• صفحه اصلی
  • طراحی الگوریتم معاملاتی به منظور تسهیل دستیابی به یک سیستم سرمایه گذاری مناسب با بازدهی معقول ( مورد مطالعه: بورس اوراق بهادار تهران)

اشتراک گذاری

آدرس مقاله


کد مقاله : FEJ-2307-3485 (R1) بازدید : 265 صفحه: 20 - 40

نوع مقاله: پژوهشی

طراحی الگوریتم معاملاتی به منظور تسهیل دستیابی به یک سیستم سرمایه گذاری مناسب با بازدهی معقول ( مورد مطالعه: بورس اوراق بهادار تهران)

محورهای موضوعی : بورس اوراق بهادار

حسن ترابی 1 , مهدی برار نیا فیروزجایی 2

1 - گروه مهندسی صنایع، مجتمع دانشگاهی مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران
2 - فارغ¬التحصیل کارشناسی¬ارشد، مجتمع دانشگاهی مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران

تاریخ دریافت : 1402/04/28 تاریخ پذیرش : 1402/10/18 تاریخ انتشار : 1403/07/01

کلید واژه: الگوریتم معاملاتی, نرخ بازده سرمایه‌گذاری, شاخص و پیش‌بینی بازار سهام, پرتفولیو,

چکیده مقاله :

یکی از مهم‌ترین مسائل در بازارهای مالی مدرن یافتن راه‌های کارآمد برای تلخیص و مجسم کردن اطلاعات بازار بورس است. هدف این مقاله کشف روشی برای کاهش ریسک و افزایش بازده سرمایه‌گذاری است. با تحلیل حجم انبوه از داده‌های بازار بورس تهران به‌ عنوان مورد مطالعاتی، تحلیل روابط میان داده‌ها و کشف اطلاعات نهفته آن‌ها که تأثیر فراوانی در تصمیمات سرمایه‌گذاران دارد؛ یک الگوریتم طراحی شد. همچنین از داده‌های صنایع خودرو و فرآورده‌های نفتی و شاخص صنایع مختلف طی سال 1398 تا 1401 استفاده شد و با کمک بیست شاخص تکنیکی، مدل سازی صورت پذیرفت. نتایج این پژوهش نشان داد که مدل مورد استفاده، در شناسایی و پیش‌بینی سیگنال‌های فروش صادره در نقاط حداکثری دارای عملکرد قابل ‌توجهی بوده و با دقت قابل قبولی، پیش‌بینی انجام می‌شود. شرکت‌های سبد گردانی و تأمین سرمایه برای تصمیم گیری نسبت به فروش، خرید و یا نگهداری اوراق بهادار، می‌توانند از این الگوریتم معاملاتی استفاده نمایند.

چکیده انگلیسی:

One of the most important issues in modern financial markets is finding efficient ways to summarize and visualize stock market information. The purpose of this paper is to discover a method to reduce risk and increase investment returns. By analyzing the mass volume of Tehran stock market data as a case study, and finding the relationships between the data and the discovery of their hidden information that has a significant impact on investors' decisions; an algorithm was designed. Moreover, the data from the automobile industry and oil products and the index of various industries were utilized from 2018 to 2022, and modeling was done by twenty technical indicators. The results of this research showed that mentioned model has a significant performance in identifying and predicting the sales signals issued at the maximum points and the prediction is done with acceptable accuracy. Portfolio management and capital supply companies can use this trading algorithm to make decisions regarding the sale, purchase or holding of securities.

منابع و مأخذ:

_|1) اوون ودرال، جيمز (1395)، "فيزيک مالي"، حسين عبده تبريزی، تهران، نشر نی، (2013).
2) راعی, رضا و فلاح‌پور, سعید. (1390). طراحی مدلی برای مدیریت فعال پرتفوی با استفاده از VaR و الگوریتم ژنتیک. بررسی‏‌های حسابداری و حسابرسی, 18(64), 19-34.
3) رستگار, محمد علی و صداقتی‌پور, امین. (1397). ارایه سیستم معاملات الگوریتمی برای قرارداد آتی سکه طلا مبتنی بر داده‌های درون-روزی. دانش سرمایه‌گذاری, 7(28), 49-68.
4) سعیدی کوشا, مهدی و محبی, سعید. (1400). بهینه‌سازی پرتفوی سهام با استفاده از مقایسه الگوهای مختلف تکنیکال. مهندسی مالی و مدیریت اوراق بهادار, 12(49), 104-125.
5) شیبت الحمدی، سید احمد و اسفندیار، مهدی.(1393)، کاربرد الگوریتم ژنتیک چندهدفهNSGA II در انتخاب پرتفوی بهینه در بورس اوراق بهادار، نشریه: پژوهشگر (مدیریت) 11 (34) 21-34.
6) عالم تبريز، ، زندیه. (1387)، "الگوريتم های فرابتکاری در بهينه سازی تركيبي"، تهران، نشر صفار.
7) فلاح¬پور، سعید، گل ارضی، فتوره چیان. (1392)، پیش¬بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار تهران، مجله علمی تحقیقات مالی، 15(2)، 269-288.
8) كِنِدی، جفری (1398)" راهنمای بصری امواج اليوت"، مهدی ميرزايي، تهران، نشر آراد، (2013).
9) كيوانپور, محمدرضا، حسن زاده، مرادی. (1393) "مباحث پيشرفته در داده‌کاوی"، تهران، نشر دانشگاهی کیان.
10) مشاری, محمد, دیده خانی, حسین. (1399). بررسی قابلیت پیش‌بینی پذیری نقاط شروع و پایان روند کوتاه مدت قیمت سهام با استفاده از شبکه احتمالات بیزین. راهبرد مدیریت مالی, 8(1), 39-64.
11) مورفی، جان (1400)، "تحليل فنی در بازار سرمايه"، کامیار فراهاني فر، قاسمیان لنگرودی، تهران، انتشارات چالش، (1999).
12) Alkhatib, Khalid (2022). A New Stock Price Forecasting Method Using Active Deep Learning Approach. Journal of Open Innovation Technology. 8(2), 96.
13) Bollerslev, T. (2014). Stock return predictability: statistical inference and international evidence. Journal of Quantitative Analysis, 49(3), 633-661.
14) Chang, P. C. (2012). A novel model by evolving connected neural network for stock price trend forecasting. Expert Systems with Applications, 39(1), 611-620.
15) Chen, Y. S. Cheng, C. (2016). A study of ANFIS-based multi- factor time series models for forecasting stock index. Applied Intelligence, 45(2), 277-292
16) Choudhry, R. (2008). A hybrid machine learning system for stock market forecasting. World Academy of Science, and Technology, 39(3), 315-318.
17) Cohen, G. (2022). Algorithmic Trading and Financial Forecasting Using Advanced Artificial Intelligence Methodologies. Mathematics, 10(18), 3302.
18) Fenghua, W. E. N. (2014). Stock price prediction based on SSA and SVM. Procedia Computer Science, 31, 625-631.
19) Ghosh, I., & Jana, R. K. (2023). A granular machine learning framework for forecasting high-frequency financial market variables during the recent black swan event. Technological Forecasting and Social Change, 194, 122719.
20) Hadavandi, E., (2010). Integration of genetic systems and artificial neural networks for stock price forecasting. Knowledge-Based Systems, 23(8), 808-800.
21) Hafezi, R. (2015). A bat-neural network multi-agent system for stock price prediction: a Case study of DAX stock price. Applied Soft Computing, 29, 196- 210.
22) Hajimiri, H. (2022). Use of Genetic Algorithm to Optimize Technical Analysis in International Stock Market. Journal of Cyberspace Studies, 6(1), 21-29.
23) Hamzaçebi, C. (2009). Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting. Expert Systems with Applications, 36(2), 3839-3844.
24) Jog, V. (2003). Voluntary disclosure of management earnings forecasts in IPO prospectuses. Journal of Business Finance & Accounting, 30(1‐2), 125-168.
25) Kabbani, T., & Duman, E. (2022). Deep reinforcement learning approach for trading automation in the stock market. IEEE Access, 10, 93564-93574.
26) Kumbhare, P. (2023). Algorithmic Trading Strategy Using Technical Indicators. 11th International Conference on Emerging Trends in Engineering & Technology-Signal (ICETET-SIP) (pp. 1-6). IEEE.
27) Lahmiri, S. (2016). Intraday stock price forecasting based on variational mode decomposition. Journal of Computational Science, 12, 23-27.
28) Lauguico, Sandy (2019). A Fuzzy Logic-Based Stock Market Trading Algorithm Using Bollinger Bands. 1-6. 10.1109/HNICEM48295.2019.9072734.
29) Padovani, Matheus (2021). A stock trading algorithm based on trend forecasting and time series. ENIAC. 422-433. 10.5753/eniac.2021.18272.
30) Tan, L. (2017). A new adaptive network-based fuzzy inference system with adaptive adjustment rules for stock market volatility forecasting. Information Processing Letters, 127, 32-36.
31) Wang, Y. F. (2003). Mining stock price using fuzzy rough set system. Expert Systems with Applications, 24(1), 13-23.
|_
متن کامل:


