مدل سازی تحلیلی و تحلیل تجربی استراتژی های گزینه های باینری

این مطالعه استراتژی‌های سرمایه‌گذاری باینری گزینه را با توسعه فرمالیسم ریاضی و فرمول‌بندی مدل‌های تحلیلی تحلیل می‌کند. نتیجه باینری گزینه های باینری نشان دهنده افزایش یا کاهش در یک پارامتر، معمولاً یک دارایی یا مشتق است. اگر پیش‌بینی درست باشد، سرمایه‌گذار تنها بازدهی جزئی دریافت می‌کند، اما در غیر این صورت تمام سرمایه‌گذاری را از دست می‌دهد. تحقیقات اصلی در مورد گزینه های باینری با هدف توسعه بهترین استراتژی های معاملاتی پویا است. این مطالعه بر استراتژی‌های تاکتیکی ایستا و آسان برای پیاده‌سازی تمرکز دارد و عملکرد چنین استراتژی‌هایی را در رابطه با دقت پیش‌بینی، درصد پرداخت و تصمیم‌های استراتژی سرمایه‌گذاری بررسی می‌کند.

1. مقدمه

1. 1. گزینه های باینری

گزینه های باینری که به آن اوراق بهادار مشروط دولتی Arrow-Debreu [1] نیز گفته می شود، دسته ای از ابزارهای سرمایه گذاری مالی هستند، به ویژه، نوع خاصی از گزینه های عجیب و غریب در مشتقات مالی.

گزینه های باینری، به دلیل سادگی، در بین سرمایه گذاران محبوب هستند. تنها در ژاپن، حجم معاملات برای گزینه های باینری در سال 2015 بیش از 23 میلیارد ین بود (https://www. financemagnates. com/forex/brokers/binary-options-trading-volume-in-japan-jumps-42-77-yoy/ قابل دسترسی در 22 مه 2022). تعداد کاربران ثبت‌شده در پلت‌فرم معاملاتی گزینه‌های باینری IQ Option از سال 2014 تا 2020 تقریباً 50 برابر شده و به بیش از 48 میلیون کاربر رسیده است (https://iqoption. com/en/numbers قابل دسترسی در 22 مه 2022). گزینه‌های باینری نیز در ادبیات آکادمیک توجه فزاینده‌ای را به خود جلب می‌کنند: جستجوی ادبیات در Google Scholar با نرم‌افزار Publish یا Perish تقریباً 100 مطالعه تحقیقاتی مرتبط با امور مالی را از سال 2010 به بعد به دست آورد که «گزینه‌های باینری» در عنوان خود داشتند. بنابراین، گزینه های باینری موضوعی در امور مالی است که سزاوار توجه بیشتر و تحقیقات عینی است. بحث های بیشتر در مورد انگیزه تحقیق در فایل تکمیلی S1 توضیح داده شده است.

در طول هر دوره ای که می توان روی گزینه های باینری سرمایه گذاری کرد، سرمایه گذار پیش بینی می کند و روی این شرط بندی می کند که آیا ارزش پارامتر پیش بینی شده - معمولاً قیمت یک ابزار اساسی - بالاتر یا کمتر از یک مقدار هدف (قیمت) تعریف شده خواهد بود یا خیر. زمان انقضا مشخص شده [2]. بدون از دست دادن کلیت، پارامتر پیش‌بینی‌شده در این مطالعه قیمت نامیده می‌شود.

برای گزینه‌های باینری، سرمایه‌گذار یکی از این دو را انتخاب می‌کند - تماس (طولانی) یا قرار دادن (کوتاه) - بر اساس پیش‌بینی‌اش از اینکه آیا قیمت بالاتر یا پایین‌تر از قیمت هدف است. اگر پیش‌بینی درست باشد، سرمایه‌گذار درصد بازپرداخت مثبت سرمایه‌گذاری را دریافت می‌کند. در غیر این صورت، آنها پرداخت صفر دریافت می کنند. اگر این گزینه در پول منقضی شود، پرداخت مبلغ ثابتی است که به عنوان درصد پرداخت معینی از سرمایه گذاری محاسبه می شود. اگر گزینه از پول منقضی شود، پرداخت صفر است، و سرمایه گذاری اولیه از بین می رود، از این رو اصطلاح گزینه باینری وجود دارد - یا پرداخت وجود دارد یا بدون پرداخت [3]. به طور خلاصه، اگر پیش‌بینی درست باشد، به سرمایه‌گذار با درصد پرداختی از سرمایه‌گذاری پاداش داده می‌شود و اگر پیش‌بینی نادرست باشد، کل سرمایه‌گذاری از بین می‌رود.

به عنوان نمونه ای از گزینه های باینری ، شکل 1 یک رابط کاربری تجاری معمولی را برای گزینه باینری زیر نشان می دهد: "نرخ ارز EUR/USD در 18:05 امروز بالاتر از 1. 083260 خواهد بود". در شکل 2 ، عناصر رابط کاربری با شرایط مالی مربوطه ، یعنی دارایی ، گزینه ، مبلغ سرمایه گذاری و درصد پرداخت ، برجسته و نقشه برداری می شوند.

