بهینه‌سازی پارامترهای اندیکاتورهای تحلیل تکنیکال برای داده‌های درون‌روزی با استفاده از الگوریتم الهام‌گرفته از پدیده‌های نوری: مطالعه موردی بورس تهران
محورهای موضوعی : مهندسی مالیمحمد علی رستگار 1 , فرح آشوری 2
1 - گروه مهندسی مالی، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس
2 - کارشناسی ارشد مهندسی مالی، دانشکده علوم مالی، دانشگاه خوارزمی
کلید واژه: شبکه عصبی مصنوعی, اندیکاتورهای تکنیکال, داده‌های درون‌روزی سهام, سیستم معاملاتی, الگوریتم‌های فراابتکاری,
چکیده مقاله :
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.
_||_