فصلنامه مهندسی مالی و مدیریت اوراق بهادار

شماره چهل و هشتم / پائیز 1400

        

Image result for ‫آرام دانشگاه آزاد اسلامی واحد تهران مرکزی‬‎ 

 

طراحی الگوریتم معاملاتی به‌منظور تسهیل دستیابی به یک سیستم سرمایه‌گذاری مناسب با بازدهی معقول ( موردمطالعه: بورس اوراق بهادار تهران)

حسن ترابی1

مهدی برار نیا فیروزجایی2

 

چکیده

[1]  گروه مهندسی صنایع، مجتمع دانشگاهی مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران. (نویسنده عهده دار مکاتبات)  h_torabi@mut.ac.ir

[2]  فارغ التحصیل کارشناسی ارشد، مجتمع دانشگاهی مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران. mehdibararnia68@gmail.com

یکی از مهم‌ترین مسائل در بازارهای مالی مدرن یافتن راه‌های کارآمد برای تلخیص و مجسم کردن اطلاعات بازار بورس است. هدف این مقاله كشف روشی برای كاهش ريسک و افزایش بازده سرمایه‌گذاری است. با تحلیل حجم انبوه از داده­های بازار بورس تهران به‌ عنوان مورد مطالعاتی، تحلیل روابط میان داده­ها و کشف اطلاعات نهفته آن‌ها که تأثیر فراوانی در تصمیمات سرمایه­گذاران دارد؛ یک الگوریتم طراحی شد. همچنین از داده‌های صنایع خودرو و فرآورده‌های نفتی و شاخص صنایع مختلف طی سال 1398 تا 1401 استفاده شد و با کمک بیست شاخص تکنیکی، مدل‏سازی صورت پذیرفت. نتایج این پژوهش نشان داد که مدل مورد استفاده، در شناسایی و پیش‌بینی سیگنال­های فروش صادره در نقاط حداکثری دارای عملکرد قابل ‌توجهی بوده و با دقت قابل قبولی، پیش‌بینی انجام می‌شود. شرکت‌های سبد گردانی و تأمین سرمایه برای تصمیم‏گیری نسبت به فروش، خرید و یا نگهداری اوراق بهادار، می‌توانند از این الگوریتم معاملاتی استفاده نمایند.

 

کلمات کلیدی: الگوریتم معاملاتی، نرخ بازده سرمایه‌گذاری، شاخص و پیش‌بینی بازار سهام، پرتفولیو

 

 


 

مقدمه

شرايط اقتصادی كشور، سرمایه‌گذاری در بازارهای بورس را به يک الزام تبديل كرده است. همواره دغدغه‏ی سرمایه‌گذاران بازارهای مالي، كشف روش‌های برتر جهت افزایش بازده سرمایه‌گذاری بوده است. از ديرباز روش‌های تحليلي در دو حيطه فنی و بنيادی جای مي‌گرفتند. درروش فنی فرض بر اين است كه رفتار آينده بازار را بر اساس گذشته‏ می‌توان پیش‌بینی كرد. اين روش با استفاده از اين فرضيه به ابزارهای گوناگوني چون داده‌کاوی حجمي و قيمتي اتکا داشته است. درروش تحليل بنيادی، معامله‌گر ضمن مطالعه‏ی اطلاعات اقتصاد كلان و خرد كشور به كاوش فعاليت بنگاه‌ها، ميزان توليد و آینده‌ی صنعت می‌پردازد. استفاده از اين روش‌ها همواره با خطای قابل‌توجهی بسته به توانايي معامله‌گر در دست‌یابی به اطلاعات و تحليل آن‌ همراه بوده است. اين روش‌ها هرکدام بر اساس يک بازار خاص و شرايط حاكم بر آن طراحی‌شده‌اند. پیش‌بینی قيمت سهام ازجمله اهداف کلیدی و درعین‌حال چالش‌برانگیزترین موضوع سرمایه­گذاری است، به‌طوری‌که برای بهینه­سازی پرتفوها و تشخیص مطلوب بازدهی، کاربرد فراوانی دارد. در چند دهه گذشته كه روش‌های ابتكاري متداول نشده بودند؛ براي این امر معمولاً از روش‌های آماري استفاده مي‏شد. در دهه اخير با رشد روش‌های ابتكاري، زمينه وسيعي براي تحقيقات فراهم ‌شده است.

