طراحی سیستم معاملاتی هوشمند با هدف کشف پیوت قیمتی با استفاده از الگوهای کندلستیک و تکنیک مربع گن (صنعت بیمه و صندوق بازنشستگی)

الموضوعات : دانش سرمایه‌گذاری

ابراهیم عباسی ¹ , حسین دیده خانی ² , پرویز سعیدی ³ , مصطفی باقری ⁴

1 - دانشگاه الزهرا عضو هیئت علمی
2 - عضو هیات علمی گروه مهندسی مالی دانشگاه آزاد اسلامی واحد علی آباد کتول
3 - گروه مدیریت مالی، واحد علی آباد کتول،دانشگاه آزاد اسلامی ، علی آباد کتول، ایران
4 - دانشجوی دکتری مدیریت مالی/ازاد علی اباد کتول

تاريخ الإرسال : 16 الأحد , ذو القعدة, 1439 تاريخ التأكيد : 27 الإثنين , صفر, 1440 تاريخ الإصدار : 06 الإثنين , جمادى الأولى, 1442

الکلمات المفتاحية: الگوهای کندلستیک, پیوت قیمتی, اندیکاتور ZigZag, سطوح مربعی گن,

ملخص المقالة :

هدف پژوهش حاضر طراحی یک سیستم معاملاتی هوشمند با استفاده از تکنیک‌های هوش مصنوعی به منظور کشف و طبقه‌بندی صحیح پیوت‌های قیمتی می باشد. منظور از پیوت قیمتی نقاط برگشت قیمت است که موجب تغییر روند قیمت سهام می‌شود. در این بین نیز از دو تکنیک مربعی گن و الگوهای کندلستیک در کنار سایر متغیرها استفاده شده است. داده‌های مورد استفاده در این پژوهش مربوط به 12 شرکت فعال در گروه بیمه و صندوق بازنشستگی طی 5سال شهریور 1391 الی شهریور 1396 می‌باشد. پیوت‌های قیمتی شرکت‌های مورد بررسی با الگوبرداری از اندیکاتور ZigZag و با کدنویسی در SQLServer شناسایی شده‌اند. نتیجه پژوهش نشان از توانمندی بالای سیستم طراحی شده برای کشف و طبقه‌بندی پیوت‌های قیمتی با محوریت دو الگوی کندلستیک و تکنیک مربعی گن دارد. در این بین، سطح اهمیت الگوهای کندلستیک و سطوح مربعی گن در کشف و طبقه‌بندی صحیح پیوت‌های قیمتی بالاتر از سایر متغیرها بوده است .

المصادر:

• بدری، ا؛ صادقی، م (1385). بررسی اثر روزهای مختلف هفته بر بازدهی، نوسان پذیری و حجم معاملات در بورس اوراق بهادار تهران. پیام مدیریت، شماره 17 و 18، ص 55-83.


• پاکرائی، ا (1396). پیش‌بینی روند حرکتی قیمت سهام با استفاده از XCS مبتنی بر الگوریتم ژنتیک و یادگیری تقویتی. دانش مالی تحلیل اوراق بهادار، سال 10 (34)، ص39-55.


• پورزمانی، ز؛ حیدرپور، ف؛ محمدی، م (1390). مقایسه استراتژی های خرید و فروش سهام در سرمایه گذاری بلندمدت به روش های فیلتر، خرید و نگهداری و میانگین متحرک بازار. مجله مهندسی مالی و مدیریت اوراق بهادار، تابستان 1390.


• پور زمانی، ز؛ رضوانی اقدام، م (1396). مقایسه کارآمدی استراتژی های ترکیبی تحلیلی تکنیکال با روش خرید و نگهداری برای خرید سهام در دوره های صعودی و نزولی. فصلنامه علمی پزوهشی دانش مالی تحلیل اوراق بهادار. بهار 1396.


• خلیلی عراقی، م؛ رهنمای رودپشتی، ف؛ جودکی، آ (1388). بررسی تفاوتهای رفتاری بین سرمایه‌گذاران حقیقی و حقوقی بعد از تعطیلات هفتگی. مجله پژوهشهای مدیریت، شماره 83 (زمستان)، ص 79-86.


• صالح اردستانی، ع (1394). بررسی مقایسه ای اثربخشی اندیکاتورهای تحلیل تکنیکال از نوع روند با نوسان گر تصادفی در تحلیل اوراق بهادار شرکت های دارویی، مجله مدیریت بهداشت و درمان، سال 6، ص 41 الی 48.


• فخاری، ح؛ ولی‌پورخطیر، م؛ موسوی، س (1396). بررسی عملکرد شبکه بیزین و لونبرگ مارکوات در مقایسه با مدل‌های کلاسیک در پیش‌بینی قیمت سهام شرکت‌های سرمایه‌گذاری، تحقیقات مالی، دوره 19 (2)، ص 299-318.


• فلاح‌پور، س؛ گل‌ارضی، غ، فتوره‌چیان، ن (1392). پیش‌بینی روند قیمت سهام با استفاده از ماشین‌بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار تهران. تحقیقات مالی، دوره 15(2). ص 269-288.


• مکیان، س و المدرسی، س و تکلو، س (1389). مقایسه مدل شبکه‌های عصبی مصنوعی با روشهای رگرسیون لجستیک و تحلیل ممیزی در پیش بینی ورشکستگی شرکتها. فصلنامه پژوهشهای اقتصادی، شماره 2، ص 141-161.


