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

محورهای موضوعی : دانش سرمایه‌گذاری

ابراهیم عباسی ¹ (دانشگاه الزهرا عضو هیئت علمی)
حسین دیده خانی ² (عضو هیات علمی گروه مهندسی مالی دانشگاه آزاد اسلامی واحد علی آباد کتول)
پرویز سعیدی ³ (گروه مدیریت مالی، واحد علی آباد کتول،دانشگاه آزاد اسلامی ، علی آباد کتول، ایران)
مصطفی باقری ⁴ (دانشجوی دکتری مدیریت مالی/ازاد علی اباد کتول)

تاریخ دریافت : 1397/05/07 تاریخ پذیرش : 1397/08/14 تاریخ انتشار : 1399/10/01

کلید واژه: الگوهای کندلستیک, پیوت قیمتی, اندیکاتور ZigZag, سطوح مربعی گن,

چکیده مقاله :

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 .

چکیده انگلیسی:

The purpose of this study is design of Intelligent System with using of artificial intelligence techniques to discover and classified the pivot price. The pivot price is a point of price that changes the stock price trend. Use of gann-square and candlestick patterns In this research with other variables. The number of data firm used in this study is related to Insurance Industry and Pension Fund during five years from September 2012 to September 2017. Pivot price is recognized with ZigZag indicator and coded in SQLServer. The result of the research indicates the high ability of the system designed to discover and classify pivot price with a focus on the gann-square and candlestick patterns. the significance of the variables gann-square and candlestick patterns in correct classify pivot price was grater than of other variabls. Finally, the future researchers can use new approaches to analysis, including the concept of canslim and commodity markets for discovery of price pivot.

منابع و مأخذ:

• 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