1. 2روش بررسی ادبیات

ادبیات در مورد گزینه های باینری در حال رشد است. برای شناسایی تحقیقات در این زمینه و شناسایی مهمترین مطالعات ، یک رویکرد سیستماتیک دنبال شد. از نرم افزار Publish یا Perish برای جستجوی تمام نتایج در Google Scholar استفاده شده است که اصطلاح "گزینه های باینری" را در عنوان مقاله دارند. سپس ، نتایج این جستجو ، که تقریباً 100 نتیجه به دست آورد ، به یک پایگاه داده صفحه گسترده صادر شد ، که به طور متوالی به عنوان S001 ، S002 و غیره برچسب گذاری شد و یک به یک مورد بررسی قرار گرفت. برای هر مقاله در نتایج جستجو ، چهار ستون داده جدید اضافه شد. ستون رتبه بندی ، برای هر مقاله ، یک نمره ارتباطی ، بین 0 تا 10 ، که خلاصه این مقاله را به تحقیقات ما خلاصه می کند. ستون موضوع تحقیق موضوع تحقیق مقاله را شرح داده است. ستون مشارکت سهم اصلی مقاله در ادبیات را توصیف کرد. ستون مقایسه مقاله را با تحقیقات ما از نظر موضوع ، نتایج و مشارکت ها مقایسه کرد. سپس ، فقط مقالات با رتبه بزرگتر از یا برابر 6 فیلتر شدند و انتخاب شدند تا در بررسی ادبیات گنجانده شوند. علاوه بر نتایج به دست آمده از انتشار یا هلاکت ، مقالات اضافی که در طول تحقیق یافت می شود نیز به عنوان R001 ، R002 و غیره مورد بررسی قرار گرفت. مهمترین مقالات در بین این موارد نیز در بررسی ادبیات گنجانده شده است.

1. 3بررسی ادبیات

این مقاله بر اساس مطالعات قبلی ساخته شده است که جنبه های مختلف گزینه های باینری را توصیف و تجزیه و تحلیل می کند. این بخش با بررسی مقالات تحقیقاتی که گزینه های باینری را معرفی می کنند ، آغاز می شود. سپس ، مطالعاتی که بر اصول کار سیستم های گزینه های باینری ، به ویژه در زمینه مبادلات متمرکز است ، توضیح داده شده است. بخش عمده ای از تحقیقات در مورد گزینه های باینری بر روی الگوریتم های معاملاتی ، قیمت گذاری گزینه ها و تجزیه و تحلیل نمونه کارها متمرکز شده است. این دسته از تحقیقات در مورد گزینه های باینری مطابق با دسته های تحقیقاتی انواع دیگر ابزارهای سرمایه گذاری است.

1. 3. 1. گزینه های عجیب و غریب و باینری

در [4] ، گزینه های باینری به عنوان شرط بندی مالی Fix-Odds تعریف می شوند. علاوه بر این ، این کتاب کاربردهای گزینه های باینری را توصیف می کند و ارزش تصمیمات گزینه های باینری را بر اساس نوسانات ، گذشت زمان و قیمت ابزار مطالعه می کند. مرجع.[5] توصیه هایی را برای سرمایه گذاری های گزینه های عجیب و غریب ارائه می دهد و نشان می دهد که گزینه های باینری برای حدس و گمان مناسب تر از آنچه برای محافظت هستند مناسب تر هستند زیرا پرداخت ثابت برای محافظت از آن جبران می کند. مرجع.[6] ویژگی های گزینه های باینری و بازپرداخت و برخی از استراتژی های معاملاتی خاص را برای این گزینه ها ارائه می دهد. تجزیه و تحلیل در این مقاله پس از اعلام اعلامیه مبادله گزینه های Chicago Board (CBOE) برای لیست قراردادهای گزینه باینری در SPX و VIX انجام شد. سایر تحقیقات مرتبط شامل [7،8] است.

1. 3. 2. سازوکارهای عملیاتی

مکانیسم های عملیاتی گزینه های باینری و اختراعات مکانیسم های جدید را می توان در تعداد زیادی از حق ثبت اختراع [9،10،11،12] یافت ، که در پرونده تکمیلی S2 به تفصیل ارائه شده است.

با توجه به تحقیقات دانشگاهی در مورد مکانیسم های عملیاتی گزینه های باینری ، Ref.[2] در مورد روش هایی برای معامله گران که هدف آنها ایجاد یک سیستم تجارت گزینه های باینری با استفاده از معاملات الگوریتمی هستند ، بحث می کند. پسوند مدل سیاه و سیاه در [13] ارائه شده است که از قیمت بازار ، از قیمت های بازار ، گزینه های واقعی تماس باینری است. نتایج نشان می دهد که رویکرد پیشنهادی می تواند حضور فرصت های داوری را در یک معامله گزینه های باینری تأیید کند.

