ارائه مدل ترکیبی فراابتکاری در بازار فارکس برای بهینه‌سازی راهبردهای سرمایه‌گذاری مبتنی بر پیش‌بینی روند بازار
محورهای موضوعی : دانش سرمایه‌گذاری
علیرضا صادقی
1
,
مهدی معدنچی زاج
2
,
امیر دانشور
3
1 - دانشجوی دکتری مالی – بینالملل گروه مدیریت مالی،دانشکده مدیریت و اقتصاد ، واحد علوم و تحقیقات،
دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیار گروه مدیریت مالی، دانشکده مدیریت ،واحد الکترونیکی،
دانشگاه آزاد اسلامی ، تهران،ایران
3 - استادیار، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، واحد الکترونیکی،
دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه:
چکیده مقاله :
تعیین استراتژی مناسب برای خرید یا فروش در بازار ارز خارجی برای شرکت‌ها به منظور پوشش نوسانات نرخ ارز نسبت به واحد پول ملی اهمیت زیادی دارد. این تحقیق رویکرد جدیدی را بر اساس الگوریتم‌های ژنتیک و ماشین بردار پشتیبان به منظور معامله در بازار ارز خارجی را پیشنهاد می‌دهد. در این تحقیق، یک الگوریتم جدید با قابلیت تولید قواعد تکنیکال برای سرمایه‌گذاری مبتنی بر قطعیت پیش‌بینی‌ها ارائه شده است. برای پیش‌بینی، از ترکیب الگوریتم ماشین بردار پشتیبان ترکیبی (HSVM) برای طبقه بندی بازار در سه کلاس مختلف ( روند صعودی، روند نزولی، بدون روند) و یک الگوریتم پویای ژنتیک برای بهینه‌سازی قواعد معاملاتی مبتنی بر چندین شاخص تکنیکال مختلف استفاده شده است.داده‌های جفت ارز ریال به دلار، در یک بازه زمانی بین سال‌های 92 تا 98 به عنوان داده‌های آموزش و آزمون استفاده می‌شود. معماری پیشنهادی برای یادگیری ماشینی، همچنین پیاده‌سازی و مطالعه سیستم معاملاتی پیشنهادی به‌طور کامل شرح داده شده است. تحقیق، نتایج امیدوارکننده‌ای را در طول دوره آزمون نشان می‌دهد که در آن بازده سرمایه گذاری 129 درصد بوده است.
Determining the appropriate strategy for buying or selling in the foreign exchange market is very important for companies to cover exchange rate fluctuations against the national currency. This study proposes a new approach based on genetic algorithms and support vector machines for trading in the foreign exchange market.In this research, a new algorithm with the ability to generate technical rules for investment based on forecast certainty is presented. For prediction, a combination of the Combined Support Vector Machine (HSVM) algorithm for classifying the market into three different classes (uptrend, downtrend, sideway) and a dynamic genetic algorithm for optimizing trading rules based on several technical indicators Different has been used. Rials-dollar pair data is used as training and test data for the period between 1392 and 1398. The proposed architecture for machine learning, as well as the implementation and study of the proposed trading system are fully described. The research shows promising results during the test period in which the return on investment was 129%.
