Adatbányászati módszerek tőzsdei árfolyammozgások előrejelzésére

OData támogatás
Konzulens:
Nagy Gábor
Távközlési és Médiainformatikai Tanszék

Gazdaságinformatikus hallgatóként gazdasági elemző szakirányon tanulva szakdolgozatom témájának kiválasztásakor az elsődleges célom az üzleti intelligencia és az adatbányászati ismereteim elmélyítése volt. Érdeklődöm a pénzügy, azon belül is főként a tőzsde iránt is, így egy olyan téma mellett döntöttem, mely lefedi mind az informatikai, mind a pénzügyi területet. A szakdolgozat feladatom során egy tőzsdei kereskedő algoritmust hoztam létre.

A témához kötődő tőzsdei és adatbányászati irodalomkutatás után a kutatás alapján a páros kereskedési stratégiát választottam. A páros kereskedési stratégia két fő lépésből áll: részvénypárok kiválasztása valamint a kereskedő algoritmus létrehozása. A stratégia két kereskedést tartalmaz egy adott pillanatban: egy hosszú és egy rövid pozíciót. Amikor a távolság a részvények árfolyamai között szélesedik, akkor kell belépni a kereskedésbe és eladni röviden az alulteljesítő részvényt és megvenni hosszan a felülteljesítő részvényt. Ezek után az árfolyamok távolsága visszatér a középértékéhez köszönhetően a részvények átlaghoz való visszatérésének tulajdonságának.

Az algoritmust a Quantopian nevű platformon hoztam létre. Ez egy közösségi forrású, online kvantitatív befektetési algoritmus piac, mely kutatási és kereskedési platformot is kínál az algoritmusok tesztelésére és annak vizsgálatára, hogy hogyan teljesítene a valós piacon. A platform használata Python kódoláson alapul vegyítve a saját API-jukkal.

A páros kereskedési algoritmus implementálása során a CRISP-DM adatbányászati módszertan lépéseit követtem. Választásom azért erre esett, mert ez napjaink egyik legtöbbet használt adatbányászati módszertana. A módszertan első lépése a kereskedés üzleti oldalának megértése és az algoritmikus kereskedés előnyeinek definiálása a többi kereskedési módszerrel szemben. A következő lépések közé tartozik az adatok tanulmányozása illetve előkészítése a modellezéshez.

Az adatok előkészítése során az egyik fő cél olyan részvénypárok kiválasztása volt, melyek a legnagyobb hasznot hozhatják. Ehhez különböző matematikai teszteket végeztem el és ez alapján választottam ki öt párt a portfólió kockázatának minimalizálása érdekében. A legfontosabb kiválasztási kritérium a részvénypárok kointegritása volt, mely biztosítja, hogy a kereskedés utána a részvénypárok árfolyamai visszatérnek az átlagos távolságukhoz. A modellezési lépés feladata a kereskedési algoritmus implementálása volt.

Az algoritmus kereskedése eredményes volt, 25,8%-os megtérülést értem el. További fejlesztésként tervezem az egyes változók finomhangolását és az eredményekre tett hatásuk vizsgálatát, majd ezután az algoritmus éles kereskedésbe való bevezetését. Szakdolgozatomban ajánlottam a páros kereskedési algoritmus eredményeinek javítására egy másik módszert is, mely szerint érdemes lenne az algoritmust egy diverzifikáltabb portfólión is tesztelni.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.