در مطالعات بسیاری نشان داده‌شده است که همواره روش‌های مختلفی برای تحلیل بازار سهام در جهت کمک به تصمیم­گیری سرمایه­گذاران وجود دارد تا تحلیلگران مالی بتوانند بیشترین بازده را در کنار کمترین ریسک داشته باشند. ایجاد پیش‌بینی‏پذیری در متغیرها را به‌عنوان یکی از دستاوردهای علم می‌توان نام برد که پژوهشگران علوم مالی نیز به دنبال طراحی مدل‏هایی هستند که به‌وسیله آن‌ها، بازارهای مالی را پیش­بینی کنند و ازجمله می‌توان از پیش­بینی قیمت سهام و جریانات نقدی نام برد(جوگ و مک کنومی، 2003). در بازارهای مالی، پیش­بینی‏پذیر بودن رویدادها همواره دارای مخالفان و موافقانی بوده است. عواملی چون وجود رفتارهای آشوب‏گونه، کارایی بازارها و ثروت­اندوزی محدود موجب شده است که این مهم دارای مخالفانی سرسخت باشد. از طرفی موافقان با اشاره به عواملی چون پیچیدگی و غیرخطی بودن بازارهای مالی و انتظارات غیر عقلایی سرمایه­گذاران، همواره پیش­بینی بازارهای مالی را امری دشوار ولی ممکن می­پندارند. درواقع بررسی­ها نشان می‏دهد که بازارهای مالی به‌طور نسبی قابل پیش­بینی هستند (بلرسلو و همکاران، 2014). کشف الگوریتم­های پیش‌بینی و محاسبات پیچیده توسط رایانه­ها راه را برای این رویداد باز نموده است. حجم انبوهی از داده­ها در بورس اوراق بهادار در هرلحظه ایجاد می­گردد به‌طوری‌که این داده­ها همان اطلاعات قیمت سهام با ویژگی پویا، و ناپارامتریک است. بنابراین سرمایه­گذاران در این راستا مجبور به استفاده از مدل­های پویا و منطبق بر رفتار آشوب‏گونه ‏هستند (ونگ، 2003). هم­چنین هوش مصنوعی و روش­های آن نیز قابلیت استفاده برای تجزیه‌وتحلیل داده­های کلان را دارند. لذااستخراج دانش نهفته در این حجم انبوه از داده­ها امکان­پذیر است(چن و همکاران، 2016). در مورد بروز همه‌گیری کرونا، یافته‌های گوش و جانا (2023) حاکی از آن است که علی‌رغم رخدادهای آشوبناک، همه متغیرها را می‌توان دقیقاً در رژیم‌های فرعی مختلف پیش‌بینی کرد و اثرات نامطلوب موج اول و دوم همه‌گیری را از بین برد. 

مقاله حاضر به دنبال ارائه یک الگوریتم هوشمند و کارا برای تحلیل داده­های بازار بورس و ارزیابی مدل ارائه‌شده باقابلیت استفاده در صنایع مختلف بورسی است. در این راستا پیاده­سازی الگوریتم بر روی کلان داده­های بازار بورس اوراق بهادار تهران جهت پیش‌بینی و تحلیل بازارها در دو بخش مورد بررسی قرار می‏گیرد به‌طوری‌که شاخص گروه تمام صنایع بورسی از یک‌سو و دو گروه منتخب (یکی در حوزه خودرو و ساخت قطعات و دیگری در فرآورده­های نفتی، کک و سوخت هسته­ای) از سوی دیگر ارائه می­گردد.

مبانی نظری و مرور مطالعات

شاخص بازار سهام، شاخص کمّی است که نماینده چند متغیر همگن است و برای اندازه­گیری و مقایسه پدیده­هایی به کار می‌رود که دارای ماهیت مشخصی هستند. معاملات الگوریتمی از یک برنامه رایانه‏ای استفاده می‏کند که از مجموعه‌ای از دستورالعمل‌ها پیروی می‌نماید. معاملات، در تئوری، می‌توانند سودهایی را با سرعتی که برای یک انسان غیرممکن است؛ ایجاد کنند. نرخ بازگشت سرمایه، معیاری است که با استفاده از آن، کارایی و اثربخشی یک سرمایه‌گذاری ارزیابی می‌شود. مناسب بودن این نرخ به عوامل مختلفی بستگی دارد. مهم است که روی چه چیزی سرمایه‌گذاری می‌شود تا ارزیابی شود که نرخ بازدهی خوبی دارد یا خیر. سرمایه‌گذاران با متنوع کردن سبد سهام خود از شرکت‌های مختلف، ریسک سرمایه‌گذاری را کاهش می­دهند. در سالیان اخیر پژوهش‌های گوناگونی به‌منظور انتخاب پرتفوی مناسب برای سرمایه‌گذاری و بهینه‌سازی آن جهت افزایش بازدهی و کاهش ریسک با استفاده از داده‌کاوی، صورت گرفته است(جدول 1).


 

جدول 1- مهمترین مطالعات در زمینه الگوریتم معاملاتی برای انتخاب پرتفوی مناسب سرمایه‌گذاری 

محقق/سال

موضوع

کامباره و همکاران (2023 )

چارچوبی برای تحلیل سهام یک شرکت

کابانی و همکاران (2022)

تصمیم‌گیری مارکوف با مشاهدات جزئی با در نظر گرفتن محدودیت‌های تحمیل‌شده توسط بازار سهام

پادووانی و همکاران (2021)

ارائه الگوریتم معاملاتی طبقه‌بندی روند(TCTA)

سندی لائوجیوکو (2019)

استراتژی معاملاتی با استفاده از سه کنترل‌کننده فازی

یِه و همکاران (2011)

پیش بینی بازار سهام با روش ترکیبی رگرسیون چندگانه، شبکه عصبی و خوشه بندی دو مرحله‏ای فازی

هَداوندی و همکاران (2010)

مدل ترکیبی سری زمانی برای پیش بینی قیمت سهام شرکتIBM

حاجی میری(2022)

توسعه یک سیستم بهینه‌سازی معاملات بازار سهام

سعيدي كوشا و محبی(1400)

انتخاب پرتفوی مناسب برای سرمایه‌گذاری و بهینه‌سازی آن جهت افزایش بازدهی و کاهش ریسک

مشاری و همکاران(1399)

ارائه یک سیستم پشتیبان تصمیم با بررسی پیش بینی پذیری نقاط شروع(کف) و پایان(سقف) روند کوتاه مدت قیمت سهام

پوست فروش (1394)