1. 3. 3. الگوریتم های معاملاتی

بخش عمده ای از تحقیقات در مورد گزینه های باینری بر الگوریتم های معاملاتی متمرکز است که در این بخش مورد بحث قرار می گیرد. تمام کارهای تحقیقاتی ذکر شده مستلزم استفاده از محاسبات الگوریتمی است ، بنابراین آنها را برای متوسط سرمایه گذار خرده فروشی که به دنبال استراتژی های سرمایه گذاری بصری و آسان برای اجرای هستند ، نامناسب می کند. تحقیقات قبلی در مورد الگوریتم های معاملاتی برای گزینه های باینری در پرونده تکمیلی S3 به تفصیل شرح داده شده است. مرجع.[14] یک سیستم معاملاتی ایجاد شده برای گزینه های باینری که می تواند چندین شاخص را پیکربندی کند و سپس نرخ بازده نسبی آنها را مقایسه کند. مرجع.[15] نشان می دهد که چگونه بهینه سازی الگوریتمی می تواند عملکرد سیستم های تجارت گزینه های باینری را با استفاده از استراتژی BB-RSI (Bollinger Bands-Negative Strength) بهبود بخشد. مرجع.[16] یک روش پیش بینی شمعدان را برای معامله گران گزینه های باینری با استفاده از طبقه بندی کننده دستگاه بردار پشتیبانی (SVM) ارائه می دهد. مرجع.[17] اخبار و سنجش اجتماعی را با قیمت سهام تاریخی ترکیب می کند تا پیش بینی معاملات را افزایش دهد.

1. 3. 4. قیمت گذاری گزینه ها

تحقیقات اولیه در مورد قیمت گذاری گزینه های عجیب و غریب شامل [18،19،20،21،22،23] است که در پرونده تکمیلی S4 به تفصیل است. مرجع.[24] از تئوری مجموعه فازی برای قیمت گزینه های باینری استفاده می کند ، و گزارش شده است که مدل پیشنهادی امکان پذیر است. مرجع.[25] قیمت گذاری گزینه های باینری را با استفاده از تجزیه و تحلیل تصادفی با فرض حرکت هندسی تنظیم شده توسط مارکوف از دینامیک قیمت اصلی در نظر می گیرد. این مطالعه از فرمول "سیا ه-شول ز-مرتون" استفاده می کند. مرجع.[26] در مورد گزینه های باینری با جزئیات ، به ویژه "گزینه های باینری انگلیس" ، از جمله مکانیک قیمت گذاری گزینه آنها بحث می کند. یک ویژگی محافظ که سرمایه گذاران را قادر می سازد خود را در برابر تغییر قیمت سهام نامطلوب محافظت کنند ، این گزینه ها را توصیف می کند. ضمن استفاده از فرمالیسم مکانیک کوانتومی در قیمت گذاری گزینه های باینری و در نتیجه رسیدگی به چالش های استفاده از مدل سیاه و سیاه و شبیه سازی مونت کارلو ، Ref.[27] همچنین مجموعه ای از گزینه های باینری را بر اساس سهام S&P 500 ایجاد می کند.

مرجع.[1] روش جدیدی را برای تخمین میزان اطلاعات عمومی و خصوصی در قیمت دارایی در بازارهای گزینه های باینری نشان می دهد. نویسندگان تخمین می زنند که 90 ٪ تا 100 ٪ از اطلاعات عمومی ، در مقابل تنها 0 ٪ تا 30 ٪ اطلاعات خصوصی ، در قیمت ها منعکس می شود ، نشان می دهد که قیمت ها ممکن است بسیار از راندمان با فرم قوی باشد.

1. 3. 5. مدیریت نمونه کارها

یکی دیگر از جریان های تحقیقاتی مدیریت نمونه کارها از گزینه های باینری. مرجع.[28] استراتژی محافظت از Haar را برای نمونه کارها از گزینه های باینری ، که از رویکرد معیار Delta Hedging سودمندتر است ، پیشنهاد می کند. مرجع.[29] مطالعه و بهبود عملکرد محافظت از رویکرد تکثیر استاتیک DEK را با توسعه یک نمونه کار از گزینه های اروپایی و باینری با همگرایی ارائه می دهد. مرجع.[30] با استفاده از گزینه های باینری بر اساس رویکرد شبکه وکتور ، یک روش محافظت از استاتیک را برای گزینه های اروپایی ، سد و هندسی آسیایی ارائه می دهد. مرجع.[31] استفاده از "بهینه سازی نمونه کارها آنتروپیک گسسته" را بر اساس نرخ رشد مورد انتظار و آنتروپی نسبی یک نمونه کارها از گزینه های باینری ارائه می دهد. روش توسعه یافته با استراتژی هایی که براساس معیار کلی است ، مقایسه می شود. مرجع.[32] از ویژگی های یادگیری عمیق برای ایجاد نمونه کارها مبتنی بر شمعدان استفاده می کند. تحت تنظیمات مختلف پارامتر ، نمونه کارها پیشنهادی از بودجه برتر در چین بهتر عمل می کنند. تحقیقات در مورد تغییرات گزینه های باینری در پرونده تکمیلی S5 ارائه شده است.

