Stock Trading Analysis Using Improved Fuzzy Candlestick Patterns using Particle Swarm based Metaheuristic Method
Subject Areas : Financial Economicsحسن کلانتری درونکلا 1 , ایمان داداشی 2 , حمیدرضا غلام نیاروشن 3 , کاوه آذین فر 4
1 - گروه حسابداری، دانشگاه ازاد اسلامی، واحد بابل، مازندران ایران
2 - Assistant Professor, Department of Accounting, Faculty of Economics Sciences and Administrative, University of Qom, Qom, Iran.
3 - گروه حسابداری, دانشکده علوم انسانی, دانشگاه آزاد اسلامی واحد بابل
4 - دکتری حسابداری، استادیار گروه حسابداری ، گروه آموزش حسابداری، واحد بابل، دانشگاه ازاد اسلامی، بابل ،ایران
Keywords: Keywords: Stock Trading Analysis, particle-based, firefly, jaya, Radial Basis Function. JEL classification: C21 , C31,
Abstract :
Abstract
Today, due to economic volatility, the topic of stock price forecasting and investment risk has particular importance to stock traders. Recently, fuzzy logic has been used to model dynamically candle stick in order to stock trading analysis and predicting investment risk in stock trading but it has the challenge of sensitivity to the number of non-useful stock trading samples and the inappropriate tuning of membership functions designed for candlesticks patterns. In this paper, we propose the regression method based on radial basis function as a pre-processing step to reduce the insignificant stock trading samples and then we use the particle swarm optimization method to adjust the values of fuzzy membership functions of the candlestick patterns optimally. The jaya and firefly particle swarm based are able to optimize fuzzy membership functions of candlestick patterns robustly. The results of the proposed method on top iranian stocks trading companies show best performance of the proposed method.
بابانژاد باقری، سیده مریم. پورآقاجان، عباسعلی. عباسیان، محمد مهدی. (1402). پیش بینی ارزش شرکت مبتنی بر روشهای یادگیری عمیق. اقتصاد مالی، 64 (17)،318-291.
روحانی، مریم. هوشمند، محمود. احمدی شادمهری، محمدطاهر. (1403). تحلیل آثار شوک‌های سیاست پولی بر قیمت سهام در اقتصاد ایران؛ کاربردی ترکیبی از روش میانگین گیری بیزین و رهیافت خودرگرسیون برداری تعمیم یافته با پارامترهای متغیر در طول زمان. اقتصاد مالی، 66(18), 68-51.
شریففر، امیر و خلیلی عراقی، مریم و رئیسی وانانی، ایمان و فلاح شمس، میرفیض(1401) ، کاربرد معماری های یادگیری عمیق در پیش بینی قیمت سهام (رویکرد شبکه عصبی پیچشی CNN). مدیریت دارایی و تامین مالی، (3)10، 20-1.
ظفرپور، علیرضا. سرلک، احمد. حاجی، غلامعلی. (1402). بررسی اثرات نامتقارن معاملات پربسامد بر بازدهی شرکت پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدلMS-EGARCH . اقتصاد مالی، 65(17)، 356-333.
عابدینی، سحر. ابونوری، اسمعیل. کشاورزحداد، غلامرضا. (1403). بهینه‌سازی سبد سهام صنایع مختلف در بورس اوراق بهادار تهران با استفاده از گارچ متعامد. اقتصاد مالی، 66(18)، 26-1.
معمارزاده، سیده فائزه و خسروی فارسانی، هادی و جاودانی گندمانی، تقی، (1401). ارائه یک روش مبتنی بر یادگیری عمیق جهت پیش بینی قیمت سهام،هشتمین کنفرانس بین المللی وب پژوهی، تهران،https://civilica.com/doc/1458451.
میرجعفری، سیدکاظم و محمدی، شعبان و سیفی، حسین. (1401). طراحی مدل بهینه سازی شیمیایی مصنوعی برای پیش بینی قیمت سهام و مقایسه آن با مدلهای مبتنی بر شبکه عصبی مصنوعی و مدل های ترکیبی در بورس اوراق بهادارتهران، دومین کنفرانس سراسری مطالعات و یافته های نوین در مدیریت و حسابداری ایران، https://civilica.com/doc/1477275 .
نظریه، فاطمه. (1400). پیش بینی قیمت سهام توسط روش تلفیقی مبتنی بر تجزیه و ترکیب، ششمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام، تهران،https://civilica.com/doc/1452617.
Abdolbaghi Ataabadi, Abdolmajid, Sayyed Mohammad Reza Davoodi, and Mohammad Salimi Bani. 2019. 'The Effectiveness of the Automatic System of Fuzzy Logic-Based Technical Patterns Recognition: Evidence from Tehran Stock Exchange', Advances in Mathematical Finance and Applications, 4: 107-25.
Alalaya, Mohammad M, Hani A Al Rawashdeh, and Ahmad Alkhateb. 2018. 'Combination Method between Fuzzy Logic and Neural Network Models to Predict Amman Stock Exchange', Open Journal of Business and Management, 6: 632-50.
Arévalo, Rubén, Jorge García, Francisco Guijarro, and Alfred Peris. 2017. 'A dynamic trading rule based on filtered flag pattern recognition for stock market price forecasting', Expert Systems with Applications, 81: 177-92.
Asghar, Muhammad Zubair, Fazal Rahman, Fazal Masud Kundi, and Shakeel Ahmad. 2019. 'Development of stock market trend prediction system using multiple regression', Computational and mathematical organization theory, 25: 271-301.
Chen, Tingting, Yongjian Zhu, and Jun Teng. 2018. 'Beetle swarm optimisation for solving investment portfolio problems', The Journal of Engineering, 2018: 1600-05.
Chou, Jui-Sheng, and Thi-Kha Nguyen. 2018. 'Forward forecast of stock price using sliding-window metaheuristic-optimized machine-learning regression', IEEE Transactions on Industrial Informatics, 14: 3132-42.
Kurniawan, Yohannes, Vina Georgiana, Nastio Diaz, Einto Rizad Ardli, and Novid Mauliditya Anzar. 2018. 'Analysis and Design of Stock and Vehicle Maintenance Information System', Advanced Science Letters, 24: 8567-72.
Liu, Zhi, and Tie Zhang. 2019. 'A second-order fuzzy time series model for stock price analysis', Journal of Applied Statistics, 46: 2514-26.
Naranjo, Rodrigo, Javier Arroyo, and Matilde Santos. 2018. 'Fuzzy modeling of stock trading with fuzzy candlesticks', Expert Systems with Applications, 93: 15-27.
Naranjo, Rodrigo, and Matilde Santos. 2016. "Fuzzy candlesticks forecasting using pattern recognition for stock markets." In International Joint Conference SOCO’16-CISIS’16-ICEUTE’16, 323-33. Springer.
Rao, R. 2016. 'Jaya: A simple and new optimization algorithm for solving constrained and unconstrained optimization problems', International Journal of Industrial Engineering Computations, 7: 19-34.
Vanstone, Bruce, and Gavin Finnie. 2010. 'Enhancing stockmarket trading performance with ANNs', Expert Systems with Applications, 37: 6602-10.
Zhang, Huaping. 2020. 'Optimization of risk control in financial markets based on particle swarm optimization algorithm', Journal of Computational and Applied Mathematics, 368: 112530.
Zhang, Jing, Shicheng Cui, Yan Xu, Qianmu Li, and Tao Li. 2018. 'A novel data-driven stock price trend prediction system', Expert Systems with Applications, 97: 60-69.
