بهینه سازی قواعد نماگرهای تکنیکال
محورهای موضوعی : دانش سرمایه‌گذاری
رضا تهرانی
1
(
دانشیار، گروه مدیریت مالی و بیمه، دانشگاه تهران، تهران، ایران
)
حامد فقرایی
2
(
کارشناس ارشد مدیریت مالی دانشگاه تهران، تهران، ایران. (نویسنده مسئول)
)
کلید واژه: تحلیل تکنیکال, بهینه سازی نماگر, شاخص قدرت نسبی, شاخص جریان وجه نقد,
چکیده مقاله :
در این پژوهش سعی شده است قواعدی که به عنوان قواعد نرمال برای دو اندیکاتور شاخص قدرت نسبی و شاخص جریان وجه نقد معرفی شده است، با استفاده از روش آزمون و خطا و همچنین الگوریتم ژنتیک بهینه سازی کرده و نتایج این بهینه سازی را با نتایج حاصل از روش خرید و نگهداری و همچنین نتایج حاصل از استفاده از قواعد نرمال مقایسه شود. انتظار می‌رفت استفاده از روش آزمون و خطا و الگوریتم ژنتیک بتواند در ایجاد بازدهی بیشتر مفید واقع شود، اما با توجه به نتایج، استفاده از الگوریتم ژنتیک باعث ایجاد بازدهی بیشتر نسبت به استفاده از قواعد نرمال و روش خرید و نگه داری ایجاد نمی‌کند و این در حالی است که استفاده از روش آزمون و خطا توانایی ایجاد بازدهی بیشتر از معیارهای مد نظر را دارا بوده است
In finance field, two ways are the most important to analysis, fundamental and technical analysis. Different experience showed that, using one of them, independently, cannot bring in return more than they are used together. So, it seems are needed more researches in this section of finance field. In technical analysis by using information such as prices and traded volume, indicators are calculated and base on roles that introduce with them, decision are made. It probably the normal roles of indicators are not profitable more than before and are not able to bring extreme return to investors that use them. In stock market without enough efficiency, using technical analysis caused returns more than using fundamental analysis, independently. In this paper will tested to optimize indicators’ normal roles and is tried to produce efficient tools to bring return more. So that are used 50 companies that are much traded in years between 21 of march 2008 to 20 of march 2012 and optimizing are done first by using trying all of area and in second step by using enetic algorithm and finally compare to result from normal roles of indicators and buy and hold.
* برزیده، فرخ.، اله قلی، ساسان.، 1388، رابطه بازدهی نماگرهای بولینگر باند و قدرت نسبی با بازدهی بورس اوراق بهادار تهران، فصلنامه مطالعات حسابداری، شماره 21، صفحه 83 تا 107.
* تهرانی، رضا.، عباسیون، وحید.، 1386، کاربرد شبکه عصبی مصنوعی در زمان بندی مطالعات سهام با رویکرد تحلیل تکنیکی.
* تهرانی، رضا.، مدرس، احمد.، تحریری، آرش.، 1389، ارزیابی تاثیر استفاده از شاخص های تحلیل تکنیکال بر بازده سهام داران، تحقیقات اقتصادی، شماره 92 پاییز 1389.
* راعی، رضا.، پور ابراهیمی، محمد رضا.، حسینی، سید فرهنگ.، 1392، مقایسه بازده معاملات مبتنی بر نماگرهای تکنیکی با استفاده از الگوریتم های فازی ، عصبی – فازی (NF)و عصبی - فازی – ژنتیک(NF-GA) با خرید و نگهداری.
* راعی، رضا.، پویانفر، احمد.، 1389، مدیریت سرمایه گذاری پیشرفته، چاپ سوم، تابستان 1389، انتشارات سمت.
* راعی، رضا.، شیرزادی، سعید.، 1387، بررسی الگو تغییرات فصلی در بورس تهران، پژوهش نامه اقتصادی، زمستان 1387، شماره 31، صفحه 147 تا 170.
* رزمی، جعفر.، جولای، فریبرز.، امامی، امیر عباس.، 1386، یک رویکرد پوت استرپ برای مقایسه سودآوری شاخص های تحلیل تکنیکی در بورس اوراق بهادار تهران، مجله تحقیقات اقتصادی، شماره 81، زمستان 1386، صفحه 85 تا 110.
* ستایش، محمد رضا.، تقی زاده شیاده، سید تیمور.، پور موسی، علی اکبر.، ابوذری، لطف علی.، 1387، فصلنامه بصیرت، سال شانزدهم، شماره 42، بهار 1388، صفحه 155 تا 177.
* سینایی، حسنعلی.، خان بابایی، جواد.، 1385، بررسی قابلیت کاربرد روش های تکنیکی خرید و فروش سهام در بورس اوراق بهادار تهران، پژوهش نامه علوم انسانی و اجتماعی، سال ششم، شماره 22.
* شریعت پناهی، سید مجید.، جعفری، ابوالفضل.، 1388، مدیریت سرمایه گذاری، نویسنده: ویلیام شارپ، انتشارات اتحاد.
* صادقی، شریف.، سید جلال سطان زالی، مسعود.، 1386، سودمندی استفاده از روش های تحلیل تکنیکی در بورس تهران، بررسی حسابداری و حسابرسی سال 14 شماره 49، پاییز 1386، صفحه 91 تا 110.
* صمدی، سعید.، ایزدی نیا، ناصر.، داور زاده، مهتاب.، 1389، کاربرد بهره گیری از تحلیل تکنیکال در بورس تهران، رویکرد مبتنی بر میانگین متحرک، پیشرفت های حسابداری دانشگاه شیراز، دوره دوم، شماره اول، تابستان 1389، پیاپی 3158، صفحه 121 تا 154.
* محمدی، شاپور.، 1383، تحلیل تکنیکال در بورس اوراق بهادار تهران، تحقیقات مالی، شماره 17، بهار و تابستان 1383، صفحه 97 تا 129.
* Achelis, S., Technical analysis from A to Z (2000), 2nd Edition, ISBN: 9780071363488
* Allen, F., Karjalainen, R., (1999), using genetic algorithms to find technical trading rules, Journal of Financial Economics, 51, 245-271.
* Bodie, Z., Kane, A., Marcus, A., (2010), Investment, ninth Edition, Mc Graw-hill, Irwin, ISBN: 9780073530703
* Chang, P., C., Liu, C., H., Lin, J., L., Fan, C., Y., and Ng, C., S., (2009), A neural network with a case based dynamic window for stock trading prediction, Expert system with application 36(3) 6889-6898
* Chavarnakul,T., and Enke, P., (2008), Intelligent technical analysis based equivolume charting for stock trading using neural network, Expert system with application 361(2) 1004-1017
* 18.Fu, T., C., Chung, C., P., Chung, F., L., (2011), Adopting genetic algorithms for technical analysis and portfolio management, Computers and mathematic with application 66, 1743-1757
* 19 Lin, L., Cao, L., Wang, J., Zhang, C., (2007), The application of Genetic Algorithms in Stock Market Data Mining Optimisation.
* 20 Melanie, M., (1998), An Introduction to Genetic Algorithms, MIT press, ISBN:0262631857
* 21 Rechenberg, I., (1971), Evolutions strategie: Optimierung technischer Systeme nach Prinzipien der biologischen Evolution (PhD thesis). Reprinted by Fromman-Holzboog (1973).
