ارایه سیستم معاملات الگوریتمی برای قرارداد آتی سکه طلا مبتنی بر داده‌های درون-روزی

الموضوعات : دانش سرمایه‌گذاری

محمد علی رستگار ¹ , امین صداقتی‌پور ²

1 - استادیار گروه مهندسی مالی، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس (نویسنده مسئول)
2 - کارشناسی‌ارشد مهندسی مالی، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس

تاريخ الإرسال : 27 الإثنين , رجب, 1438 تاريخ التأكيد : 24 الأربعاء , ذو القعدة, 1438 تاريخ الإصدار : 15 السبت , ربيع الثاني, 1440

الکلمات المفتاحية: معاملات الگوریتمی, قرارداد آتی سکه طلا, تحلیل تکنیکال, ارزش در معرض خطر شرطی,

ملخص المقالة :

امروزه با فراگیر شدن معاملات آنلاین و الگوریتمی، نیاز است تا داده‌های معاملاتی بازارهای مالی با سرعت بالاتری تحلیل و به تصمیمی سودآور تبدیل شوند. هدف این مقاله توسعه یک سیستم معاملات خودکار و الگوریتمی بر روی قرارداد آتی سکه طلای بورس کالای ایران است. با توجه به این که تحلیل تکنیکال برای بازارهای دو طرفه (موقعیت خرید و فروش) مناسب است، از سیگنال 8 ابزار تکنیکال برای سیستم معاملاتی استفاده شده است. به منظور ایجاد سیستم معاملاتی نیز از الگوریتم MOPSO با هدف بهینه‌سازی دو تابع بازدهی و ارزش در معرض خطر شرطی (CVaR) بهره گرفته‌ایم. همچنین برای تکمیل سیستم مدیریت ریسک، حد سود و حد ضرر بهینه برای قرارداد آتی تعیین شده است. نتایج نشان می‌دهد که سیستم معاملاتی طراحی شده نسبت بازدهی به ریسک مطلوب‌تری نسبت به دیگر استراتژی‌های رقیب مانند خرید و نگهداری و فروش و نگهداری دارد. همچنین چارچوب زمانی 30 دقیقه برای طراحی سیستم‌های معاملاتی بر روی قرارداد آتی سکه طلا مناسب به نظر می‌رسد.

المصادر:

*       راعی, ر., هنردوست, ا., سلیمانی, ی.؛ تاتایی, پ., 1393. اثر سررسید، حجم معامله و تعداد موقعیت‌های باز بر نوسانات قیمت قرارداد آتی سکه طلا. دانش سرمایه‌گذاری, 1(9), pp. 169-186.

*       عباسی, ا., عاکفی, ح.؛ ادیب مهر, ش. ا., 1394. تنظیم پارامتر اندیکاتور های تحلیل تکنیکال با استفاده از بهینه سازی چندهدفه گروه ذرات و سیستم استنتاج تطبیقی فازی عصبی. فصلنامه علمی پژوهشی دانش سرمایه گذاری, pp. 111-134.

*       فلاح پور, س.؛ حکیمیان, ح. , 1395. بررسی عملکرد سیستم معاملات زوجی در بورس اوراق بهادار تهران: رویکرد هم انباشتگی و بررسی نسبت سورتینو. مهندسی مالی و مدیریت اوراق بهادار, 8(30), pp.1-17.‎

*       فکاری سردهایی, ب., میرزاپور, ا., صیامی, ع.؛ کجوری, م., 1392. بررسی ارتباط قیمت بازار آتی و نقدی سکه طلای ایران. دانش مالی تحلیل اوراق بهادار, 7(22), pp.93-107.‎

*       علی احمدی, س.؛ احمدلو, م. ,1390. پیش بینی قیمت قراردادهای آتی سکه طلا با استفاده از مدل آریما در بورس کالای ایران. مجله دانش مالی تحلیل اوراق بهادار, 5(9) , pp.61-74.‎

*       دستپاک, م.؛ 1394. ارائه مدل معاملاتی با تکرار بالا در بورس اوراق بهادار تهران. فصلنامه علمی پژوهشی دانش سرمایه گذاری, 4(16) , . pp. 89-109

*       Babaei, S., Sepehri, M.M. and Babaei, E., 2015. Multi-objective portfolio optimization considering the dependence structure of asset returns. European Journal of Operational Research, 244(2), pp.525-539.

