یک سیستم تجارت الگوریتمی مبتنی بر یادگیری ماشین در بورس اوراق بهادار تهران

معاملات موفق در بازارهای مالی باید نزدیک به نکات کلیدی مکرر انجام شود. محققان اخیراً سیستم های متنوعی را برای کمک به شناسایی این نکات ایجاد کرده اند. تجزیه و تحلیل فنی یکی از معتبرترین و همه منظوره این سیستم ها است. با قوانین بی شماری ، تجزیه و تحلیل فنی تلاش می کند تا سیگنال های به موقع و صحیح را ایجاد کنند تا این نقاط مشخص شود. با این حال ، یکی از اشکالات این سیستم ، وابستگی بیش از حد آن به تحلیل و دانش انسانی در انتخاب و استفاده از این قوانین است. این مطالعه با استفاده از سه ابزار الگوریتم ژنتیکی ، منطق فازی و شبکه عصبی ، سعی در توسعه یک سیستم معاملاتی هوشمند بر اساس قوانین شناخته شده تجزیه و تحلیل فنی دارد. در واقع ، الگوریتم ژنتیکی به بهینه سازی قوانین فنی به دلیل پیچیدگی های محاسباتی کمک خواهد کرد. استنتاج فازی همچنین به شناخت کل شرایط فعلی موجود در بازار کمک خواهد کرد. به این دلیل است که مجموعه ای از قوانین بر اساس نوع بازار (گرایش یا عدم پذیرش) انتخاب می شوند. سرانجام ، سیگنال توسعه یافته توسط هر قاعده به یک نتیجه واحد ترجمه می شود (خرید ، فروش یا نگه داشتن). نتایج به دست آمده نشان می دهد که بین خرید و نگه داشتن سهام و سیستم معاملاتی که توسط این تحقیق پیشنهاد شده است ، تفاوت آماری معنی دار وجود دارد. به عبارت دیگر ، سیستم پیشنهادی ما پتانسیل سودآوری بسیار بالاتری را نشان می دهد.

کلید واژه ها

• سیستم تجارت سهام
• فراگیری ماشین
• الگوریتم ژنتیک
• شبکه عصبی
• منطق فازی

منابع

[1] گلدبرگ ، د. ، تقریب با استفاده از عملکرد سیگموئیدی ، مجله ریاضیات سیگنال ها و سیستم های کنترل ، 1988 ، 2 ، ص 303-314. doi: https://doi. org/10. 1007/bf02551274

[2] Baba ، N. ، Nomura T. ، سیستم های پشتیبانی تصمیم گیری مبتنی بر دانش برای معامله Nikkei-225 توسط تکنیک های محاسبات نرم. در سیستم های مهندسی اطلاعات هوشمند مبتنی بر دانش و فناوری های متفقین KES 2001. 2001: IOS Press ، هلند. doi: https://doi. org/10. 1007/11552413_2

[3] Refenes A. N. ، Zapranis A. ، Francis G ، رتبه بندی سهام: شبکه های عصبی در مقابل رگرسیون چند خطی ، 1994 IEEE. doi: https://doi. org/10. 1109/icnn. 1993. 298765

[4] Tan ، H. ، Prokhorov ، D. ، Wunsch ، D. ، تکنیک های عصبی عصبی احتمالی و تأخیر برای پیش بینی روند سهام کوتاه مدت محافظه کار ، در Proc. جهانی کنگرهشبکه های عصبی ، واشنگتن ، D. C. ، ژوئیه 1995. doi: https://doi. org/10. 1109/72. 728395

[5] Kuo ، R. J. ، Chen ، C. ، Hwang ، Y. ، یک سیستم پشتیبانی تصمیم گیری در مورد تجارت سهام هوشمند از طریق ادغام شبکه عصبی فازی مبتنی بر الگوریتم ژنتیکی و شبکه عصبی مصنوعی. مجموعه ها و سیستم های فازی ، 2001 ، 118 ، ص 21-45. doi: https://doi. org/10. 1016/S0165-0114(98)00399-6

[7] نوری ، A ، و همکاران. مقایسه عملکرد شبکه های عصبی مصنوعی (ANN) و مدل میانگین متحرک رگرسیون خودرو (ARIMA) در مدل سازی و پیش بینی روند نرخ ارز کوتاه مدت در ایران ، مجله علوم سرمایه گذاری ، 2014 ، 10 ، ص 85-100. doi: http://jik. srbiau. ac. ir/article_7607. html

[8] Dariush Forougi و همکاران. پیش بینی سود هر سهم: ترکیبی از شبکه های عصبی مصنوعی و الگوریتم بهینه سازی SWARM ذرات ، علوم سرمایه گذاری ، 2014 ، 6 ، ص . 63-82. doi: http://jik. srbiau. ac. ir/article_7480. html

[9] پیش بینی جهت فهرست شاخص Souto ، M. ، S& P 500 از سال 1976 تا 2010: یک رویکرد سیستم فازی ، مجله بین المللی تحقیقات حسابداری دیجیتال ، 2011 ، ص . 111-134. doi: 10. 4192/1577-8517-v11_6

[10] Baba ، N. ، Kawachi ، T. ، Nomura ، T. ، Sakatani ، Y. ، استفاده از NNS & GAS برای بهبود تحلیل فنی سنتی در بازار مالی ، کنفرانس سالانه SICE ، 2004 ، 2 (2) ،ص 1409-1412.

