سودمندی راهبردهای سرمایه گذاری مبتنی بر تناوب زمانی در بورس اوراق بهادارتهران:تحلیل محتوایی نوسانگرهای هارمونیک و تناوب موج

الموضوعات :

سید محمدرضا داودی ¹ , عبدالمجید عبدالباقی عطاآبادی ² , جواد یوسفی ³

1 - گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی،دهاقان، ایران
2 - گروه مدیریت ، دانشگاه صنعتی شاهرود، شاهرود، ایران
3 - گروه مهندس مالی، واحد دهاقان ،دانشگاه آزاد اسلامی ، دهاقان، ایران

تاريخ الإرسال : 08 الثلاثاء , جمادى الثانية, 1443 تاريخ التأكيد : 13 الأربعاء , شعبان, 1443 تاريخ الإصدار : 20 الخميس , رمضان, 1443

الکلمات المفتاحية: واژه‌های کلیدی: تحلیل تکنیکال, دوره تناوب, نوسانگر هارمونیک ساده, نوسانگر دوره تناوب. طبقه بندی JEL : G17,

ملخص المقالة :

چکیدهامروزه استفاده از نوسانگرها به عنوان یکی از ابزار های معاملاتی در دست تحلیل گران بازار سرمایه در حال گسترش می‌باشد. تحلیل تکنیکال یکی از روش‌های تحلیل بازار است که در آن از قیمت‌ها و حجم معاملات تاریخی سهام برای پیش بینی جهت آیندة حرکت قیمت‌ها استفاده می‌شود. نوسانگرها تابعی از قیمت و حجم معاملات هستند که غالبا بین دو مقدار در نوسان هستند و در مورد خرید و فروش یک دارایی، سیگنالهایی را صادر می‌کنند. نوسانگرهای مبتنی بر زمان، با استفاده از مفهوم موج و دوره تناوب رفتار قیمت را مدل سازی می‌کنند. پژوهش حاضر به بررسی سودآوری دو نوسانگر مبتنی بر تناوب زمان، شامل نوسانگر هارمونیک ساده و نوسانگر تناوب موج در بورس اوراق بهادار تهران و در بازه زمانی 1388 تا 1397 می‌پردازد. نتیجه پژوهش نشان می‌دهد که استراتژی مبتنی بر نوسانگر تناوب موج نسبت شارپ 55/0 می باشد که بالاتر از نوسانگر هارمونیک ساده با نسبت شارپ 48/0 می باشد.

المصادر:

فهرست منابع 
اصغر پور،حسین؛رضا زاده،علی.(1394). تعیین سبد بهینه سهام با استفاده از روش ارزش در معرض ریسک.4، 193-118.
اماموردی، قدرتاله و صفرزاده بیجاربنه (1394). آزمون آشوبی و غیرخطی بودن شاخص قیمت سهام در بورس تهران، فصلنامه اقتصاد مالی و توسعه، 9(23). 55-74.  
تیموری،فرشاد؛کردلویی،حمیدرضا. (1394). بررسی مقایسه ای توان مدل های ترکیب گوسی و ماشین یردار پشتیبان در تشخیص و پیش بینی حباب قیمتی.مهندسی مالی و مدیریت اوراق بهادار. (23). 104-79.
دیانتی، زهرا؛ عالمی، محمدرضا و بهزادپور، سمیرا. (1390). بررسی ارتباط کیفیت اطلاعات مالی و معیارهای ریسک در بورس اوراق بهادار. فصلنامه بورس اوراق بهادارتهران. 5 (17). (1391). 41-23 
دولو، مریم و حیدری، تکتم (1396). پیش بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک. فصلنامه اقتصاد مالی و توسعه، 11(40) . 1-23. 
عباسی ،ابراهیم ;عارف،حسین ;ادیب مهر،شهاب الدین .(1394). تنظیم پارامتر اندیکاتور های تحلیل تکنیکال با استفاده از بهینه سازی چند هدفه گروه ذرات و سیستم استنتاج تطبیقی فازی عصبی. فصلنامه علمی پژوهشی دانش سرمایه گذاری. 4 (15).  134-111.
فلاح پور، سعید؛ گل ارضی، غلامحسن؛ فتورهچیان، ناصر.(1392). پیش بینی روند حرکت قیمت سهام با استفاده از ماشین بردار پشتیبان برپایه الگوریتم ژنتیک در بورس اوراق بهادار تهران. تحقیقات مالی، دانشکده  مدیریت دانشگاه تهران، دوره15 . ( 2). 288-269
نبوی چاشمی،سیدعلی؛حسن زاده،آیت ا..(1390). بررسی کارایی شاخص MA در تحلیل تکنیکال در پیش بینی قیمت سهام، دانش مالی تحلیل اوراق بهادار (مطالعات مالی).4(10)   .106-83.
نصرالهی، خدیجه؛ثقفی کلوانق،رضا؛صمدی ،سعید؛واعظ برزانی،محمد(1392) ارزیابی سودمندی الگوهای شمعی زاپنی در بورس اوراق بهادار تهران، مجله پژوهش های حسابداری مالی، 17، 72-59
Alejandro, E., Juliano, M., & Sebastian, M. (2013). A Technical Analysis Indicator Based on Fuzzy Logic. Electronic Notes on Theoretical Computer Science, 292, 27-37.www.ccsenet.org/cis Computer and Information Science Vol. 7, No. 3; 2014 16 
Andrew W. Lo; Jasmina Hasanhodzic (2010). The Evolution of Technical Analysis: Financial Prediction from Babylonian Tablets to Bloomberg Terminals. Bloomberg Press. p. 150. ISBN 1576603490. Retrieved 8 August 2011.
Bodas-Sagi DJ, Soltero FJ, Hidalgo JI, Fernandez P, Fernandez. F.(2012) A technique for the optimization of the parameters of technical indicators with multi-objective evolutionary algorithms. In: 2012 IEEE congress on evolutionary computation (CEC), pp 1–8.
Boroden. C (2006).Fibonacci Trading: How to Master the Time and Price Advantage.McGRAW-HILL.
Brown.C(2018)The Composite Index: A Divergence Analysis Study.IFTA Journal.1,25-34.
Briza. C, Antonio. C.(2011) Stock trading system based on the multi-objective particle swarm optimization of technical indicators on end-of-day market data”, Journal of Applied Soft Computing, VOL. 11, NO. 1 ,pp. 1191–1201.
Fukumoto. R, Kita. H,(2010) .A-multi-objective Genetic algorithem Approach of trading agents for artificial market study. Volume 2253 of the series Lecture Notes in Computer Science, pp 132-141.
Ijegwal.D, Rebecca1. O, Olasunkanmi.I .(2014) A Predictive Stock Market Technical Analysis Using Fuzzy Logic ,Computer and Information Science; Vol. 7, No. 3.
Keller. D(2007), Breakthroughs in Technical Analysis; New Thinking from the World's Top Minds, New York, Bloomberg Press, ISBN 978-1-57660-242-3 pp.1-19.
Lim, S., Yanyali,S and Savidge, J.(2016) .Do Ichimoku Cloud Charts Work and Do They Work Better in Japan? IFTA JOURNAL,1-7.
Magda B.Fayek, Hatem M.El-Boghdad Sherin M.Omran,(2013).Multi-Objective Optimization of technical stock market indicators using GAS, International Journal of Computer Applications, 68(20),.
Morris. G(2006). Candlestick Charting Explained: TimelessTechniques for Trading Stocks and Futures, , McGraw-Hill, ISBN 0-07-146154-X / 9780071461542
Murphy. JJ, Technical analysis of financial markets. Prentice Hall Press, Upper Saddle River.1999.
Naranjo.R.,Santos.M(2017), Fuzzy Candlesticks Forecasting Using Pattern
Nison, Steve, Japanese Candlestick Charting Techniques, Second Edition. (2001)ISBN 978-0-7352-0181-1
Sherbini. A.(2018).Time cycle oscilliators.IFTA Journal.66-84.  
Sukanto Bhattacharya and   Kuldeep Kumar,(2006). A Computational Exploration of the Efficacy of Fibonacci Sequences in Technical Analysis and Trading,  ANNALS OF ECONOMICS AND FINANCE 1, 219–230 .
Theodorus, Z., & Dimitrus, K. (2013). Short Term Prediction of Foreign Exchange Rates with a Neural-Network Based Ensemble of Financial Technical Indicators. International Journal on Artificial Intelligence Tools, 22(3), 220-241.
Toshitsugu Otake، Fall Fallou ,(2013) Can we apply Fibonacci retracement in the African market? African Journal of Business Management, 7(24), pp. 2337-2341.
Volná.E, Kotyrba.N, Jarušek.R (2013) .Multi-classifier based on Elliott wave’s recognition, Computers and Mathematics with Applications 66 ,213–225
Volná.E, Kotyrba.N, Jarušek.R, Prediction by means of Elliott waves(2013) . In book: Nostradamus: Modern Methods of Prediction, Modeling and Analysis of Nonlinear Systems, 241-250.