پیش‌بینی روند حرکتی قیمت سهام با استفاده از XCS مبتنی بر الگوریتم ژنتیک و یادگیری تقویتی
الموضوعات : دانش مالی تحلیل اوراق بهادار
احمدرضا پاکرائی
1
(مربی و عضو هیأت علمی گروه کامپیوتر ، دانشگاه آزاد اسلامی، واحد داراب، ایران)
الکلمات المفتاحية: پیش‌بینی, قیمت سهام, تحلیل فنی, سیستم‌های طبقه‌بند یادگیر توسع,
ملخص المقالة :
پیشرفت‌ها در حوزۀ هوش مصنوعی و یادگیری ماشین به‌خصوص درزمینۀ محاسبات تکاملی نه‌تنها ما را قادر به تجزیه‌وتحلیل مؤثرتر داده‌ها نموده است، بلکه این امکان را فراهم ساخته که از آن‌ها برای فهم هرگونه الگوی زیربنایی بازارهای مالی استفاده گردد. اقتصاددانان، آماردانان و مدرسان امور مالی همواره علاقه‌مند به توسعه و آزمایش مدل‌های رفتاری قیمت سهام بوده‌اند. XCS سامانه‌ای مرکب از الگوریتم ژنتیک و یادگیری تقویتی است که به‌صورت برخط با محیط در تعامل بوده و توانایی یادگیری از تجربه‌های خود را دارد. در این پژوهش مدلی ارائه می‌گردد که با استفاده از XCS به پیش‌بینی روند حرکت قیمت سهام روز آتی یکی از شرکت‌های فعال در بازار بورس تهران بر اساس داده‌های تاریخی و استفاده از نمایه‌های فنی مختلف پرداخته است. سپس دقت پیش‌بینی مدل پیشنهادی در مقایسه با مدل قدم زدن تصادفی سنجیده شده است. نتایج حاکی است که مدل پیشنهادی در مقایسه با مدل قدم زدن تصادفی از دقت پیش‌بینی بالاتری برخوردار است.
* اشهر، م. (1389). پیش‌بینی شاخص سهام با استفاده از الگوریتم پرواز پرندگان و مقایسه آن با مدل‌های سنتی رایج در بورس اوراق بهادار تهران. پایان نامة کارشناسی ارشد، دانشکدة مدیریت و اقتصاد دانشگاه یزد.
* جهانخانی، ع.، عبده تبریزی، ح. (1372). نظریه بازار کارای سرمایه . تحقیقات مالی،1 (1):23-7.
* حسن زاده، س. (1388). پیش‌بینی قیمت سهام با استفاده از برنامه‌ریزی ژنتیک. پایان نامة کارشناسی ارشد، دانشکدة مدیریت واقتصاد دانشگاه تربیت مدرس، تهران.
* حسینی، م. ( 1388). پیش بینی قیمت سهام با استفاده از شبکه‌های عصبی (مطالعة مورد ی: بازار بورس شیراز). پایان نامة کارشناسی ارشد، دانشگاه شیراز.
* حقیقی، م.، مشتاقی یزدانی، ن. و معتمدزاده، ح. (1392). پیش بینی ورشکستگی سهام شرکت های حاضر در بورس با استفاده از سیستم های طبقه بند (XCS) توسعه یافته، اولین همایش ملی مهندسی کسب و کار، کرمان.
* سینایی، ح.، مرتضوی، س. و تیموری اصل، ی. (1384). پیش بینی شاخص بورس اوراق بهادار با استفاده از شبکه‌های عصبی مصنوعی. بررسی‌های حسابداری و حسابرسی، 12(41): 83-59.
* عبادی، ا. ( 1388 ). پیش‌بینی شاخص کل قیمت سهام در بازار بورس تهران با استفاده از شبکه‌های عصبی مصنوعی. پایان نامة کارشناسی ارشد. دانشکدة اقتصاد و علوم اجتماعی دانشگاه بوعلی سینا، همدان.
* فلاح پور، س.، گل ارزی، غ. و فتوره چیان، ن. (1392). پیش بینی روند حرکتی قیمت سهام با استفاده از ماشین بردارپشتیبان برپایة الگوریتم ژنتیک در بورس اوراق بهادار تهران. تحقیقات مالی، 15 (2): 288-269.
* کنی، ا. ع. (1383). مبانی تحلیل تکنیکی بازار سرمایه. تهران.
