پیش‌بینی روند تغییرات قیمت سهام با به‌کارگیری شاخص‌های تحلیل تکنیکی و استفاده از روش ترکیبی الگوریتم ژنتیک و شبکه عصبی مصنوعی: مطالعه موردی سهام ایران خودرو

محورهای موضوعی : اقتصاد کاربردی

زینب آذریان ¹ (دانش‌آموخته کارشناسی ارشد، گروه مهندسی صنایع، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران)
سید مهدی همایونی ² (استادیار، گروه مهندسی صنایع، واحد لنجان، دانشگاه آزاد اسلامی، اصفهان، ایران (نویسنده مسئول) [e-mail])

تاریخ دریافت : 1396/06/13 تاریخ پذیرش : 1396/09/13 تاریخ انتشار : 1396/09/01

کلید واژه: شاخص‌های تحلیل تکنیکی, الگوریتم ژنتیک, شبکه عصبی مصنوعی, بورس اوراق بهادار,

چکیده مقاله :

همواره پیش‌بینی دقیق روند بازار سهام برای تصمیم‌گیری‌های مالی سرمایه‌گذاران مهم بوده است. استفاده از مجموعه‌ای از شاخص‌های تحلیل تکنیکی یکی از پرکاربردترین روش‌های پیش‌بینی‌های مالی است. تعیین پارامترهای مناسب این شاخص‌ها و همچنین ترکیب آن‌ها یکی از چالش‌های پژوهشگران است. از طرف دیگر، ماهیت غیرخطی و پویای تغییرات در روند بازار سهام موجب استفاده گسترده از روش‌های پیش‌بینی غیرخطی همچون شبکه عصبی مصنوعی شده است. با وجود استفاده گسترده از شاخص‌های تحلیل تکنیکی به عنوان ورودی شبکه‌های عصبی مصنوعی، تاکنون بهینه‌سازی پارامترهای شاخص‌های تحلیل تکنیکی به عنوان ورودی شبکه عصبی مصنوعی پژوهش نشده است. با توجه به روند تغییرات انحصاری سهام یک شرکت نسبت به سایر شرکت‌ها، استفاده از مجموعه پارامترهای پیش‌فرض یا یکسان برای تمام انواع سهام منطقی نیست. در این پژوهش، پارامترهای مجموعه‌ای از شاخص‌های تحلیل تکنیکی برای سهام یک شرکت با استفاده از الگوریتم ژنتیک بهینه شده است و به شبکه عصبی مصنوعی به عنوان ورودی داده ‌می‌شود. از این روش ترکیبی برای پیش‌بینی روند تغییرات قیمت سهام روز بعد استفاده شده است. در این روش، فرض شده است که فرد سرمایه‌‌گذار براساس پیش‌بینی تصمیم می‌گیرد، که روز بعد، سهام را بخرد، بفروشد، یا نگه‌ دارد. برای ارزیابی عملکرد روش ترکیبی ارائه شده، از یک شبکه عصبی مصنوعی با استفاده از شاخص‌های تحلیل تکنیکی با پارامترهای پیش‌فرض نیز جهت پیش‌بینی روند تغییرات قیمت سهام استفاده شده است. این دو روش برای داده‌های واقعی سهام شرکت ایران خودرو اجرا شده که نتایج نشان دهنده برتری روش ترکیبی با 25.1% کاهش در خطای پیش‌بینی نسبت به روش ساده است. طبقه‌بندی JEL:G10 ،G17 ،C45 ، C53، C61

منابع و مأخذ:

پورزمانی، زهرا، حیدرپور، فرزانه، محمدی، محمدرضا. (1390). مقایسه استراتژی­های خرید و فروش سهام در سرمایه­گذاری بلندمدت به روش­های فیلتر، خرید و نگهداری و میانگین متحرک بازار. مهندسی مالی و مدیریت اوراق بهادار، دانشگاه آزاد اسلامی تهران مرکزی، شماره هفتم، 228-215.

تهرانی، رضا و عباسیون، وحید. (1387). کاربرد شبکه‌های عصبی مصنوعی در زمان‌بندی معاملات سهام: با رویکرد تحلیل تکنیکی. پژوهش‌های اقتصادی، سال هشتم، شماره اول، 177-151.

تهرانی، رضا و اسماعیلی، محمد. (1391). بررسی تأثیر استفاده از شاخص‌های مهم تحلیل تکنیکی بر بازدهی کوتاه مدت سرمایه‌گذاران در بورس اوراق بهادار تهران. دانش مالی تحلیل اوراق بهادار، شماره سیزدهم، 33-21.

تهرانی، رضا، کارگری، یاسر و داورزاده، مهتاب. (1393). بررسی سودمندی تحلیل تکنیکی قیمت جهانی طلا (رویکردی بر شاخص‌های هدایت گر یا نوسانگرها). دانش سرمایه‌گذاری، سال سوم، شماره 9، 64-43.