1. 3. 6. خطرات و کاهش

خطرات و روشهای کاهش گزینه های باینری در جریان زیر مطالعات مورد بررسی قرار گرفته است. مرجع.[33] در مورد مفاد قانون اتحادیه اروپا در مورد گزینه های باینری بحث می کند و پیشرفت هایی را نشان می دهد ، به ویژه در مورد تخمین های مورد نیاز سرمایه. مرجع.[34] روشی را برای کاهش خطرات در تجارت با گزینه های باینری ارائه می دهد ، که به طور بالقوه باعث کاهش ضرر و زیان برای سرمایه گذاران می شود. مرجع.[35] سیستم هایی را برای تشخیص دستکاری گزینه های باینری ، به ویژه برای سیستم عامل های معاملاتی دستگاه تلفن همراه ارائه می دهد. مرجع.[36] خطرات مرتبط با شرط بندی CFD و گزینه های باینری را بررسی می کند. مرجع.[37] ، در حالی که یک تجزیه و تحلیل تخمین گسترده مشترک از مدلهای قیمت گذاری گزینه را انجام می دهد ، حق بیمه مورد انتظار را با هر فاکتور خطر استخراج می کند و اهمیت خطر ایدیوسنکراتیک را نشان می دهد. مرجع.[38] بررسی می کند که چگونه مشتقات مالی مختلف ، مانند گزینه های باینری ، می توانند برای انتقال ریسک امنیت اطلاعات استفاده شوند.

با توجه به درک گزینه های باینری و خطرات آنها ، Ref.[39] بازار گزینه های باینری ، به ویژه در روسیه را مطالعه می کند. امکانات کلاهبرداری های مالی و مشکلات در استفاده از گزینه های قانونی در مورد کارگزاران مبتنی بر اینترنت مورد بحث قرار گرفته است ، بنابراین نیاز به مقررات قوی را ارائه می دهد. بحث های بیشتر در مورد خطرات مربوط به گزینه های باینری را می توان در پرونده تکمیلی S6 مشاهده کرد.

1. 4انگیزه ، طراحی و مشارکت تحقیق

1. 4. 1. انگیزه

علیرغم مطالعات تحقیقاتی موجود در ادبیات ، این مطالعه از ادبیات گزینه های باینری سه شکاف تحقیق قابل توجه زیر را نشان داد ، که باعث ایجاد انگیزه در تحقیقات ارائه شده در این مقاله شد. اول ، هیچ کار تحقیقاتی قبلی یافت نشد که به طور رسمی و ریاضی گزینه های باینری و پرداخت آنها را به عنوان توابع پارامترهای گزینه و متغیرهای تصمیم گیری استراتژی های سرمایه گذاری بصری نشان می دهد. دوم ، هیچ کار قبلی مشخص نشده است که تجزیه و تحلیل تجربی گسترده ای از پرداخت گزینه های باینری با توجه به دقت پیش بینی ، درصد پرداخت و متغیرهای تصمیم گیری ارائه شده است. سرانجام ، یک شکاف (و فرصت) نیز در مورد نشان دادن چگونگی استفاده از تکنیک های تحلیلی بصری و سایر داده ها که به طور فزاینده ای در امور مالی اعمال می شود و سایر زمینه ها می توانند برای تجزیه و تحلیل گزینه های باینری و استراتژی های سرمایه گذاری پیشنهادی استفاده شوند ، مشخص شد. بحث های بیشتر در مورد انگیزه تحقیق در پرونده تکمیلی S1 شرح داده شده است.

