Genetik Algoritma İle Hisse Senedi Portföyü Optimizasyonu

Not: Bu makale Medium'da yayımlandı. Orijinal makaleye buradan ulaşabilirsiniz.

Eğer benim gibi, parasını nasıl yatıracağını düşünen biriyseniz, bu makale tam size göre olabilir!

Bu makale yatırım tavsiyesi değildir, bu nedenle kendi takdirinizle kullanın. Finansal kararlarınızdan herhangi bir sorumluluk kabul etmiyorum.

Arka Plan

Daha küçük bir hisse senedi grubuna yatırım yaparak ortalamanın üzerinde bir risk-ayarlı getiri elde etmenin bir yolu var mı? Örneğin, 10 hisse senedi belirleyebilir miyiz (Örn. 1. Tesla + 2. IBM + 3. Chevron +… + 10. Gamestop), ki bunlar tek tek ortalama performans gösterebilir ancak aynı anda yatırıldığında güçlü sonuçlar verebilir mi?

Eğer S&P 500'den tüm 10 hisse senedi kombinasyonunu deneseydik, bu 245,810,588,801,891,070,000 kombinasyon olurdu, bu da "en iyi" 10 hisse senedi portföyünü bulmak için çılgınca bir zaman gerektirirdi. Bu tür bir senaryoda, Genetik Algoritma işe yarar, çünkü "iyi yeterli" bir çözüm bulmak için önemli ölçüde daha kısa bir zaman alır.

Problem Tanımı

S&P 500'de listelenen hisse senetlerinden en iyi risk-ayarlı getiriyi sağlayan 10 hisse senedi kombinasyonunu bulmak istiyoruz. Getiri, portföyün % büyümesi olacak, risk ise yatırılan zaman dilimi boyunca gözlemlenen standart sapma olacak. Risk-ayarlı getiri sadece riskin getiriye bölünmesidir.

Yöntem

10 hisse senedi kombinasyonu üzerinden döngü yapmak ve en iyi risk-ayarlı getiriyi bulmaya çalışmak için bir Genetik Algoritma kullanacağız. Aşağıdaki video Genetik Algoritmalar hakkında iyi bir genel bakış sağlar.

Yüksek seviyede, Genetik Algoritmalar evrimi simüle eder, nesiller boyunca portföylerin döngüsü yapar ve sadece güçlü "fitness" (bir portföyün risk-ayarlı getirisi) kalanları bırakır. "Çaprazlama" (2 mevcut hisse senedi portföyünü birleştirerek yeni bir tane oluşturma) ve "mutasyon" (portföydeki bir hisse senedini rastgele başka biriyle değiştirme) gibi mekanizmalar, modelin yerel minimumlarda takılıp kalmamasını sağlar ve hesaplama sürecine çeşitlilik getirir.

Python'da PyGAD kütüphanesini kullanacağız, bu da genetik algoritmaları kolayca uygulamamıza yardımcı olur.

Veri

S&P500'deki hisse senetlerinin listesini alıyoruz (Veri kaynağı için sona bakın) ve her bir hisse senedinin tarihsel performansını elde etmek için Yahoo Finance'a erişiyoruz. Tüm hisse senetlerinin bulunduğu bir ana veritabanı oluşturulur.

Yatırım dönemimizin başlangıç ve bitiş tarihlerini keyfi olarak 2021 Nisan ~ 2022 Mart olarak belirliyoruz. Hisse senedi fiyatı için "Uyarlanmış kapanış" kullanılır ve tüm hisse senedi fiyatları, yatırım döneminin başındaki fiyatlarına dayanarak 10 $'a normalize edilir. Bunun nedeni, her bir hisse senedine eşit miktarda yatırım yapmak istememiz ve hisse senedi fiyatından etkilenmememizdir. Her bir hisse senedi ticker'ı, kullanacağımız Genetik Algoritma kütüphanesi tarafından gerektiği gibi atanır. Aşağıda, Genetik Algoritmaya beslenmek üzere verinin nasıl göründüğü gösterilmektedir:

Eğitim

GA'nın birçok parametresi olduğundan (# nesiller, # popülasyon başına çözüm, # mutasyona uğramış genlerin %'si vb.), en iyi parametreleri bulmak için hızlı bir hiperparametre optimizasyonu yaparız. Ardından, en iyi hisse senedi portföyünü bulmak için algoritmayı eğitiriz. Aşağıdaki grafikte görüldüğü gibi, algoritma fitness'ı (yani risk-ayarlı getiri) 20 nesilden sonra iki katına çıkar, fitness artmaz.

Sonuçlar - Referans 1: S&P 500

Öncelikle, pazar endeksi S&P500'ün performansını iyileştirmek istedik, bu nedenle yatırım süresince nasıl performans gösterdiğine bir göz atalım:

S&P 500'ün performansı bu zaman diliminde tamamen dikkate değer değildi, yıllık ~% 7 getiri ve günlük ~% 1 risk (standart sapma) ile, bu da ~% 8 risk-ayarlı getiri sağlar. Bu referansın çok kolay yenilenecek olması nedeniyle, kendimize başka bir referans bulalım:

Sonuçlar - Referans 2: En İyi 10 Performans

Yatırım süresince, en yüksek getiri elde eden 10 hisse senedini seçtik (Dikkat edilmesi gereken tek geri dönüş olması, bu riski hesaba katmaz). En iyi 10 hisse senedi 'DVN', 'APA', 'MRO', 'COP', 'CF', 'FTNT', 'OXY', 'FANG', 'NVDA' ve 'MOS' idi. Bunların çoğu enerji ile ilgili işletmelerdir, NVIDIA gibi istisnalar vardır.

Yukarıda görüldüğü gibi, bu 10 şirketin portföyü ~% 90 büyüme ve ~% 2 risk getirdi. Genel olarak, risk-ayarlı getiri %42,8 idi.

Bizim Sonuçlarımız

Modelimiz, maksimum risk-ayarlı getirisi olan 'CERN', 'DVN', 'DRE', 'ABBV', 'SEE', 'ORLY', 'WST', 'COP', 'ED', 'PSA' hisse senedi kombinasyonunu belirledi. Bu şirketlerin bazıları, En İyi Performanslar olarak da mevcut Benchmark #2'de bulunur, ancak Abbvie gibi yeni girişler görüyoruz.

Modelin normal getirisi en iyilerin altında ve yaklaşık %52 civarındadır, ancak önemli ölçüde daha düşük bir risk elde edebilir: %0,8. Yukarıdaki grafikte görebileceğiniz gibi, portföy herhangi bir salınım yaşamaz ve tutarlı bir şekilde artar. Portföy genel olarak %62 risk-ayarlı getiri elde eder, bu da en iyi performans sergileyen portföyün %20 üzerindedir.

Sonuç

Maksimum risk-ayarlı getiriye sahip portföyü bulmak için bir genetik algoritma eğittik. Genetik algoritma, milyarlarca olası portföy arasında "yeterince iyi" bir çözüm bulmamıza yardımcı oldu. Daha fazla eğitimle daha yüksek getiriler elde edilebilir.

Veri ve kodu bu GitHub Reposunda bulabilirsiniz.

Keyifli kodlamalar!