چکیده:
معاملات موفق در بازارهای مالی می بایست نزدیک به نقاط کلیدی بازگشتی انجام گردد. در سال های اخیر سیستم های مختلفی به منظور شناسایی این نقاط بازگشتی ایجاد شده اند. تحلیل تکنیکال یکی از معتبرترین و پرکاربردترین این سیستم ها محسوب می شود. تحلیل تکنیکال بواسطه قوانین متعددی که داراست سعی در ایجاد سیگنال های صحیح به موقع به منظور شناخت این نقاط دارد. اما یکی از معایب این سیستم وابستگی شدید آن به تجربه و دانش انسانی جهت انتخاب و کاربرد این قوانین است. در این تحقیق ما سعی کرده ایم تا سیستم معاملاتی هوشمندی را بر پایه قوانین شناخته شده تحلیل تکنیکال و استفاده از سه ابزار الگوریتم ژنتیک، منطق فازی و شبکه عصبی ایجاد نماییم. در واقع الگوریتم ژنتیک به بهینه سازی قواعد تکینکی به دلیل پیچیدگی محاسباتی کمک خواهد کرد. منطق فازی نیز به تشخیص موقعیت کلی جاری در بازار کمک خواهد کرد. چرا که بنا به نوع خاص بازار (دارای روند یا خنثی) دسته ای از قوانین انتخاب خواهند شد. در انتها سیگنال های ایجاد شده بوسیله هرکدام از قواعد با کمک شبکه عصبی المان، به صورت نتیجه واحد (خرید، فروش یا نگهداری) در خواهد آمد. نتایج حاصله نشان می دهد به صورت آماری اختلاف معنادار و قابل توجهی میان خرید ونگهداری سهم و سیستم معاملاتی پیشنهادی در این پژوهش وجود دارد. به عبارت دیگر سیستم پیشنهادی ما پتانسیل سودآوری بسیار بالایی را از خود نشان می دهد.
خلاصه ماشینی:
در اين تحقيق ما سعي کرده ايم تا سيستم معاملاتي هوشمندي را بر پايه قوانين شناخته شده تحليل تکنيکال و استفاده از سه ابزار الگوريتم ژنتيک ، منطق فازي و شبکه عصبي ايجاد نماييم .
مسأله اصلي در اينجا اين است که قواعد تکنيکي مبتني بر پارامترهايي هستند که در صورت تعيين درست و هوشمندانه آنها، سيگنال هاي خريد و فروش مناسب براي سودآوري سرمايه گذاران در اختيار قرار مي دهند.
در جديد ترين مطالعات از الگوريتم ژنتيک به منظور بهبود پارامترهاي پيش بيني، مورد استفاده در تحليل تکنيکال ، و ارتقاء شبکه هاي ESN به کمک پارامترهاي بهبود يافته به منظور پيش بيني نقاط گردش بهره گرفته اند که نتايج اين تحقيق عملکرد بهتر رويکرد استفاده شده را نسبت به سياست خريد و نگهداري نشان داده است (٢٠١١ ,Xiaowei Lin et.
در فاز دوم روند جاري بازار از طريق استنتاج فازي ٦ تشخيص داده خواهد شد و در فاز سوم متغيرها تجميع شده و با کمک شبکه عصبي سيگنال خروجي نهايي به صورت خريد، فروش و يا نگهداري به ارائه خواهد شد.
Song, (2011), “Intelligent stock trading system based on improved technical analysis and Echo State Network” , Expert Systems With Applications, 34, 620-627.
Finni, (2009), “An empirical methodology for developing stock market trading systems using artificial neural networks”, Expert systems With Application, 36, 6668- 6680.
N. Neftci, (1991), “Naïve Trading rules in Financial Markets and Wiener-kolmogrov Prediction Theory: A Study of Technical Analysis, Journal of Business, 549-571.