1. 4. 2. طرح

برای پر کردن شکاف در ادبیات موجود ، مقاله ارائه شده یک مدل ریاضی را تهیه می کند که ارزیابی عملکرد استراتژی های سرمایه گذاری گزینه های باینری را امکان پذیر می کند. ادبیات تحقیق بیشتر بر روی استراتژی های معاملاتی برای گزینه های باینری ، با تمرکز ویژه بر اقدامات مختلف برای انجام هر تجارت ، با مقادیر مختلف برای پارامترهای تصمیم گیری متمرکز است. به عبارت دیگر ، بخش عمده ای از تحقیقات در مورد گزینه های باینری بر تجارت و قیمت گذاری متمرکز است. برای هر تصمیم تجارت ، محاسبات گسترده ای لازم است. چنین استراتژی های معاملاتی و قیمت گذاری به راحتی قابل اجرا و به روزرسانی برای یک سرمایه گذار متوسط نیست. در مقابل ، آنچه در عمل کاربردی تر است ، استراتژی های تجارت و سرمایه گذاری است که (1) بیان آسان ، (2) آسان برای درک ، (3) ساده ، شامل چند پارامتر با مقادیر استاتیک/ثابت در طول زمان ، (4)محاسبه آسان ، و (5) آسان برای اجرای در سطح تاکتیکی به جای اینکه به طور مداوم آنها را در یک سطح عملیاتی به روز کنید. ما می توانیم و به استراتژی هایی با این پنج ویژگی به آسانی در قسمت باقیمانده مقاله اشاره خواهیم کرد. این مقاله اولین مورد از نوع خود است و چنین استراتژی های سرمایه گذاری آسان برای تکمیل را تحقیق می کند. استراتژی های معرفی و تجزیه و تحلیل در این مقاله می تواند از طریق قوانین تصمیم گیری ساده در مورد چگونگی سرمایه گذاری و خارج از یک سری معاملات در طی یک دوره بیان شود. ترتیب وقایع در هر دوره فرض شده در مطالعه تحقیق در شکل 3 نشان داده شده است. نتایج ، بینش ها و نتیجه گیری های به دست آمده در این مقاله به عنوان راهنمایی برای ذینفعان در بخش مالی ، از جمله سرمایه گذاران ، مبادلات ، نرم افزار تجارت ، توسعه دهندگان مشاور متخصص ،و سیاست گذاران نهادهای نظارتی.

1. 4. 3. مشارکت

مطالعه ما کمک های زیر را به ادبیات انجام می دهد. اول ، گزینه های باینری و استراتژی های مختلف سرمایه گذاری بصری به عنوان توابع ریاضی پارامترهای گزینه و متغیرهای تصمیم گیری تدوین می شوند. دوم ، آزمایش های شبیه سازی مونت کارلو گسترده (بیش از 120،000) انجام می شود ، و در نتیجه ایجاد یک پایگاه داده مرجع برای عملکرد گزینه های باینری تحت تنظیمات مختلف پارامتر انجام می شود. کار ارائه شده شامل گسترده ترین تجزیه و تحلیل تجربی در مورد استراتژی های گزینه های باینری در ادبیات تا به امروز است. سرانجام ، تجزیه و تحلیل بصری و رگرسیون برای تجزیه و تحلیل نتایج آزمایش های شبیه سازی برای کشف دانش استفاده می شود. به بهترین دانش ما ، داده های تجزیه و تحلیل شده در این مقاله بزرگترین داده های مورد بررسی در تحقیقات گزینه های باینری است و می تواند به عنوان داده های بزرگ در این زمینه در نظر گرفته شود. هدف این است که بینش در مورد چگونگی تأثیر پارامترهای گزینه و متغیرهای تصمیم گیری بر عملکرد و نحوه مقایسه استراتژی های سرمایه گذاری معرفی شده بر دست یابد.

باقیمانده این مقاله به شرح زیر سازماندهی شده است: بخش 2 روشهای مورد استفاده در این مطالعه را معرفی می کند ، مدل ریاضی را نشان می دهد و چهار استراتژی سرمایه گذاری پیشنهادی را تعریف و توضیح می دهد. در این بخش همچنین جزئیات استفاده از مدل سازی محاسباتی از طریق شبیه سازی و آزمایش های مونت کارلو شرح داده شده است. بخش 3 تجزیه و تحلیل نتایج تجربی را از طریق تجزیه و تحلیل بصری ارائه می دهد. سرانجام ، بخش 4 با خلاصه ای از کار ارائه شده و یک طرح کلی از تحقیقات احتمالی آینده به پایان می رسد.

2. مواد و روشها

در این بخش روشهای به کار رفته در مطالعه ، یعنی روشها و اقدامات شبیه سازی مونت کارلو ، اقدامات آماری ، تجزیه و تحلیل بصری و رگرسیون معرفی شده است.

2. 1شبیه سازی مونت کارلو

شبیه سازی مونت کارلو یک روش محاسباتی تجربی است که برای تولید تقریبی برای اقدامات/معیارهای مورد علاقه استفاده می شود. در یک شبیه سازی مونت کارلو ، شبیه سازی های متعدد انجام می شود و آمار برای اقدامات مورد علاقه محاسبه می شود. این روش به ویژه هنگامی کاربرد دارد که محاسبات شامل تصادفی ذاتی یا پیچیدگی محاسباتی باشد که محاسبات دقیق را غیرممکن یا غیر عملی می کند [40]. در کار تحقیقاتی ما ، شبیه سازی مونت کارلو مورد نیاز است زیرا گزینه های باینری در هر دوره معاملاتی نتایج احتمالی دارند.

