کاوش قوانین پیوستگی کمی در بازار سهام با استفاده از الگوریتم های فراابتکاری چندهدفه مبتنی بر الگوریتم ژنتیک
محورهای موضوعی : مهندسی مالی
مصطفی زندیه
1
(دانشیار گروه مدیریت صنعتی، دانشگاه شهیدبهشتی، تهران، ایران)
سیما مردانلو
2
(کارشناس ارشد مهندسی مالی، دانشگاه رجاء، قزوین، ایران)
کلید واژه: داده کاوی, قوانین پیوستگی کمی, الگوریتم تکاملی چندهدفه, نشانگر های تکنیکی, سیگنال خرید و فروش,
چکیده مقاله :
پیش بینی بازده سهام موضوعی مهم در حوزه مالی است که توجه محققان را برای سالهای بسیاری به خود جلب کرده است. سرمایه گذاران همواره در تلاش برای پیدا کردن راهی برای پیش بینی قیمت سهام و پیدا کردن سهام و زمان مناسب برای خرید و یا فروش هستند. اخیرا، از تکنیک های داده کاوی و تکنیک های هوش مصنوعی در این حوزه استفاده می شود. کشف قوانین پیوستگی یکی از رایج ترین روش های داده کاوی مورد استفاده جهت استخراج دانش از مجموعه داده های بزرگ است. برخی محققین کاوش قوانین پیوستگی را به عنوان یک مسئله چند هدفه بیان کرده اند، که به طور مشترک چند معیار را برای به دست آوردن یک مجموعه با قوانین جالب تر و دقیق تر بهینه سازی می کند. در این پژوهش، یک مدل تکاملی چند هدفه جدید ارائه می دهیم که قابلیت درک، جالب بودن و کارایی را به منظور کاوش مجموعه ای از قوانین پیوستگی کمی از داده های مالی، شامل 10 تا از رایج ترین نشانگرهای تحلیل تکنیکی، حداکثر می کند. برای این منظور، این مدل، دو الگوریتم تکاملی چندهدفه معروف الگوریتم ژنتیک مرتب سازی نامغلوب II و الگوریتم ژنتیک رتبه بندی شده نامغلوب را برای انجام فراگیری تکاملی فواصل ویژگی ها و انتخاب شرایط برای هر قانون گسترش می دهد. علاوه براین، مدل ارائه شده، یک جمعیت خارجی و یک فرایند شروع مجدد را برای مدل تکاملی به منظور ذخیره تمام قوانین نامغلوب یافته شده و بهبود تنوع مجموعه قوانین به دست آمده معرفی می کند. نتایج به دست آمده بر روی داده های سهام در دنیای واقعی، اثربخشی روش ارائه شده را نشان می دهد.
Forecasting stock return is an important financial subject that has attracted researchers’ attention for many years. Investors have been trying to find a way to predict stock prices and to find the right stocks and right timing to buy or sell. Recently, data mining techniques and artificial intelligence techniques have been applied to this area. Association discovery is one of the most common Data Mining techniques used to extract interesting knowledge from large datasets. In this paper, we propose a new multi-objective evolutionary model which maximizes the omprehensibility, interestingness and performance of the objectives in order to mine a set of quantitative association rules from financial datasets, including 10 common indicators of technical analysis. To accomplish this, the model extends the two well-known Multi-objective Evolutionary Algorithms, Non-dominated Sorting Genetic Algorithm II and Non-dominated Ranked Genetic Algorithm, to perform an evolutionary learning of the intervals of the attributes and a condition selection for each rule. Moreover, this proposal introduces an external population and a restarting process to the evolutionary model in order to store all the nondominated rules found and improve the diversity of the rule set obtained. The results obtained over real-world stock datasets demonstrate the effectiveness of the proposed approach.
_||_