تخمین دستکاری قیمت سهام در بورس اوراق بهادار تهران

روش‌شناسی

این پژوهش، ازنظر هدف، کاربردی و از نوع پژوهش­های میدانی محسوب می‌شود و ازنظر روش و جهت‌گیری، به ترتیب توصیفی و پس­رویدادی است. روش تحلیل این تحقیق بر مبنای اطلاعات جمع‌آوری‌شده از شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران است و ازآنجایی‌که داده­کاوی بر روی نماگرهای دو تحلیل تکنیکال صورت می‏گیرد؛ شرکت‌های موردبررسی به لحاظ داده تاریخی از مقدار کافی برخوردار ‏هستند. برای به دست آوردن نماگرها نیازمند استفاده از بانک اطلاعات بورس اوراق بهادار تهران، سایت شرکت مدیریت فناوری بورس تهران، نرم‌افزار TSE Client، نرم­افزارهای ره­آورد نوین و تدبیر پرداز جهت استخراج داده‌های قیمتی روزانه شرکت‌ها هستیم. بعد از جمع‌آوری داده‌ها، با استفاده از آمی بروکر1، نرم‌افزار مرتبط به تحلیل­های تکنیکال بازار سرمایه، و با کمک برنامه­نویسی و کدیابی، مقادیر عددی هر یک از نماگرهای موردنیاز استخراج‌شده‌اند. درنهایت طراحی مدل هوشمند با برنامه‌نویسی به کمک نرم‌افزارR  به‌عنوان بهترین نرم‌افزار شناخته‌شده درزمینه‏داده­کاوی انجام‌شده است. در این مقاله، جهت دستيابي به الگوريتم معاملاتي، نياز به بررسي و مطالعه تمامي روش‌های تحليلي مورداستفاده درگذشته وجود دارد. در اين راستا جهت انجام يک مطالعه جامع و كامل، مراحل و خلاصه فرآيند انجام پژوهش به ترتیب ذیل است:

1)       مطالعه روش‌های تحليلي برای سرمایه‌گذاری

2)       آزمايش اين روش‌ها و بازدهي حاصل از آن

3)       دستيابي به اطلاعات موردنیاز جهت تدوين الگوريتم

4)       طراحي الگوريتم با نرم‌افزار پایتون2

5)       آزمايش اين الگوريتم با استفاده از داده‌های قبلی بازار

6)       مقايسه بازدهي الگوريتم با روش‌های گذشته

روایی و پایایی ابزار اندازه‌گیری

در این پژوهش پس از چند مرحله پایش سؤالات با کمک خبرگان و سیاست‌گذاران بازار سهام، سؤالات اصلی انتخاب گردیدند. دقت و کیفیت انجام کار از طریق کنترل اعضای هیئت‌علمی دانشگاه و متخصصان تأیید گردید. همچنین طبق نظر همین متخصصان، روایی ابزار اندازه‌گیری یا به عبارتی سؤالات مصاحبه تأیید شد. در پژوهش‌های کیفی تعاریف برای پایایی با پژوهش‌های کمی متفاوت است. ازآنجایی‌که کلیه توابع محاسباتی ریاضی و آماری استخراج‌شده کدنویسی شده­اند؛ می‌توان در آینده و برای محاسبات دیگر از آن‌ها استفاده کرد. ضمن اینکه این توابع به‌هیچ‌وجه محدودیت زمانی ندارند بدین‌صورت که در تمام بازه‌های زمانی ، استفاده از این توابع در کلیه بورس­ها امکان­پذیر است. جمع‌آوری داده‌ها در بازه زماني مرداد 1400 تا مرداد 1401 صورت گرفت. از روش‌های تحليلي گذشته هم كه بر پايه‏ی فيزيک مالي بوده‌اند؛ جهت مقايسه بازدهي حاصل از  با الگوريتم طراحی‌شده، بر روی داده‌های ورودی الگوريتم معاملاتي طراحی‌شده استفاده‌شده است.

معرفی نماگرها و متغیرهای مورداستفاده

متغیرهای مربوط به نماگرهای تکنیکی مورداستفاده در این مقاله و تعاریف آن‌ها در جدول2  نمایش داده‌شده است.


 

جدول2- تعاریف متغیرهای پژوهش

ردیف

نام متغیر

تعریف

1

قیمت آغازین (PO)

قیمت اعلام شده در شروع معاملات برای هر سهم در تابلو

2

بالاترین قیمت(PH)

بیشترین قیمت معاملاتی سهم در یک روز 

3

پایین‏ترین قیمت(PL)

کمترین قیمت معاملاتی سهم در یک روز

4

قیمت پایانی(PC)

قیمت اعلام شده  در پایان معاملات برای هر سهم در تابلو

5

حجم معاملات(VOLUME)

تعداد سهام معامله‌شده در یک روز

6

شاخص قدرت نسبی(RSI)

تعیین نقاط اشباع خرید و اشباع فروش

7

شاخص جریان پول(MFI)

سنجش میزان قدرت پول وارد یا خارج شده به بازار

8

شاخص کانال کالا(CCI)

سنجش تغییرات نرخ بازده نسبت به میانگین آماری آن بازار

9

میانگین متحرک(MA)

مقدار میانگین نرخ سهام را در یک دوره زمانی نشان می­دهد.

10

میانگین متحرک نمایی(EMA)

یک نوع میانگین متحرک با وزن بیشتر به اطلاعات جدید

11

میانگین متحرک موزون 

محاسبه میانگین متحرک موزون در دوره­ مشخص (WMA)

12

میانگین متحرک هال(HMA)

میانگین متحرک پویا بدون مشکل تأخیر در سیگنال دهی 

13

واگرایی و همگرایی متحرک 

اندیکاتور مک‏دی با نمودار قیمت (MACD)

14

متوسط شاخص جهت حرکت 

یک شاخص روند برای اندازه­گیری میزان قدرت روند جاری

15

دامنه متوسط واقعی(ATR)

مقیاسی برای سنجش پویایی بازار با مقادیر بالا در کف بازار

16

شاخص حرکت نسبی(RMI)

شاخص قدرت نسبی با لحاظ قدرت حرکت در چند روز گذشته

17

شاخص گام تصادفی(RWI)

اندیکاتوری برای نمایش اختلاف بالا و پایین­ترین گام تصادفی

18

استوکاستیک (K%)

تعیین موقعیت­های اشباع خریدوفروش در دوره 5 روزه

19

استوکاستیک (D%)

موقعیت­های اشباع خریدو فروش بر اساس در دوره 5 روزه

20

تغییرات میانگین متحرک نمایی(TRIX)

تعیین درصد میزان تغییر یک میانگین متحرک نمایی سه بار هموارسازی شده از نرخ بسته شدن بازار در حول‌وحوش صفر

21

شاخص جهت حرکت مثبت 

قدرت حرکت قیمت در جهت مثبت را نشان می­دهد(PDI).

22

شاخص جهت حرکت منفی 

قدرت حرکت قیمت در جهت منفی را نشان می­دهد(MDI).

23

اندیکاتور قیمت(OSCP)

قیمت را بر مبنای میانگین متحرک نمایی حساب می­کند.