*       Chen, Y. and Wang, X., 2015. A hybrid stock trading system using genetic network programming and mean conditional value-at-risk. European Journal of Operational Research, 240(3), pp.861-871.

*       de la Fuente, D., Garrido, A., Laviada, J. and Gómez, A., 2006, July. Genetic algorithms to optimise the time to make stock market investment. In Proceedings of the 8th annual conference on Genetic and evolutionary computation (pp. 1857-1858). ACM.

*       Esfahanipour, A. and Mousavi, S., 2011. A genetic programming model to generate risk-adjusted technical trading rules in stock markets. Expert Systems with Applications, 38(7), pp.8438-8445.

*       Fernández Rodríguez, F., González-Martel, C. and Sosvilla Rivero, S., 2001. Optimisation of technical rules by genetic algorithms: Evidence from the madrid stock market.

*       Fukumoto, R. and Kita, H., 2001, October. Designing trading agents for an artificial market with a multi-objective genetic algorithm. In Proceedings of the Fourth International Conference on Computational Intelligence and Multimedia Applications (p. 226). IEEE Computer Society.

*       Lin, L., Cao, L., Wang, J. and Zhang, C., 2004. The applications of genetic algorithms in stock market data mining optimization. WIT Transactions on Information and Communication Technologies, 33.

*       Liu, X., An, H., Wang, L. and Jia, X., 2017. An integrated approach to optimize moving average rules in the EUA futures market based on particle swarm optimization and genetic algorithms. Applied Energy, 185, pp.1778-1787.

*       Lubnau, T. and Todorova, N., 2015. Trading on mean-reversion in energy futures markets. Energy Economics, 51, pp.312-319.

*       Lwin, K.T., Qu, R. and MacCarthy, B.L., 2017. Mean-VaR Portfolio Optimization: A Nonparametric Approach. European Journal of Operational Research.

*       Majhi, B. and Anish, C.M., 2015. Multiobjective optimization based adaptive models with fuzzy decision making for stock market forecasting. Neurocomputing, 167, pp.502-511.

*       Ng, W.W., Liang, X.L., Li, J., Yeung, D.S. and Chan, P.P., 2014. LG-Trader: Stock trading decision support based on feature selection by weighted localized generalization error model. Neurocomputing, 146, pp.104-112.

*       Skabar, A. and Cloete, I., 2002. Neural networks, financial trading and the efficient markets hypothesis. Australian Computer Science Communications, 24(1), pp.241-249.

*       Vajda, V., 2014. Could a Trader Using Only “Old” Technical Indicator be Successful at the Forex Market?. Procedia Economics and Finance, 15, pp.318-325.

*       Wang, L., An, H., Liu, X. and Huang, X., 2016. Selecting dynamic moving average trading rules in the crude oil futures market using a genetic approach. Applied Energy, 162, pp.1608-1618.

*       Wiles, P.S. and Enke, D., 2015. Optimizing MACD parameters via genetic algorithms for soybean futures. Procedia Computer Science, 61, pp.85-91.

*       Xu, Q., Zhou, Y., Jiang, C., Yu, K. and Niu, X., 2016. A large CVaR-based portfolio selection model with weight constraints. Economic Modelling, 59, pp.436-447.

*       Zhu, H., Wang, Y., Wang, K. and Chen, Y., 2011. Particle Swarm Optimization (PSO) for the constrained portfolio optimization problem. Expert Systems with Applications, 38(8), pp.10161-10169.