مدلسازی مبادلات سهام با رویکرد شمعدان فازی و روش بهینه سازی کرم شب تاب و مورچگان
محورهای موضوعی : مهندسی مالیحسن کلانتری درونکلا 1 , ایمان داداشی 2 , حمیدرضا غلام نیا روشن 3 , کاوه آذین فر 4
1 - گروه حسابداری، دانشگاه ازاد اسلامی، واحد بابل، مازندران، ایران
2 - گروه حسابداری، دانشگاه ازاد اسلامی، واحد بابل، مازندران، ایران
3 - گروه حسابداری، دانشگاه ازاد اسلامی، واحد بابل، مازندران، ایران
4 - گروه حسابداری، دانشگاه ازاد اسلامی، واحد بابل، مازندران، ایران
کلید واژه: معاملات سهام, کندل استیک های فازی, کرم شب تاب, مورچگان,
چکیده مقاله :
اخیرا از روش هوشمند مبتنی بر فازی برای پویاسازی الگوهای کندل استیک ژاپنی در جهت تحلیل الگوهای کندل استیک با در نظر گرفتن اطلاعات غیر قطعی استفاده شده است. از انجایی که منطق فازی مبتنی بر دانش خبره است، اگرچه متخصصان انسانی میتوانند نقش مهمی در تنظیم مقادیر توابع عضویت متغیرهای فازی داشته باشند، اما از انجایی که معمولا دانش انسانی دارای ابهام است، تنظیم بهینه ای حاصل نمیگردد. از اینرو ارائه تکنیکی که منجر به تنظیم بهینه مقادیر توابع عضویت در الگوهای کندلی گردد، نقش بسزایی در راندمان سیستم معامله مبتنی بر فازی خواهد داشت. یکی از روشهای بهینه سازی پرکاربرد، روشهای فراابتکاری میباشد، اکثر روشهای فراابتکاری دارای ساختاری مشابه با روش بهینه سازی ازدحام ذرات اند. روشهای فراابتکاری مبتنی بر کرم شب تاب و مورچگان دلیل برخورداری از قابلیت های بهره وری و کشف مناسب، قدرتمندتر از بهینه سازی ازدحام ذرات اند. در این مقاله از روش کرم شب تاب و مورچگان برای تنظیم و بهینه سازی توابع عضویت متغیرهای کندل استیک فازی با کاربرد در تحلیل معاملات و پیش بینی قیمت سهام در سیستم معاملات سهام استفاده شده است. نتایج حاصل از اعمال روش پیشنهادی بر روی سهام شرکتهای ایران حاکی از دقت بالای روش پیشنهادی میباشد.
recently fuzzy intelligent method was used to dynamically model Japanese candlesticks in order to accurately consider the patterns of a candlestick with uncertain information on such patterns. Since fuzzy logic is expert knowledge, although human specialists can play an important role in regulating the values of membership functions of fuzzy variables but since human knowledge is usually ambiguous, a optimal adjustment is not achieved. Therefore, providing a technique that optimally adjusts the values of membership functions in dynamic candlesticks patterns will play a crucial role in the efficiency of the fuzzy trading system. One of the most commonly used optimization methods is the meta-heuristic methods, most of the meta-heuristics have a structure similar to the particle swarm optimization method. meta-heuristic methods such as fireflies and ant colony are more powerful than particle swarm optimization due to their efficient exploitation capabilities. In this paper, fireflies and ant colony are used to adjust and optimize the membership functions of fuzzy membership function of fuzzy candlesticks variables in order to trading analysis and stock price forecasting in the stock trading system. The results of applying the proposed method to iranian stock companies indicate the high accuracy of the proposed method.
[1] R. Naranjo and M. Santos, "Fuzzy candlesticks forecasting using pattern recognition for stock markets," in International Joint Conference SOCO’16-CISIS’16-ICEUTE’16, 2016: Springer, pp. 323-333.
[2] S. Thammakesorn and O. Sornil, "Generating Trading Strategies Based on Candlestick Chart Pattern Characteristics," in Journal of Physics: Conference Series, 2019, vol. 1195, no. 1: IOP Publishing, p. 012008.
[3] K. Michell and W. Kristjanpoller, "Generating trading rules on US Stock Market using strongly typed genetic programming," Soft Computing, pp. 1-18, 2019.
