چکیده:
در این پژوهش یک سیستم معاملاتی سهام مبتنی بر ترکیب شش اندیکاتور تکنیکال طراحی شدهاست. برای ترکیب این اندیکاتورها از شبکه عصبی مصنوعی استفاده شده و بهینهسازی پارامترهای این اندیکاتورها با الگوریتم فراابتکاری الهامگرفته از پدیدههای نوری (اپتیک) مبتنی بر ترکیب محدب انجام شدهاست. در مدل ارائهشده با هدف بیشینهسازی نسبت شارپ اصلاحشده، پارامترهای بهینه اندیکاتورهای تکنیکال با الگوریتمهای اپتیک و ژنتیک به دست آمدهاست. در این پژوهش از دادههای درونروزی قیمت سهام استفاده شده و هزینههای معاملاتی لحاظ شدهاست. نتایج این مدل با نتایج حاصل از بهکارگیری پارامترهای استاندارد اندیکاتورها، نتایج حاصل از راهبرد خریدونگهداری و نیز نتایج حاصل از بهکارگیری الگوریتم ژنتیک برای بهینهسازی پارامتر اندیکاتورها، در هر دو حالت روزانه و درونروزی مقایسه شده و به دلیل کسب نسبت شارپ اصلاحشده بیشتر توسط مدل ارائهشده، در همه موارد برتری آن نشان دادهشدهاست. همچنین در مقایسه نتایج در حالتهای درونروزی و روزانه براساس معیار بازدهی پایان دوره بدون لحاظ هزینههای معاملاتی، در بیشتر موارد دادههای درونروزی بازدهی بیشتری داشت لکن پس از لحاظ کردن هزینههای معاملاتی برتری در نتایج درونروزی مشاهده نمیشود. لذا کاهش هزینه معاملاتی برای افزایش انگیزه معاملهگران در انجام معاملات درونروزی توصیه میشود.
In this paper a stock trading system based on the combination of six technical indicators is designed. The indicators are combined using an artificial neural network and their parameters are optimized using convex combination-based optics-inspired optimization (COIO) algorithm. In the proposed model the technical indicators’ optimized parameters are obtained using both COIO and genetic algorithms with the aim of maximization of modified Sharpe ratio. The presented paper uses stock intra-day prices as input data and considers the transaction costs. The designed strategy is compared against several other approaches including: using the indicators’ default parameters, buy and hold strategy and optimization using genetic algorithm, for both daily and intra-day prices and due to a greater modified Sharpe ratio for the proposed model, its superiority is shown in all cases. Moreover, in a comparison based on end- of- period returns, it is shown that without considering the transaction costs the results of the intra-day data beats the results of the daily data while no superiority is observed when considering the transaction costs. So reducing the transaction costs is recommended to motivate traders to trade on an intra-day basis.
خلاصه ماشینی:
بهينه سازي پارامترهاي انديکاتورهاي تحليل تکنيکال براي داده هاي درون روزي با استفاده از الگوريتم الهام گرفته از پديده هاي نوري: مطالعه موردي بورس تهران 1 محمدعلي رستگار تاريخ دريافت : ٩٦/٠٨/١٤ تاريخ پذيرش : ٩٦/١٠/١٠ 2 فرح آشوري چکيده در اين پژوهش يک سيستم معاملاتي سهام مبتني بر ترکيب شش انديکاتور تکنيکال طراحي شده است .
نتايج اين مدل با نتايج حاصل از به کارگيري پارامترهاي استاندارد انديکاتورها، نتايج حاصل از راهبرد خريدونگه داري و نيز نتايج حاصل از به کارگيري الگوريتم ژنتيک براي بهينه سازي پارامتر انديکاتورها، در هر دو حالت روزانه و درون روزي مقايسه شده و به دليل کسب نسبت شارپ اصلاح شده بيشتر توسط مدل ارائه شده ، در همه موارد برتري آن نشان داده شده است .
154 در اين پژوهش از الگوريتم فراابتکاري اپتيک مبتني بر ترکيب محدب (COIO١) [٣٢]، براي بهينه سازي پارامترهاي مجموعه اي از انديکاتورهاي تکنيکال با تابع هدف نسبت شارپ اصلاح شده که دربرگيرنده ريسک و بازده سرمايه گذاري است ، استفاده ميشود.
Comparative study of FOREX trading systems built with SVR+ GHSOM and genetic algorithms optimization of technical indicators.
Optimization of technical rules by genetic algorithms: evidence from the Madrid stock market.
Genetic algorithm: An application to technical trading system design.
A hybrid approach based on neural networks and genetic algorithms to the study of profitability in the Spanish stock market.
Stock market technical indicator optimization by genetic algorithms.
Improving technical trading systems by using a new MATLAB-based genetic algorithm procedure.