مرجع.[40] جنبه های نظری و کاربردهای عملی شبیه سازی مونت کارلو در مهندسی مالی را به تفصیل شرح می دهد. Refs[41،42،43،44] هنگام ارزیابی استراتژی های مختلف تجارت ، نمونه کارها و مدیریت ریسک ، شبیه سازی مونت کارلو را به کار بگیرید. مرجع.[41] از شبیه سازی مونت کارلو برای اثبات استراتژی جدید تجارت و مدیریت ریسک استفاده می کند ، و توسط [42] استفاده می شود تا تأیید کند که یک مدل جدید و مبتنی بر عامل جنبه های اساسی بازارهای مالی را تکرار می کند. مرجع.[43] یک مکانیسم مبتنی بر شبیه سازی مونت کارلو را برای حل مسئله مدیریت نمونه کارها با تغییر میانگین پویا محدود ارائه می دهد. در [44] ، شبیه سازی مونت کارلو از یک مدل استراتژی بهینه بهینه بازی برای تست کاربرد آن در دنیای واقعی انجام می شود. شبیه سازی مونت کارلو همچنین در مکانیسم های قیمت گذاری استفاده می شود [45].

2. 2اقدامات آماری

در این مقاله ، اقدامات آماری متعدد (معیارها) برای خلاصه کردن نتایج تجربی محاسبه می شود. چنین اقدامات آماری مقدار زیادی از داده ها را بطور خلاصه خلاصه می کند و تفسیر ، مقایسه و بحث و گفتگو را آسان تر می کند. اقدامات محاسبه شده در آزمایشات محاسباتی شامل میانگین ، میانگین ، انحراف استاندارد ، دامنه interquartile (IQR) [46] ، Skewness [47] و Kurtosis [48] است. اینها برخی از ابتدایی ترین و به طور گسترده ترین اقدامات در آمار توصیفی است ، همانطور که در ادبیات توصیه شده است [46] و در تجزیه و تحلیل آمار خلاصه نرم افزار آماری محبوب ، مانند SPSS (https://www. ibm. com/docs یافت می شود./en/spss-statistics/26. 0. 0؟topic=statistics-summary-scale-variables-custom-totals#table_builder_sumstats دسترسی به 22 مه 2022).

اگرچه مقادیر این اقدامات آماری در یک تجزیه و تحلیل آزمایشی محاسبه شده است ، با توجه به محدودیت های مربوط به طول کاغذ ، فقط یک زیر مجموعه از اقدامات آماری در این بخش گزارش شده است. این اقدامات انتخاب شده (میانگین) متوسط (به عنوان مثال ، مانند شکل 4) و (میانه) انحراف استاندارد است. هر اندازه گیری شامل یک مؤلفه "متوسط" برای از بین بردن اثرات مختل کننده محیط زیست است زیرا میانه نسبت به مقادیر شدید در یک مجموعه داده حساس نیست و بنابراین قوی است.

2. 3تحلیلی بصری

(داده ها) تجزیه و تحلیل به تجزیه و تحلیل ریاضی و محاسباتی و مدل سازی داده ها اشاره دارد. در این مقاله ، روش تجزیه و تحلیل اولیه مورد استفاده برای تجزیه و تحلیل نتایج تجربی برای کشف دانش ، تجزیه و تحلیل بصری است ، یعنی تجزیه و تحلیل داده ها از طریق تجسم گرافیکی. تجزیه و تحلیل بصری در این تحقیق انتخاب شد (شکل 4 ، شکل 5 ، شکل 7 ، شکل 8 ، شکل 9 ، شکل 10 و شکل 11) به عنوان روش تجزیه و تحلیل اصلی به دلیل مزایا و مزایای بسیاری از آن [49]. تجزیه و تحلیل بصری (A) مبتنی بر شهود و خلاقیت انسان است و استفاده از آن آسان است.(ب) کاربر را ملزم به توسعه یا درک هر الگوریتم محاسباتی نمی کند. ج) منحنی یادگیری نسبتاً مسطح دارد.(د) برای اهداف تولید و آزمایش بصری فرضیه ها و تشخیص هرگونه خطا در داده ها ایده آل است.(ه) اجازه می دهد تا الگوهای بصری مختلف به طور مستقیم روی صفحه مشاهده شود و ادراک از طریق رنگ ، اندازه و سایر سرنخ های بصری قابل افزایش است [50].

نوع اول تجسم مورد استفاده در تجزیه و تحلیل نمودار خط ساده است که تغییرات در مقادیر یک متریک را در برابر تغییرات در مقادیر یک پارامتر برای استراتژی های مختلف نشان می دهد و مقایسه می کند. به عنوان مثال ، شکل 5 تغییر در (میانگین) میانگین R O I ( y-axis) برای هر استراتژی (مشخص شده توسط هر خط) را برای مقادیر مختلف دقت پیش بینی ( x-axis) نشان می دهد.

نوع دوم تجسم به کار رفته ماتریس نقشه پراکندگی است که اجازه می دهد تا اثرات دو یا چند عامل در اندازه گیری پاسخ مورد علاقه مشاهده شود.