* منجمی، س.ا.، ابزری، م. و رعیتی شوازی، ع. (1388). پیش بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده ازشبکة عصبی فازی و الگوریتم های ژنتیک و مقایسة آن با شبکة عصبی مصنوعی. فصلنامة اقتصاد مقداری، 6(3):26-1.
* نبوی‌چاشمی، ع.، حسن‌زاده، آ. (1390). بررسی کارایی شاخص MA در تحلیل تکنیکال در پیش بینی قیمت سهام. فصلنامۀ دانش مالی تحلیل اوراق بهادار، 5(5): 105-83.
* نیکواقبال، ع.، گندلی علیخانی، ن. و نادری، ا. (1393). ارزیابی مدل‌های شبکه عصبی مصنوعی ایستا و پویا در پیش‌بینی قیمت سهام. فصلنامۀ دانش مالی تحلیل‌اوراق بهادار، 7(6): 91-77.
* هاشمی، ا. ( 1389 ). تأثیر فاکتورهای رفتاری بر پیش‌بینی قیمت سهام با استفاده از مدل شبکه‌های عصبی رگرسیونی و جلوسو (مورد مطالعه: سهام ده شرکت تشکیل دهندة شاخص داوجونز. پایان نامة کارشناسی ارشد، دانشکدة صنایع دانشگاه علم و فرهنگ، تهران.
* Bodie, Z., Kane, A., Marcus, A. J. (1998).Investments (3rd Ed.). Boston, Mass.Irwin/McGraw Hill Companies, Chapter 12 market efficiency.
* Burton, M. (1999). A Random Walk Down Wall Street, New York, itd. Norton.
* Butz, M. V., Wilson, S. W. (2001). An algorithmic description of XCS. In P. L. Lanzi, W. Stolzmann, and S.W. Wilson, S. (1995). Classifier Fitness Based on Accuracy. Evolutionary Computation, (3)2, 149-175.
* Chen, M. C., Lin, C. L., Chen, A. P. (2007). Constructing a dynamic stockportfolio decisionmaking assistance model: using the Taiwan 50 Index constituentsas an example.
* Chen, P., Chen, M. Y. (2005). Integration extended classifier system and knowledge extraction model for financial investment prediction: An empirical study. Taiwan, Institute of Information Management, National Chiao Tung University.
* Choudhry, R., Garg, K. (2008). A Hybrid Machine Learning System for Stock Market Forecasting. World Academy of Science, Engineering and Technology. 4, 315 –318.
* Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work.The Journal of Finance 25(2): 383-417.
* Holland, J. (1975). Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor, Mich, USA.
* Kalyvas, E. (2001). Using Neural Networks and Genetic Algorithms to Predict Stock MarketReturns. Master's Thesis, University of Manchester.
* 23. Kendall, M. G. (1953). The Analysis of Economic Time Series, Part I. Prices. Journal of the Royal Statistical Society (96), 11-25.
* Lo, Andrew W., Mackinlay, A. C. (2002) A Non-Random Walk Down Wall Street.5th (Ed.) Princeton, Princeton University, 4-47.
* Mandelbrot, B. (1966). Forecasts of future prices, unbiased markets and martingale, models, Journal of Business, (39), 242-255.
* Samuelson, P.A. (1965).Proof that properly anticipated prices fluctuate randomly.Industrial Management Review, (6), 41-49.
* Schulenburg, S., Ross, p. (2001). Strength and Money: An LCS Approach to Increasing Returns. Pier Luca Lanzi, Wolfgang Stolzmann, and Stewart W. Wilson, (Ed.). Advances in Learning Classifier Systems, volume 1996 of Lecture Notes in Artificial Intelligence, pages Springer-Verlag, Berlin, 114–137.
* Shah, V. H. (2007). Machine Learning Techniques for Stock Prediction. Foundations of Machine Learning, New York University.
* Stone, C., Bull, L. (2004). Foreign Exchange Trading using a Learning Classifier System. Bristol United Kingdom: university of the West of England Bristol.
* Tsaih, R. H. (1998). Forecasting S&P 500 stock index. Decision Support Systems, 161- 174.
* Tsang, E. P.K., Jaramillo, S.M. (2004).Computational Finance. IEEE Computational Intelligence Society Newsletter.
* Wilson, S.W.(1995) Classifier Fitness Based on Accuracy., Evolutionary Computation,3(2):149–175.