24

اندیکاتور حجم(OSCV)

حجم را بر مبنای میانگین متحرک نمایی حساب می­کند

25

مرجع گذشته(REF)

ارجاع ارزش­های آینده یک ناحیه زمانی به یک ارزش گذشته

26

توقف و برگشت (SAR)

اندیکاتوری برای تشخیص نقاط کلیدی اتمام یک روند

27

خطای استاندارد(STDERR)

میزان اختلاف مقادیر قیمت از خط رگرسیون تخمینی

28

انحراف معیار(STDEVD)

میزان انحراف از قیمت‏های میانگین برای دوره­های 14 روزه

29

میانگین متحرک دوگانه

ترکیبی از میانگین متحرک نمایی و نمایی دوبرابر ( DEMA)

30

میانگین متحرک سه‌گانه 

ترکیبی از میانگین متحرک‏ نمایی، دو و سه برابر (TEMA) 

31

باند پایینی بولینگر (BBANDBOT)

ترکیبی از میانگین متحرک قیمت با انحراف معیار .باند پایین به‌عنوان نقطه حمایت یا بیش فروش در نظر گرفته می‌شود.

32

باند بالایی بولینگر (BBANDBOT TOP)

ترکیبی از میانگین متحرک قیمت با انحراف معیار. باند بالا به‌عنوان نقطه مقاومت یا بیش خرید در نظر گرفته می‌شود.

33

شاخص کانال کالا باقیمت‌ ابتدایی 

شاخص کانال کالا  با استفاده از قیمت آغازین (CCIA)

34

بالاترین سقف قیمتی (HHV)

تعیین بالاترین مورد بین چند سقف در یک دوره مشخص

35

چایکین(CHAIKIN)

یک نوسان‌نمای میانگین متحرکی بر پایه‌ی تجمّع/توزیع

36

رگرسیون خطی(LINE REG)

ابزار آماری برای پیش­بینی مقادیر آینده با توجه به گذشته

37

خط رگرسیون منقطع (LINE REG INTERCEPT)

محاسبه در روندها و دوره‌های کوتاه‌مدت مثلاً 14 روزه

38

شیب‌خط رگرسیون (LINEREGSLOP)

شیب‌خط رگرسیون را برای دورهای مشخص محاسبه می­کند.

39

پایین‌ترین کف قیمتی (LLV)

تعیین کم­ترین نقطه‏قیمتی بین چند مورد در دوره‏ای مشخص

40

دورهای فاصله از LLV 

تعداد روزها یا دوره‌های گذشته از LLV (LLV BARS)

41

شاخص قدرت نسبی باقیمت ابتدایی (RSIA)

همان شاخص قدرت نسبی است که در محاسباتش از قیمت ابتدایی استفاده ‌شده است.

 

فرمول­های محاسباتی نماگرهای تکنیکال ارائه‌شده در جدول 2، در جدول 3 آورده شده است. 

جدول3- فرمول­های محاسباتی نماگرهای تکنیکال

 

تجزیه‌وتحلیل و بیان یافته‌ها

روش کار و استخراج خروجی داده‌ها در این مقاله به ‌صورت شکل 1 بوده است.

img0 

شکل 1 - روش کار و استخراج خروجی داده‌ها

نمونه داده­های خام دریافتی شرکت ایران‌خودرو از نرم­افزار TSE CLIENT  در جدول 4 مشاهده می‌شود.

جدول 4 - نمونه داده­های استخراج‌شده از TSE CLIENT

مقادیر

فرمول محاسباتی

نماگر تکنیکال

n=14

 

%D

 

n=14

 

%K

 

 

 

 

 

MFI

n=14

 

 

Where ) is upward (downward) price change

RSI

n=9

 

 

 

CCI

n=14

 

MA

 

 

EMA

 

 

ADX

n=14

 

ATR

n=14

 

WMA

n=14

 

HMA

m=5

n=26

 

MACD

n=12

 

TRIX

n=14

 

CMF

n=14

 

RMI

n=14

 

RWI

n=14

 

SAR

نماد

تاریخ

قیمت بازگشایی

بیشترین قیمت

کمترین قیمت

قیمت پایانی

حجم معاملات

 خودرو 

20010325

2,798

2,802

2,798

2,800

110,870

 خودرو 

20010326

2,801

2,810

2,797

2,798

96,613

 خودرو 

20010327

2,795

2,800

2,795

2,795

166,600

 خودرو 

20010328

2,800

2,849

2,796

2,849

80,676

 خودرو 

20010329

2,840

2,848

2,800

2,838

177,362

 خودرو 

20010403

2,840

2,870

2,838

2,868

55,562

 خودرو 

20010407

2,868

2,930

2,868

2,900

122,642

 خودرو 

20010408

2,920

3,020

2,903

3,004

299,359

 خودرو 

20010409

3,028

3,140

3,020

3,102

434,320

 خودرو 

20010410

3,155

3,157

3,069

3,080

592,395

 خودرو 

20010411

3,082

3,100

3,071

3,080

604,953

 خودرو 

20010414

3,084

3,110

3,080

3,092

434,057

 خودرو 

20010415

3,093

3,095

3,050

3,059

229,777

 خودرو 

20010416

3,058

3,068

3,029

3,068

268,061

 خودرو 

20010417

3,068

3,100

3,065

3,077

386,136

 خودرو 

20010418

3,079

3,100

3,072

3,079

534,555

 خودرو 

20010421

3,079

3,101

3,078

3,087

2,129,585

 خودرو 

20010422

3,091

3,100

3,050

3,084

1,014,348

 خودرو 

20010423

3,086

3,098

3,085

3,090

495,008

در مرحله بعد داده­ها مرتب­سازی شده و داده­های پرت حذف می­گردد. سپس کد نویسی مربوط در نرم­افزار آمی بروکر انجام می­پذیرد. به همین صورت برای تمامی نمادهای موردبررسی و شاخص­ صنایع مختلف خروجی مدنظر استخراج می­گردد.

·       تبدیل داده­ها به خروجی قابل‌تحلیل در آمی­بروکر 

در این مرحله برای هر نماد موردبررسی، باید کد نویسی جهت تبدیل داده­ها به سیستم آمی بروکر انجام پذیرد. بخشی از کد نویسی مربوط در شکل 2 آورده شده است.

img0 

شکل 2 -کد نویسی در آمی بروکر

·       نتایج حاصل از مدل­سازی دو صنعت منتخب

نتایج حاصل از مدل­سازی با الگوریتم­ هوشمند جهت پیش­بینی نقاط سیگنال به تفکیک شرکت‌ها در دو صنعت در جدول 5 به‌تفصیل آورده شده است. الگوریتم­ها برای دو گروه خودرو و ساخت قطعات و گروه فرآورده­های نفتی، کک و سوخت هسته­ای موردبررسی قرارگرفته است.

