنده ها باز می گردد: پیامدهای مربوط به کارایی بازار سهام. J. مالی. 1993 ، 48 ، 65-91.[Google Scholar] [CrossRef]
6. Rouwenhorst ، K. G. استراتژی های بین المللی حرکت. J. مالی. 1998 ، 53 ، 267 284.[Google Scholar] [CrossRef] [نسخه سبز]
7. گریفین ، J. M. ؛جی ، ایکس ؛مارتین ، S. استراتژی های حرکت جهانی. J. Portf. مدیر. 2005 ، 31 ، 23-39.[Google Scholar] [CrossRef]
8. Moskowitz ، T. ؛Grinblatt ، M. آیا صنایع توضیحات را توضیح می دهند؟J. مالی. 1999 ، 54 ، 249 1290.[Google Scholar] [CrossRef]
9. Aldieri ، L. ؛Vinci ، C. P. اندازه شرکت و نوآوری پایدار: یک تحلیل نظری و تجربی. پایداری 2019 ، 11 ، 2775. [Google Scholar] [CrossRef] [نسخه سبز]
10. Grinold ، R. C. ؛Kahn ، R. N. مدیریت نمونه کارها فعال: یک رویکرد کمی برای ارائه بازده برتر و کنترل ریسک ، ویرایش دوم ؛McGraw-Hill Professional: New York ، NY ، USA ، 2000. [Google Scholar]
11. کیم ، ج. ؛شین ، س. ؛لی ، H. S. ؛اوه ، K. J. یک سیستم تخصیص نمونه کارها یادگیری ماشین برای IPO در بازارهای کره با استفاده از تئوری مجموعه GA. پایداری 2019 ، 11 ، 6803. [Google Scholar] [CrossRef] [نسخه سبز]
12. آنتونیو ، M. S. ؛Francisco ، M. A. ؛آلیشیا ، ت. ؛خوزه ، L. J. ؛کریستینا ، R. E. تشخیص الگوی برای پیش بینی سری زمانی لرزه ای. سیستم متخصصکاربرد2010 ، 37 ، 8333-8342.[Google Scholar]
13. حسن ، M. R. ؛Ramamohanarao ، K. ؛Kamruzzaman ، J. ؛رحمان ، م. ؛حسین ، M. M. یک سیستم استنتاج فازی تطبیقی مبتنی بر HMM برای پیش بینی بازار سهام. Neurocomputing 2013 ، 104 ، 10-25.[Google Scholar] [CrossRef]
14. Sasikumar ، R. ؛عبدالله ، A. S. پیش بینی ارزش بازار سهام با استفاده از مدل پنهان مارکوف. int. J. Bus. مقعدint. 2016 ، 4 ، 17-21.[Google Scholar] [CrossRef]
15. حسن ، ر. ؛Nath ، B. پیش بینی بازار سهام با استفاده از مدل مخفی مارکوف: یک رویکرد جدید. در مجموعه مقالات پنجمین کنفرانس بین المللی در زمینه طراحی و برنامه های هوشمند سیستم های هوشمند (ISDA05) ، ورشو ، لهستان ، 8-10 سپتامبر 2005 ؛صص 192-196.[Google Scholar]
16. Nguyen ، N. Hidden Markov مدل برای تجارت سهام. int. J. مالی. گل میخ2018 ، 6 ، 36. [Google Scholar] [CrossRef] [نسخه سبز]
17. دیمیتری ، ص ؛ماتئو ، M. D. ؛Ronan ، C. مدل سازی آکوستیک پایان به پایان با استفاده از شبکه های عصبی حلقوی برای تشخیص گفتار اتوماتیک مبتنی بر HMM. ارتباط گفتار2019 ، 108 ، 15-32.[Google Scholar]
18. احمد ، اف. ؛رحمان ، م. هوم به عنوان یک تکنیک استنباط برای آگاهی از زمینه.compute Compute. علمی2015 ، 59 ، 454-458.[Google Scholar]
19. پارش ، د. ؛Rogemar ، م. ؛آنتون ، T. فیلتر کردن و پیش بینی قیمت های آتی کالاها تحت یک چارچوب HMM. Energy Econ. 2013 ، 40 ، 1001-1013.[Google Scholar]