[4] S. Chopra, D. Yadav, and A. Chopra, "Artificial Neural Networks Based Indian Stock Market Price Prediction: Before and After Demonetization," J Swarm Intel Evol Comput, vol. 8, no. 174, p. 2, 2019.
[5] C. Dong and F. Wan, "A fuzzy approach to stock market timing," in 2009 7th International Conference on Information, Communications and Signal Processing (ICICS), 2009: IEEE, pp. 1-4.
[6] R. Arévalo, J. García, F. Guijarro, and A. Peris, "A dynamic trading rule based on filtered flag pattern recognition for stock market price forecasting," Expert Systems with Applications, vol. 81, pp. 177-192, 2017.
[7] K. Lee and G. Jo, "Expert system for predicting stock market timing using a candlestick chart," Expert systems with applications, vol. 16, no. 4, pp. 357-364, 1999.
[8] V. Vella and W. L. Ng, "Improving risk-adjusted performance in high frequency trading using interval type-2 fuzzy logic," Expert Systems with Applications, vol. 55, pp. 70-86, 2016.
[9] R. Naranjo, J. Arroyo, and M. Santos, "Fuzzy modeling of stock trading with fuzzy candlesticks," Expert Systems with Applications, vol. 93, pp. 15-27, 2018.
[1] ح. خنجرپناه, د. دوروش, س. شوال پور, and آ. جبارزاده, "کاربرد روش تکنیکال برای پیش‌بینی قیمت سهام: رویکرد مدل‌های احتمال غیرخطی و شبکه‌های عصبی مصنوعی," راهبرد مدیریت مالی, vol. 6, no. 3, pp. 59-79, 2018.
[2] س. فلاح پور and ج. علی پور ریکنده, "پیش‌بینی شاخص سهام با استفاده از شبکه‌های عصبی موجکی در بورس اوراق بهادار تهران," راهبرد مدیریت مالی, vol. 2, no. 4, pp. 15-31, 2014.
_||_
[1] H. Khanjarpaneh, d. Dorosh, S. Shawalpour, and A. Jabarzadeh, "Using the technical method for stock price forecasting: the approach of nonlinear probability models and artificial neural networks," Financial Management Strategy, vol. 6, no. 3, pp. 59-79, 2018.
[1] R. Naranjo and M. Santos, "Fuzzy candlesticks forecasting using pattern recognition for stock markets," in International Joint Conference SOCO'16-CISIS'16-ICEUTE'16, 2016: Springer, pp. 323-333.
[2] S. Fallahpour and J. Alipour Rikende, "Prediction of stock index using wavelet neural networks in Tehran Stock Exchange," Financial Management Strategy, vol. 2, no. 4, pp. 15-31, 2014.
[2] S. Thammakesorn and O. Sornil, "Generating Trading Strategies Based on Candlestick Chart Pattern Characteristics," in Journal of Physics: Conference Series, 2019, vol. 1195, no. 1: IOP Publishing, p. 012008.
[3] K. Michell and W. Kristjanpoller, "Generating trading rules on US Stock Market using strongly typed genetic programming," Soft Computing, pp. 1-18, 2019.
[4] S. Chopra, D. Yadav, and A. Chopra, "Artificial Neural Networks Based Indian Stock Market Price Prediction: Before and After Demonetization," J Swarm Intel Evol Comput, vol. 8, no. 174, p. 2, 2019.
[5] C. Dong and F. Wan, "A fuzzy approach to stock market timing," in 2009 7th International Conference on Information, Communications and Signal Processing (ICICS), 2009: IEEE, pp. 1-4.
[6] R. Arévalo, J. García, F. Guijarro, and A. Peris, "A dynamic trading rule based on filtered flag pattern recognition for stock market price forecasting," Expert Systems with Applications, vol. 81, pp. 177-192, 2017.
[7] K. Lee and G. Jo, "Expert system for predicting stock market timing using a candlestick chart," Expert systems with applications, vol. 16, no. 4, pp. 357-364, 1999.
[8] V. Vella and W. L. Ng, "Improving risk-adjusted performance in high frequency trading using interval type-2 fuzzy logic," Expert Systems with Applications, vol. 55, pp. 70-86, 2016.
[9] R. Naranjo, J. Arroyo, and M. Santos, "Fuzzy modeling of stock trading with fuzzy candlesticks," Expert Systems with Applications, vol. 93, pp. 15-27, 2018.