• پاتریک، م (1394). پیش بینی بازار سهام و کالا با استفاده از مربع نه تایی گن، ترجمه جوادی علیرضا، عبداللهیان سیدمرتضی، چاپ اول، انتشارات چالش.


• محمدی، ع (1393). مرجع کامل الگوهای شمعی در بازارهای سرمایه. انتشارات آراد کتاب. چاپ دو.


• مورفی، ج (1390). تحلیل تکنیکال در بازار سرمایه، ترجمه کامیار فراهانی فرد و رضا قاسمیان لنگرودی، چاپ هشتم، نشر چالش.


• هیبتی، ف؛ رهنمای رودپشتی، ف (1389). ارتباط دو رویکرد قیمتگذاری سهام در بورس اوراق بهادار تهران. مجله مطالعات مالی، شماره 5، ص 115 الی 136.


• Achelis (2000). Journal of Accounting Research. s.l.: Vision Books.


• Ata, A; Seyrek .H (2009). The use of data mining techniques in detecting fraudulent financial statements : an application on manufacturing firms. The Journal of Faculty of Economics and Administrative Sciences, Vol 142, pp.157-170..


• Brock,w; Lakonishok,J; LeBaron,B (1992). Simple technical trading rules and the stochastic properties of stock returns. The Journal of Finance 47, no. 5 ,1731-1764..


• G, Kwok.C.Y,Rui.O.M, (2001), The day of the week effect regulatory in the stock market of China, journal of multinational financial management, vol.11 , pp.139-163..


• Chiung-Hon,L; Wensung,C; Alan,L (2004). An Implementation of Knowledge based Pattern Recognition for Financial it Prediction. in Proceedings of the IEEE Conference on Cybernetics and Intelligent Systems Singapore, December.


• Dash, R., & Dash, P. K. (2016). A hybrid stock trading framework integrating technical analysis with machine learning techniques. The Journal of Finance and Data Science, 2(1), 42-57.


• Efron, B (1979). Bootstrap method:Another look at the jackknife. The annals of statistics 71, 1-26..


• Fock, J. H., Klein, C., & Zwergel, B. (2005). Performance of candlestick analysis on intra day futures data. Journal of Futures Markets, 13, 28–40.


• M, Bhensdadia.K, Ganatra.P (2009). CandlestickAnalysis based Short Term Prediction of Stock Price Fluctuation using SOM-CBR. IEEE International Advance Computing Conference. Patiala, India, 6-7 March.


• Gençay,R (1998). Optimization of technical trading strategies and the profitability in security markets. Economics Letters 59, no. 2:


• Gunasekarage, A; Power, D. M (2001). The profitability of moving average trading rules in South Asian stock markets. Emerging Markets Review, 2(1),p.p.


• Hero, B. F. (2007). Multidimensional Analysis of the Lambdoma Keyboard Experiments. In Integration of Knowledge Intensive Multi-Agent Systems, 2007. KIMAS 2007. International Conference on (pp. 318-323). IEEE.


• Hexton, R. (1995). Technical Analysis in the Options Market: The Effective Use of Computerized Trading Systems. John Wiley and Sons.


• Hudson,R; Dempsey,M; Keasey,K (1996). A note on the weak form efficiency of capital markets: The application of simple technical trading rules to UK stock prices-1935 to 1994. Journal of Banking & Finance 20, no. ,1121-1132..


• Jaiwang, G., & Jeatrakul, P. (2016, December). A forecast model for stock trading using support vector machine. In Computer Science and Engineering Conference (ICSEC), 2016 International (pp. 1-6).


• Lu,Tsung-Hsun;Shiu,Yung-Ming;Liu,Tsung-Chi(2012).Profitable candlestick trading strategies—The evidence from a new perspective. Review of Financial Economics, no.21,pp63-68.


• Marshall, R; Young,M; rose,L (2006), Candlestick technical trading strategies : can they create value for investors?. Journal of banking & finance, no.


• Miller, E (1990). Atomic Bombs, the depression and equilibrium. Journal of portfolio management, 37-41..


• Nison, S. (2001). Japanese candlestick charting techniques: a contemporary guide to the ancient investment techniques of the Far East. Penguin.


• s (2004), Candlestick trading principles. Technical Analysis of stocks and commodities November, 22-27..


• Rasheed,K (2007). Stock market prediction with multiple classifiers. Applied Intelligence, Volume 26, Issue 1, pp 25–.


• Sabat, R; Patnaik, S; Panigrahy, S; Mahto, D. (2017). technical analysis and assesment of automated solar electric hybrid vehicle utilities for improved obstacle detection and performance. International Research Journal of Engineering and Technology.volume 4, issue 4, april.


• Schwager, J. D; Etzkorn, M. (2017). Technical Indicators. A Complete Guide to the Futures Market: Technical Analysis and Trading Systems, Fundamental Analysis, Options, Spreads, and Trading Principles, 155-173..


• Shiu, Y., & Lu, T. (2011). Pinpoint and synergistic trading strategies of candlesticks. In ternational Journal of Economics and Finance, 3, 234–244.


• Wu, B., & Duan, T. (2017). A Performance Comparison of Neural Networks in Forecasting Stock Price Trend. International Journal of Computational Intelligence Systems, 10(1), 336-346.


• Ye, F., Zhang, L., Zhang, D., Fujita, H., & Gong, Z. (2016). A novel forecasting method based on multi-order fuzzy time series and technical analysis. Information Sciences, 367, 41-57.


• Zhu, M., Atri, S., & Yegen, E. (2016). Are candlestick trading strategies effective in certain stocks with distinct features?. Pacific- Intelligent System Design to Discovering the Pivot Price