[11] Alejandro Rodríguez و همکاران ، با استفاده از شبکه های عصبی برای بهبود سیستم های معاملاتی بر اساس تجزیه و تحلیل فنی با استفاده از شاخص مالی RSI ، سیستم های خبره با برنامه های کاربردی ، 2011 ، 38 (9): 11489-11500. doi: 10. 1016/j. eswa. 2011. 03. 023

[12] Lin ، X. ، Yang ، Z. ، Song ، Y. ، سیستم تجارت هوشمند سهام مبتنی بر تجزیه و تحلیل فنی بهبود یافته و شبکه حالت اکو ، سیستم های متخصص با برنامه ها ، 2011 ، 34 ، ص 620-627. doi: https://doi. org/10. 1016/j. eswa. 2011. 03. 001

[13] Rahnamay Roodposhty و همکاران ، بهینه سازی نمونه کارها از صندوق های متقابل بورس اوراق بهادار تهران با استفاده از الگوریتم ژنتیکی ، علوم سرمایه گذاری ، 2015 ، 12 ، P. 217-232. doi: http://jik. srbiau. ac. ir//1/Article_7672. html

[14] Paak Maram ، A. ، Bahri ، J ، انتخاب و بهینه سازی نمونه کارها سهام توسط الگوریتم ژنتیکی: استفاده از مدل میانگین نیمه واریانس Markowitz ، مجله مهندسی مالی و مدیریت تبادل امنیت ، 2017 ، 31. doi: http://fej. iauctb. ac. ir/article_532529. html

[16] ژی هونگ و همکاران. در شبکه های عصبی تأخیر انگیز ضربه ، شبکه های عصبی ، 1999 ، 12 ، ص . 273-280. doi: https://doi. org/10. 1016/S0893-6080(98)00133-6

[17] Brogaard ، A. J. ، Carrion ، T. ، Moyaert ، R. ، Riordan ، A. ، Shkilko ، K. Sokolovhigh Frequency تجارت و حرکات شدید قیمت J. Financy. Econ. ، 2018 ، 128 (2) ، ص 253-265 ، doi: 10. 1016/j. jfineco. 2018. 02. 002

[18] Kevin M. ، Werner K. ، برنامه نویسی ژنتیکی به شدت تایپ شده و سیستم استنتاج فازی: یک رویکرد تعبیه شده برای مدل و تولید قوانین تجارت ، مجله Computing Soft Applied ، 2020 ، 90 ، P. 6-25. doi: https://doi. org/10. 1016/j. asoc. 2020. 106169

[19] Izadikhah ، M. ، Farzipoor Saen ، R. ، رتبه بندی تأمین کنندگان پایدار توسط تجزیه و تحلیل پاکت داده های وابسته به متن. Ann Oper Res ، 2020 ، 293 ، p. 607-637 ، doi: 10. 1007/S10479-019-03370-4

[20] Manahov ، V. ، ظهور ماشین آلات در بازارهای کالا: شواهد جدید به دست آمده با استفاده از برنامه نویسی ژنتیکی به شدت تایپ شده ، سالنامه های تحقیقات عملیات ، 2018 ، 260 (1-2) ، ص 321-352. doi: https://doi. org/10. 1007/S10479-016-2286-1

[21] HA ، S. ، Moon ، B. R. ، یافتن الگوهای فنی جذاب در بازارهای رمزنگاری ، محاسبات Memetic ، 2018 ، 10 (3) ، ص 301- 306 ، doi: https://doi. org/10. 1007/S12293-018-0252-y

[22] Davoodi . A. ، Dadashi . i. ، Azinfar K. ، تجزیه و تحلیل قیمت سهام با استفاده از روش یادگیری ماشین (الگوریتم رگرسیون پشتیبان غیر حسی-پارامتری در حالت گوش ونل) ، پیشرفت در امور مالی و برنامه های ریاضی ، 2020، 5 (1) ، ص . 197-213. doi: 10. 22034/amfa. 2019. 1869838. 1232

[23] Tone ، K. ، Toloo ، M. ، Izadikhah ، M. ، یک اندازه گیری مبتنی بر کارآیی مبتنی بر Slacks در تجزیه و تحلیل پاکت داده ، مجله اروپایی تحقیقات عملیاتی ، 2020 ، 287 (2) ، ص 560-571 ،doi: 10. 1016/j. ejor. 2020. 04. 019.

[24] Davoodi ، A. ، Dadashi ، I. ، پیش بینی قیمت سهام با استفاده از الگوریتم مبتنی بر قاعده Chaid و بهینه سازی ذرات ،) ، پیشرفت در امور مالی و برنامه های ریاضی ، 2020 ، 5 (2) ، ص . 197-213. doi: 10. 22034/amfa. 2019. 585043. 1184

[25] Farshadfar ، Z. ، Prokopczuk ، M. ، بهبود پیش بینی بازده سهام توسط الگوریتم یادگیری عمیق ، پیشرفت در امور مالی و برنامه های ریاضی ، 2020 ، 4 (1) ، ص . 1-13. doi: 10. 22034/amfa. 2019. 1869838. 1232