جدول 5 - نتایج دو صنعت منتخب

گروه‌بندی

نام شرکت

نام نماد

خوشه‌بندی 1

خوشه‌بندی 2

دقت مدل

افزایش:0

کاهش:1

صفر

یک

صفر

یک

خودرو و ساخت قطعات

ایران‌خودرو

خودرو

82.39%

17.61%

19.44%

80.56%

83.5

سایپا

خساپا

79.44%

20.56%

23.82%

76.18%

78.65

پارس‌خودرو

خپارس

67.12%

32.88%

34.45%

65.55%

75.23

زامیاد

خزامیا

53.07%

46.93%

48.35%

51.56%

76.8

ایران خوردو دیزل

خاور

54.72%

45.28%

47.78%

52.22%

71.9

گسترش سرمایه­گذاری ایران‌خودرو

خگستر

79.59%

20.41%

22.78%

77.22%

79.55

کمک فنرایندامین

خکمک

59.11%

40.89%

42.67%

57.33%

68.5

سرمایه­گذاری رنا

ورنا

57.06%

42.94%

44.78%

55.22%

65.66

گروه بهمن

خبهمن

58.26%

41.74%

43.53%

56.47%

67.5

سایپا آذین

خاذین

51.22%

48.78%

50.12%

49.88%

50.5

نیرومحرکه

خمحرکه

66.72%

32.28%

34.13%

65.87%

61.6

قطعات اتومبیل ایران

ختوقا

57.84%

42.16%

43.53%

56.47%

58.69

رینگ سازی مشهد

خرینگ

70.11%

29.89%

31.89%

68.11%

61.8

ایرکا پارت صنعت

خکار

60.85%

39.15%

39.50%

60.5%

62.4

آهنگری تراکتورسازی

خاهن

78.56%

21.44%

27.85%

72.15%

57.3

چرخشگر

خچرخش

53.72%

46.28%

5.56%

94.44%

54.6

فنرسازی خزر

خزر

55.26%

44.74%

47.35%

52.65%

52.7

محور سازان ایران‌خودرو

خوساز

55.87%

44.13%

45.02%

54.98%

51.8

صنایع ریخته­گری ایران

خریخت

58.22%

41.78%

43.59%

56.41%

61.8

موتورسازان تراکتورسازی ایران

خموتور

63.34%

36.66%

37.50%

62.5%

62.2

مهندسی صنعتی روان فن­آور

خفناور

51.65%

48.35%

51.75%

48.25%

59.3

رادیاتور ایران

ختور

70.29%

29.71%

31.82%

68.18%

56.6

لنت ترمز ایران

خلنت

63.45%

36.55%

37.45%

62.55%

58.2

تولید محور خودرو

خمحور

63.64%

36.36%

39.13%

60.87%

63.3

ریخته‌گری تراکتورسازی ایران

ختراک

56.13%

43.87%

44.11%

55.89%

64.5

الکترونیک خودرو شرق

خشرق

69.4%

30.55%

34.20%

65.8%

65.2

مهندسی نصیر ماشین

خنصیر

53.3%

46.65%

47.16%

52.84%

55.2

بهمن دیزل

خدیزل

62.4%

37.54%

40.20%

59.8%

61.8

فرآورده نفتی، کک و سوخت هسته­ای

پالایش نفت اصفهان

شپنا

80.3%

19.65%

21.77%

78.23%

85.2

پالایش نفت تهران

شتران

67.4%

32.52%

34.01%

65.99%

78.9

پالایش نفت تبریز

شبریز

75.4%

24.56%

25.88%

74.12%

82.6

پالایش نفت بندرعباس

شبندر

80.2%

19.8%

20.78%

79.22%

88.9

سرمایه­گذاری صنعت نفت

ونفت

56.3%

43.61%

45.19%

54.81%

78.6

نفت سپاهان

شسپا

54.8%

45.19%

46.86%

53.14%

75.6

پالایش نفت لاوان

شاوان

77.65%

22.35%

23.46%

76.54%

78.3

نفت ایرانول

شرانل

67.9%

32.02%

35.87%

64.13%

72.8

پالایش نفت شیراز

شراز

60.1%

39.81%

40.82%

59.18%

58.6

نفت بهران

شبهرن

53.9%

46.02%

48.55%

51.45%

55.6

نفت پارس

شنفت

68.3%

31.65%

32.44%

67.56%

54.7

نفت پاسارگاد

شپاس

52.9%

47.02%

48.45%

51.55%

50.6

 

·       بررسی دقت تحلیل و رابطه­ی همبستگی بین متغیرهای تصمیم و هدف به تفکیک صنایع 

با توجه به جدول 6، در اکثر صنایع دقت مدل بالای 70 درصد و به‌طور میانگین 78 درصد است. به‌بیان‌دیگر خطای پیش­بینی مدل قابل‌قبول است.

جدول6- رابطه همبستگی و دقت صنایع

نام صنعت

میزان دقت مدل(درصد%)

میزان همبستگی

صنایع شیمیایی

68

0.78

پیمانکاری صنعتی

61.1

0.76

محصولات شیمیایی

78

0.21

محصولات کاغذی

88

0.20

·       توابع مورداستفاده در الگوریتم

توابع بسیاری در این مقاله به‌کاربرده شده‌اند که به خاطر محدودیت تعداد صفحات، به برخی از مهم‌ترین آن‌ها اشاره می‌شود. 

تابع دریافت اطلاعات به‌صورت لحظه‌ای: این تابع بنا به درخواستی که از سوی آدرس مشخص به هسته بورس تهران می‌رسد؛ اطلاعات لحظه‌ای کلیه‏ی سهم‌ها را به‌صورت خام دریافت می‏کند و با الگوریتم به‌صورت دسته‌بندی‌شده و مرتب، به کاربر تحویل می‌دهد(شکل 3). 

img0 

شکل 3- تابع دریافت اطلاعات به‌صورت آنلاین و لحظه‌ای

تابع دریافت اطلاعات قیمتی از گذشته تابه‌حال: این تابع کلیه اطلاعات از قبیل قیمت و حجم معامله‌شده در روز برای تمام سهام بورس تهران از ابتدا تا به امروز را جمع‌آوری کرده و با دسته‏بندی آن‌ها برای کاربر، قابلیت استفاده راحت را به او ارائه می‌دهد(شکل 4).

img0 

شکل 4- تابع دریافت اطلاعات قیمتی از گذشته تابه‌حال

تابع محاسبه اندیکاتور MACD: این اندیکاتور که از محاسبه بر روی چندین میانگین وزنی و ساده به دست می‌آید؛ برای معامله‌گران بسیار پراستفاده است چراکه به‌صورت محاسباتی، فاز حرکتی سهم را می‌توان بر اساس آن تشخیص داد(شکل 5).

img0 

شکل 5- تابع محاسبه اندیکاتور MACD

تابع محاسبه واگرایی‌ها بر روی اندیکاتورMACD :  این تابع مقادیر محاسبه‌شده در اندیکاتور MACD را به‌عنوان ورودی گرفته و واگرایی خاصی را که این اندیکاتور و قیمت می‌توانند داشته باشد؛  نمایش می‏دهد. مثالی از واگرایی را که این تابع محاسبه می‏کند؛ می‌توان در شکل 6 دید.

img0 

شکل 6- واگرایی‌ها بر روی اندیکاتورMACD

الگوریتم این انواع واگرایی باقیمت در شکل 7 قابل‌مشاهده است.