در شکل 4 ، ماتریس نقشه پراکندگی اثرات دقت پیش بینی p ( y-axis) و درصد پرداخت r ( x-axis) را در (میانگین متوسط) r o i برای هر یک از چهار استراتژی (ستون در هر جعبه) نشان می دهد. اندازه هر دایره (حباب) به صورت خطی نمایانگر r o i است ، و رنگ نشان می دهد که آیا این استراتژی منجر به r o i ≥ 1 (نارنجی) می شود یا r o i< 1 (gray);

به طور مشابه ، ماتریس نقشه پراکندگی در شکل 9 تأثیر دقت پیش بینی ، درصد پرداخت و نسبت سرمایه گذاری را در (میانگین میانگین) برای استراتژی B. به عنوان یک سرنخ بصری بیشتر ، به عنوان یک سرنخ بصری دیگر ، برای استراتژی B نیز به رنگ آمیزی می کند. و رنگ های تیره نشانگر بازده بالاتر است. برای تقویت نتایج و بینش ها ، شکل 9 همچنین منحنی های رگرسیون غیرخطی مناسب برای هر نقشه در ماتریس را نشان می دهد ، جایی که یک معادله ریاضی بین فاکتور در x-axis و پاسخ در y-axis برقرار می شود. برای هر جفت (P ، R) ، معادلات منحنی های شکل 9 به طور کامل در پرونده تکمیلی S7 ارائه شده است.

برای بیش از دو عامل ، ماتریس نقشه پراکندگی هنوز هم می تواند با تعیین مقادیر ثابت برای عوامل اضافی ساخته شود. ماتریس نقشه پراکندگی در شکل 11 مقادیر ثابت را برای دقت پیش بینی و درصد پرداخت (65/0 = p ، 65/0 = r) تعیین می کند. همچنین تأثیر سایر عوام ل-نسبت سرمایه گذاری (Z = 0. 05 ،… ، 0. 95) ، بر روی y-axis ماتریس ، ضرب برداشت (W = 1 ،… ، 2) در x-axis ماتریس را تجزیه و تحلیل می کند.، و نسبت برداشت شده (V = 0. 1 ،… ، 0. 9) بر روی x-axis هر طر ح-بر (میانگین متوسط) R o i c برای استراتژی Cبا رنگ

2. 4مدل سازی رگرسیون

با توجه به مقادیر عوامل ، رگرسیون نیز برای پیش بینی مقادیر متغیر پاسخ استفاده می شود. در یک رگرسیون غیرخطی ، متغیر پاسخ به عنوان یک عملکرد غیرخطی از عوامل مدل می شود [51]. بسیاری از توابع مختلف غیرخطی را می توان در یک رگرسیون غیرخطی ، از جمله توابع چند جمله ای ، توابع نمایی ، توابع لگاریتمی و توابع مثلثاتی قرار داد.

طبق گزارش "وضعیت یادگیری ماشین و علوم داده 2021" توسط Kaggle [52] ، مدل سازی رگرسیون بیشترین استفاده از روش تجزیه و تحلیل داده ها است ، از این رو توجیه کاربرد آن در این تحقیق است.

در تجزیه و تحلیل رگرسیون در این مطالعه برای استراتژی B ، توابع چند جمله ای (غیرخطی) در جفت ارزش های مختلف (P ، R) قوی ترین است. نتایج مدل رگرسیون به صورت بصری در شکل 9 و به عنوان معادلات رگرسیون در پرونده تکمیلی S7 ارائه شده است.

2. 5مدل سازی گزینه های باینری

در این بخش ، فرمالیسم ریاضی برای مدل سازی گزینه های باینری و استراتژی های مختلف سرمایه گذاری پیشنهادی برای گزینه های باینری ارائه شده است. سپس ، فرمالیسم معرفی شده به کار می رود ، جایی که یک سری معاملات در طی چندین دوره فرض می شود ، و معادلات ریاضی برای محاسبه مقادیر معیارهای عملکرد در هر دوره برای استراتژی ها ارائه می شود.

2. 5. 1. معیارها ، پارامترها و متغیرهای تصمیم گیری

معیار اصلی بازده سرمایه گذاری (ROI) به عنوان چندین سرمایه گذاری اولیه بیان شده است. به عنوان مثال ، r o i = 4 به این معنی است که مانده پایان (در پایان افق معاملات) چهار برابر مانده اولیه (قبل از سری معاملات) است.

متغیرهای تصمیم گیری برای استراتژی های سرمایه گذاری شامل نسبت سرمایه گذاری ، نسبت برداشت و ضرب برداشت است.