20. Stratonovich ، R. L. فرآیندهای مشروط مارکوف. نظریه Probab. کاربرد1960 ، 5 ، 156-178.[Google Scholar] [CrossRef]
21. Baum ، L. E. ؛پتری ، T. استنتاج آماری برای عملکردهای احتمالی زنجیرهای مارکوف حالت محدود. آن راریاضی. آمار1966 ، 37 ، 1554-1563.[Google Scholar] [CrossRef]
22. Baum ، L. E. ؛پتری ، تی. ؛Soules ، G. ؛Weiss ، N. یک تکنیک حداکثر سازی که در تجزیه و تحلیل آماری عملکردهای احتمالی زنجیرهای مارکوف رخ می دهد. آن راریاضی. آمار1970 ، 41 ، 164-171.[Google Scholar] [CrossRef]
23. Baum ، L. E. نابرابری و تکنیک حداکثر رساندن مرتبط در برآورد آماری برای عملکردهای احتمالی زنجیرهای مارکوف. نابرابری های 1972 ، 3 ، 1-8.[Google Scholar]
24. Viterbi ، A. J. مرزهای خطا برای کدهای حلقوی و یک الگوریتم رمزگشایی بهینه بهینه. IEEE T. Inf. تئوری 1967 ، 13 ، 260-269.[Google Scholar] [CrossRef] [نسخه سبز]
25. Rabiner ، L. R. ؛Juang ، B. H. مقدمه ای برای مدل های پنهان مارکوف. IEEE ASSP MAG. 1986 ، 3 ، 4-16.[Google Scholar] [CrossRef]
26. Rabiner ، L. R. آموزش در مورد مدل های پنهان مارکوف و برنامه های انتخاب شده در تشخیص گفتار. پروکIEEE 1989 ، 77 ، 257 286.[Google Scholar] [CrossRef]
27. CAI ، X. ؛گائو ، ی. ؛لی ، م. ؛سونگ ، دبلیو دبلیو. پایداری 2016 ، 8 ، 892. [Google Scholar] [CrossRef] [نسخه سبز]
28. asness ، C. S. ؛جان ، M. L. ؛راس ، L. S. موازی بین پیش بینی مقطعی سهام و بازده کشور. J. Portf. مدیر. 1997 ، 23 ، 79-87.[Google Scholar] [CrossRef] [نسخه سبز]
29. Lebaron ، B. سودآوری قانون تجارت فنی و مداخله ارز. J. int. ECON1999 ، 49 ، 125-143.[Google Scholar] [CrossRef] [نسخه سبز]
30. Rouwenhorst ، K. G. عوامل بازگشت محلی و گردش مالی در بازارهای سهام در حال ظهور. J. مالی. 1999 ، 54 ، 1439 1464.[Google Scholar] [CrossRef]
31. گریفین ، ج. ؛جی ، ایکس ؛مارتین ، جی. امرموم سرمایه گذاری و ریسک چرخه تجارت: شواهدی از قطب به قطب. J. مالی. 2003 ، 58 ، 2515 2547.[Google Scholar] [CrossRef]
32. Jostova ، G. ؛نیکولووا ، س. ؛فیلیپوف ، ا. Stahel ، C. W. Momentum در بازده اوراق بهادار شرکت. Rev. Financy. گل میخ2012 ، 26 ، 1649-1693.[Google Scholar] [CrossRef]
33. لو ، B. V. ؛یو ، P. حرکت در بازارهای باند دولت. J. درآمد ثابت 2012 ، 22 ، 72-79.[Google Scholar] [CrossRef]
34. کیم ، D. H. ؛SEO ، H. J. مطالعه تجربی در مورد عملکرد استراتژی های حرکت سبک در بازار سهام کره. BUS BUS کره ای. Adm 2008 ، 21 ، 1945-1975.[Google Scholar]
35. ویسر ، من. ؛SpeekenBrink ، M. Depmixs4: بسته R برای مدل های پنهان مارکوف. J. Stat. نرم2010 ، 36 ، 1-21.[Google Scholar] [CrossRef] [نسخه سبز]