img0 

شکل 7- تابع محاسبه واگرایی بر روی اندیکاتورMACD

تابع شاخص کانال کالا3CCI): این تابع که توسط دونالد لَمبِرت کشف‌شده است؛ به پیش‌بینی روند قیمت به‌خصوص در بازارهای سهامی کمک شایانی می‌‎کند(شکل 8).

img0 

شکل 8- تابع شاخص کانال کالا

 تابع باند بولینگر(BB): این تابع که مطابق شکل 9 به‌صورت 3 خط در کنار قیمت درحرکت است؛ بیشینه، کمینه و متوسط ممکن برای قیمت را در بازه‌ای که در آن قرار داریم نشان می‏دهد.

img0 

شکل 9- باند بولینگر

الگوریتم محاسبات در شکل 10 آورده شده است.

img0 

شکل 10-تابع باند بولینگر

درنهایت شکل 11 فرآیند الگوریتم معاملاتی پیشنهادی را به‌منظور تسهیل دستیابی به یک سیستم سرمایه‌گذاری مناسب با بازدهی معقول جهت به‌کارگیری در بورس اوراق بهادار تهران نمایش می‌دهد.

img0 

شکل  11- نمودار روند فرآیند الگوریتم معاملاتی تسهیل دستیابی به سرمایه‌گذاری مناسب با بازدهی معقول

نتیجه‌گیری و پیشنهاد‌ها

نتایج حاصل از ارزیابی مدل پیشنهادی نشان می­دهد که در تمامی شرکت‌ها در هر دو گروه خودرو و ساخت قطعات و همچنین گروه فرآورده­های نفتی، کک و سوخت هسته­ای، دقت مدل بیش از 55 درصد است. حداکثر دقت مدل در گروه فرآورده­های نفتی، به اوراق بهادار شرکت پالایش نفت بندرعباس مربوط می‌شود که در  حدود 88.9 درصد عمل می‏کند. در این مقاله، سیگنال­های فروش صادره در نقاط حداکثری دارای عملکرد قابل‌توجهی بوده است. درواقع این سیگنال‌ها دارای خطای کمتری بوده و پیش­بینی بهتری در مورد آن‌ها انجام می‌شود. علیرغم اینکه از شاخص­های یکسانی در هر دو گروه خودرو و ساخت قطعات و گروه فرآورده­های نفتی، کک و سوخت هسته­ای استفاده‌شده است؛ دقت در هر یک از شرکت‌های موردبررسی دارای تفاوت معناداری است. می‏توان نتیجه گرفت که در نقاطی که سیگنال خرید می­توان صادر کرد تا حدودی شاهد رفتار غیرقابل‌پیش‌بینی و منطبق بر ساختار آشوب‏گونه هستیم به‌طوری‌که دقت کمتری در مقایسه با نقاط حداکثری شاهد وجود دارد. علاوه بر این می‌توان نتیجه گرفت که:

Ø       عملکرد بهتر مدل در پیش‌بینی نقاط فروش را می‏توان به خصوصیات مشترک بیشتر نقاط سقف ارتباط داد و اینکه درک و شناسایی نقاط سقف برای مدل بسیار ساده‏تر از سایر نقاط است.

Ø       تصمیم در سقف، فارغ از وابستگی آن‌ها به صنایع مختلف، دارای رفتاری مشابه است. قیمت‏ها در نقاطی که سیگنال فروش داده می‌شود؛ الگویی بسیار مشابه و قابل‌فهم ‌دارند درحالی‌که این موضوع برای نقاط کف یا نقاط مابین نقاط سیگنال فروش در سقف و سیگنال خرید در کف صادق نیست. درواقع مدل زمان ریزش قیمت‏ها را نسبت به بی‌تحرکی و صعود قیمت‏ها راحت‏تر شناسایی می‏کند.

Ø       با اینکه از متغیرهای یکسان در صنایع مختلف جهت پیش‌بینی استفاده‌شده است؛ اما دقت مدل در صنایع مختلف متفاوت و معنادار است و به نظر می‌رسد رفتار آشوبناک در صنایع مختلف دارای سطحی برابر نیست. بدین معنا که رفتار مبتنی بر احتمالات شرطی در بعضی صنایع بالاتر است.

Ø       عدم تناسب در همبستگی و دقت در صنایع مختلف، نشان از رفتار غیرخطی قیمت‏ها دارد.

Ø       رفتار قیمت‏ها در برخی از صنایع، خطی، برخی دیگر، احتمالی و در برخی موارد آشوبناک است.

Ø       آنچه مسلم است درزمینه پذیرش و تعمیم رفتار غیرخطی قیمت‏ها در بورس اوراق بهادار مشکل چندانی وجود ندارد اما نمی‌توان با اطمینان کامل در مورد رفتار احتمالی، غیرقطعی و آشوبناک قیمت‏ها اظهارنظر کرد. ازاین‌رو در روش‌های پیش‌بینی که مبتنی بر سناریوسازی و بیان اتفاقات آتی بر مبنای احتمالات است؛ باید بااحتیاط عمل کرد.

سیگنال­های دریافت شده منجر به دریافت بازدهی مطلوب و بالاتر از شاخص کل بورس تهران شده است. به‌کارگیری تکنیک­های داده­کاوی، به‌منزله فرصتی برای کمک به سرمایه­گذاران منجر به عملکرد بهتر می­گردد. الگوریتم هوشمند و جدید ارائه‌شده در این مقاله، نسبت به سایر روش‌های تحلیلی بر روی‌داده‌های بازار بورس، خطای کمتری دارد و سرمایه‌گذاری با این روش به‌صورت هوشمندانه‏تر انجام می‌پذیرد. بنابراین پیشنهاد می‌شود شرکت‌های سبد گردانی و تأمین سرمایه برای تصمیم‏گیری نسبت به فروش، خرید و یا نگهداری اوراق بهادار، از این الگوریتم استفاده کنند. بهره‌مندی از مدل ارائه‌شده موجب خواهد شد سرمایه‌گذار بداند سرمایه را به چه سهامی تخصیص دهد تا ریسک سرمایه‌گذاری به حداقل برسد و مدیریت سرمایه به‌گونه‌ای بهتر انجام شود. 

استفاده از سایر اطلاعات صورت‌های مالی و مؤلفه‏های بنیادی و زمانی در جهت تعیین شاخص­ها، رویکردهای عدم قطعیت (منطق فازی) جهت پیش‌بینی نقاط سیگنال و متن­کاوی جهت ایجاد متغیرهای کیفی در پژوهش، به‌عنوان تحقیقات آتی پیشنهاد می‌شود.

منابع        

1)       اوون ودرال، جيمز (1395)، "فيزيک مالي"، حسين عبده تبريزی، تهران، نشر نی، (2013).

2)       راعی, رضا و فلاح‌پور, سعید. (1390). طراحی مدلی برای مدیریت فعال پرتفوی با استفاده از VaR و الگوریتم ژنتیک. بررسی‏‌های حسابداری و حسابرسی, 18(64), 19-34.