رزمی، جعفر، جولای، فریبرز و امامی، امیر عباس. (1386). یک رویکرد «بوت استرپ» برای مقایسه سودآوری شاخص‌های تحلیل تکنیکی ‐ بورس اوراق بهادار تهران. تحقیقات اقتصادی، شماره 81، 110-85.

زمانی، محسن، افسر، امیر، ثقفی‌نژاد، سید وحید و بیات، الهام. (1393). سیستم خبره پیش‌بینی قیمت سهام و بهینه‌سازی سبد سهام با استفاده از شبکه‌های عصبی فازی، مدل سازی فازی و الگوریتم ژنتیک. مهندسی مالی و مدیریت اوراق بهادار، دانشگاه آزاد اسلامی واحد تهران مرکزی، شماره بیست و یکم، 130-107.

ستایش، محمد رضا، تقی­زاده­شیاده، سید تیمور، پور­موسوی، علی اکبر، ابوذری­لطف، علی.(1388). امکان سنجی بکارگیری شاخص­های تحلیل تکنیکی (فنی) در پیش­بینی روند قیمت سهام در بورس اوراق بهادار تهران. فصلنامه بصیرت، سال شانزدهم، شماره 42، 177-155.

صمدی، سعید، ایزدی­نیا، ناصر، داورزاده، مهتاب. (1389). کاربرد بهره­گیری از تحلیل تکنیکی در بورس اوراق بهادار تهران (رویکری بر میانگین متحرک). پیشرفت­های حسابداری، دانشگاه شیراز، دوره دوم، شماره اول، 154-121.

طلوعی­اشلقی، عباس، حق­دوست، شادی. (1386). مدل­سازی پیش­بینی قیمت سهام با استفاده از شبکه عصبی و مقایسه آن با روش­های پیش­بینی ریاضی. پژوهشهای اقتصادی، شماره 25، 251-237.

نجارزاده، رضا و گداری، اکبر. (1387). بررسی سودآوری قواعد مبادلاتی میانگین متحرک در بورس اوراق بهادار تهران. پژوهش‌های اقتصادی، سال هشتم، شماره سوم، 58-43.

منجمی، سید امیر حسین، ابزری، مهدی و رعیتی‌شوازی، علیرضا. (1388). پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم‌های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی. اقتصاد مقداری، دوره 6، شماره 3، 26-1.

مکوندی، پیام، جعفرعلی‌جاسبی، جواد و علوی، سید حسن. (1387). انتخاب مؤلفه‌های تأثیرگذار بر پیش‌بینی سود آتی سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل ترکیبی شبکه عصبی و الگوریتم ژنتیک. جستارهای اقتصادی، سال 5، شماره 10، 201-163.

عباسی، ابراهیم، عاکفی، حسین و ادیب‌مهر، شهاب‌الدین (1394). تنظیم پارامتر اندیکاتورهای تحلیل تکنیکال با استفاده از بهینه‌سازی چند هدفه گروه ذرات و سیستم استنتاج تطبیقی فازی-عصبی. دانش سرمایه گذاری، سال چهارم، شماره پانزدهم، 134-111.

Bisoi, R., & Dash, P. K. (2014). A hybrid evolutionary dynamic neural network for stock market trend analysis and prediction using unscented Kalman filter. Applied Soft Computing, 19, 41-56.

Fayek, M. B., El-Boghdadi, H. M., & Omran, S. M. (2013). Multi-objective optimization of technical stock market indicators using gas. International Journal of Computer Applications, 68(20), 41-48.

Fu, T. C., Chung, C. P., & Chung, F. L. (2013). Adopting genetic algorithms for technical analysis and portfolio management. Computers & Mathematics with Applications, 66(10), 1743-1757.

Göçken, M., Özçalıcı, M., Boru, A., & Dosdoğru, A. T. (2016). Integrating metaheuristics and artificial neural networks for improved stock price prediction. Expert Systems with Applications, 44, 320-331.

Kara, Y., Boyacioglu, M. A., & Baykan, Ö. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert systems with Applications, 38(5), 5311-5319.

Kapoor, V., Dey, S., & Khurana, A. P. (2011). Genetic algorithm: An application to technical trading system design. International Journal of Computer Applications, 36(5), 44-50.

Papadamou, S., & Stephanides, G. (2007). Improving technical trading systems by using a new MATLAB-based genetic algorithm procedure. Mathematical and computer modelling, 46(1), 189-197.

Perwej, Y., & Perwej, A. (2012). Prediction of the Bombay Stock Exchange (BSE) market returns using artificial neural network and genetic algorithm. Journal of Intelligent Learning Systems and Applications, 4(2), 108-119

Sahin, U., & Ozbayoglu, A. M. (2014). TN-RSI: Trend-normalized RSI indicator for stock trading systems with evolutionary computation. Procedia Computer Science, 36, 240-245.