2. 5. 2. فرض

قبل از تدوین معادلات ریاضی که هر استراتژی را الگوبرداری می کند ، فرضیات ترتیب وقایع در هر دوره ، همانطور که در شکل 3 نشان داده شده است ، باید روشن شود. این فرض که ترتیب وقایع برای هر استراتژی سرمایه گذاری یکسان است هنگام مقایسه عملکرد استراتژی های مختلف. در شکل 3:

x تعادل را در ابتدای هر دوره نشان می دهد: x 0 سرمایه گذاری اولیه (x 0 = x 1) است ، x t تعادل در ابتدای دوره t است ، x t + 1 تعادل در ابتدای دوره t است+ 1 ، و غیره ؛

برداشت (برای استراتژی های سرمایه گذاری C و D) درست با شروع دوره T و قبل از هر رویداد دیگر اتفاق می افتد.

پرداخت برای هر دوره t درست قبل از پایان آن دوره و قبل از دوره بعدی t + 1 آغاز می شود. وت

2. 5. 3. نماد ریاضی

نماد ریاضی برای مدل سازی رسمی گزینه های باینری و استراتژی های سرمایه گذاری معرفی شده به شرح زیر است:

P: دقت پیش بینی ، 0 ≤ P ≤ 1 ؛احتمال اینکه یک پیش بینی (قرار دادن یا تماس) به درستی آینده را پیش بینی کند.

R: درصد پرداخت ، 0 ≤ R ≤ 1 ؛درصد سرمایه گذاری اولیه در صورت صحیح پیش بینی دریافت می شود.

Z: نسبت سرمایه گذاری (نسبت مانده فعلی که در هر دوره سرمایه گذاری می شود) در استراتژی های A ، C و D ، 0 ≤ z ≤ 1 ؛

z ′: نسبت سرمایه گذاری (نسبت مانده اولیه سرمایه گذاری شده در هر دوره) در استراتژی B ، 0 ≤ z ′ ≤ 1 ؛

W: ضرب برای برداشت ؛ضرب سرمایه اولیه x 0 در تصمیم گیری در مورد برداشت پول در استراتژی های C و D ، W ≥ 0 ؛

2. 5. 4. شرایط امکان سنجی

برای اینکه یک گزینه باینری امکان پذیر باشد ، بازده مورد انتظار باید بیشتر از سرمایه گذاری باشد. به عبارت دیگر ، اگر مقدار یک سرمایه گذاری واحد در گزینه های باینری توسط من مشخص شود ، بازده مورد انتظار است

In the first line of this expected return equation, p I + p r I refers to the return for a correct prediction, which is the probability p of keeping the initial investment I and receiving a return of r I . In the first line, ( 1 − p ) × 0 × I refers to the return for an incorrect prediction. For the investment/trade to be feasible, one should have expected a return higher than the investment, E ( r e t u r n ) = p I ( 1 + r ) >من ، که به

این نابرابری به عنوان شرایط امکان سنجی گفته می شود. این شرایط ، که می تواند در اشکال مشابه در [53،54] یافت ، می تواند یک اصل مهم برای سرمایه گذاران باشد. نکته مهم ، توجه داشته باشید که درصد پرداخت R در این نابرابری ارزش خالص است که درصد پرداخت ذکر شده در رابط کاربری بستر معاملاتی منهای هر هزینه/هزینه های دیگر مرتبط با تجارت در این سیستم عامل است.

As an example of the feasibility condition, if the payout percentage (including the effects of any trading and other fees/costs) is r = 0.75 , the prediction accuracy should be at least p > 1 / ( 1 + 0.75 ) ⇒ p >0. 5715.

2. 6استراتژی های سرمایه گذاری

در این مقاله ، عملکرد چهار استراتژی سرمایه گذاری آسان برای گزینه های باینری ، یعنی استراتژی های A ، B ، C و D ، معرفی و به صورت تجربی مورد تجزیه و تحلیل قرار گرفت. این استراتژی ها بر اساس دو اصل سرمایه گذاری محبوب در عمل ، میانگین هزینه دلار (DCA) [55] و سود [56] است.

اصل متوسط هزینه دلار (DCA) نشان می دهد بدون در نظر گرفتن قیمت دارایی ، به طور مرتب با گذشت زمان سرمایه گذاری می کند. این اصل در استراتژی های پیشنهادی ما از طریق سرمایه گذاری متناسب نشان داده شده است ، که منعکس کننده سرمایه گذاری مداوم و منظم با گذشت زمان است. اصل سود این نشان می دهد که به طور مرتب سود را به عنوان سود حاصل می کند. این اصل در استراتژی های پیشنهادی ما از طریق برداشت متناسب در استراتژی های C و D نشان داده شده است.

شرح هر استراتژی ، بیان استراتژی به عنوان یک قاعده و فرمول تعادل x t + 1 در هر دوره t + 1 ارائه شده است. تعادل در ابتدای دوره t + 1 تعادل پایان در پایان دوره t است و تابعی از تعادل x t در دوره قبلی t و همچنین پارامترهای گزینه های باینری و متغیرهای تصمیم گیری ازاستراتژی سرمایه گذاری.

در این استراتژی ، در هر دوره t ، سرمایه گذار نسبت خاصی از تعادل فعلی x t را سرمایه گذاری می کند. به عبارت دیگر ، استراتژی A است