3)       رستگار, محمد علی و  صداقتی‌پور, امین. (1397). ارایه سیستم معاملات الگوریتمی برای قرارداد آتی سکه طلا مبتنی بر داده‌های درون-روزی. دانش سرمایه‌گذاری, 7(28), 49-68.

4)       سعیدی کوشا, مهدی و محبی, سعید. (1400). بهینه‌سازی پرتفوی سهام با استفاده از مقایسه الگوهای مختلف تکنیکال. مهندسی مالی و مدیریت اوراق بهادار, 12(49), 104-125.

5)       شیبت الحمدی، سید احمد و اسفندیار، مهدی.(1393)، کاربرد الگوریتم ژنتیک چندهدفهNSGA II  در انتخاب پرتفوی بهینه در بورس اوراق بهادار، نشریه: پژوهشگر (مدیریت) 11 (34) 21-34.

6)       عالم تبريز، ، زندیه. (1387)، "الگوريتم های فرابتکاری در بهينه سازی تركيبي"، تهران، نشر صفار.

7)       فلاح­پور، سعید، گل ارضی، فتوره چیان. (1392)، پیش­بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار تهران، مجله علمی تحقیقات مالی، 15(2)، 269-288.

8)       كِنِدی، جفری (1398)" راهنمای بصری امواج اليوت"، مهدی ميرزايي، تهران، نشر آراد، (2013).

9)       كيوانپور, محمدرضا، حسن زاده، مرادی. (1393) "مباحث پيشرفته در داده‌کاوی"، تهران، نشر دانشگاهی کیان.

10)       مشاری, محمد, دیده خانی, حسین. (1399). بررسی قابلیت پیش‌بینی پذیری نقاط شروع و پایان روند کوتاه مدت قیمت سهام با استفاده از شبکه احتمالات بیزین. راهبرد مدیریت مالی, 8(1), 39-64.

11)       مورفی، جان (1400)، "تحليل فنی در بازار سرمايه"، کامیار فراهاني فر، قاسمیان لنگرودی، تهران،   انتشارات چالش، (1999).

12)       Alkhatib, Khalid (2022). A New Stock Price Forecasting Method Using Active Deep Learning Approach. Journal of Open Innovation Technology. 8(2), 96.

13)       Bollerslev, T. (2014). Stock return predictability: statistical inference and international evidence. Journal of Quantitative Analysis, 49(3), 633-661.

14)       Chang, P. C. (2012). A novel model by evolving connected neural network for stock price trend forecasting. Expert Systems with Applications, 39(1), 611-620.

15)       Chen, Y. S. Cheng, C. (2016). A study of ANFIS-based multi- factor time series models for forecasting stock index. Applied Intelligence, 45(2), 277-292

16)       Choudhry, R. (2008). A hybrid machine learning system for stock market forecasting. World Academy of Science, and Technology, 39(3), 315-318.

17)       Cohen, G. (2022). Algorithmic Trading and Financial Forecasting Using Advanced Artificial Intelligence Methodologies. Mathematics, 10(18), 3302.

18)       Fenghua, W. E. N. (2014). Stock price prediction based on SSA and SVM. Procedia Computer Science, 31, 625-631.

19)       Ghosh, I., & Jana, R. K. (2023). A granular machine learning framework for forecasting high-frequency financial market variables during the recent black swan event. Technological Forecasting and Social Change, 194, 122719.

20)       Hadavandi, E., (2010). Integration of genetic systems and artificial neural networks for stock price forecasting. Knowledge-Based Systems, 23(8), 808-800.

21)       Hafezi, R. (2015). A bat-neural network multi-agent system for stock price prediction: a Case study of DAX stock price. Applied Soft Computing, 29, 196- 210.

22)       Hajimiri, H. (2022). Use of Genetic Algorithm to Optimize Technical Analysis in International Stock Market. Journal of Cyberspace Studies, 6(1), 21-29.

23)       Hamzaçebi, C. (2009). Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting. Expert Systems with Applications, 36(2), 3839-3844.

24)       Jog, V. (2003). Voluntary disclosure of management earnings forecasts in IPO prospectuses. Journal of Business Finance & Accounting, 30(1‐2), 125-168.

25)       Kabbani, T., & Duman, E. (2022). Deep reinforcement learning approach for trading automation in the stock market. IEEE Access, 10, 93564-93574.

26)       Kumbhare, P. (2023). Algorithmic Trading Strategy Using Technical Indicators. 11th International Conference on Emerging Trends in Engineering & Technology-Signal (ICETET-SIP) (pp. 1-6). IEEE.

27)       Lahmiri, S. (2016). Intraday stock price forecasting based on variational mode decomposition. Journal of Computational Science, 12, 23-27.

28)       Lauguico, Sandy (2019). A Fuzzy Logic-Based Stock Market Trading Algorithm Using Bollinger Bands. 1-6. 10.1109/HNICEM48295.2019.9072734.

29)       Padovani, Matheus (2021). A stock trading algorithm based on trend forecasting and time series. ENIAC. 422-433. 10.5753/eniac.2021.18272.

30)       Tan, L. (2017). A new adaptive network-based fuzzy inference system with adaptive adjustment rules for stock market volatility forecasting. Information Processing Letters, 127, 32-36. 

31)       Wang, Y. F. (2003). Mining stock price using fuzzy rough set system. Expert Systems with Applications, 24(1), 13-23.


 

A trading algorithm to establish a suitable investment system with a reasonable return (Case study: Tehran Stock Exchange)

Hassan Torabi1

Mehdi Bararnia firouzjaei2

 

Abstract

One of the most important issues in modern financial markets is finding efficient ways to summarize and visualize stock market information. The purpose of this paper is to discover a method to reduce risk and increase investment returns. By analyzing the mass volume of Tehran stock market data as a case study, and finding the relationships between the data and the discovery of their hidden information that has a significant impact on investors' decisions; an algorithm was designed. Moreover, the data from the automobile industry and oil products and the index of various industries were utilized from 2018 to 2022, and modeling was done by twenty technical indicators. The results of this research showed that mentioned model has a significant performance in identifying and predicting the sales signals issued at the maximum points and the prediction is done with acceptable accuracy. Portfolio management and capital supply companies can use this trading algorithm to make decisions regarding the sale, purchase or holding of securities.

 

Keywords: Trading Algorithm, Investment Return Rate, Stock Market Index and Forecast, Portfolio

 

 

 

 

 

 

1 Faculty of Management and Industrial Engineering, Malek Ashtar University of Technology, Tehran, Iran (corresponding author), h_torabi@mut.ac.ir

2 Faculty of Management and Industrial Engineering, Malek Ashtar University of Technology, Tehran, Iran, mehdibararnia68@gmail.com

یادداشت ها

1

 

[1]  Amibroker

[2]  Python

[3]  Commodity Channel Index


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]