راهبرد معاملاتی خرید و فروش سهام بر اساس الگوریتم های یادگیری رگرسیونی
محورهای موضوعی : فصلنامه تحلیل بازار سرمایه
ناصر حیدری
1
,
مجید زنجیردار
2
,
علی لعل بار
3
1 - دانشجوی دکتری مهندسی مالی، گروه مدیریت مالی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.
2 - دانشیار گروه مدیریت مالی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
3 - استادیار گروه مدیریت و حسابداری، گروه مدیریت مالی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.
کلید واژه: بورس اوراق بهادار, یادگیری ماشین, راهبرد معاملاتی, الگوریتم های رگرسیونی,
چکیده مقاله :
هدف این پژوهش طراحی راهبرد معاملات سهام بر اساس الگوریتم های یادگیری رگرسیونی می باشد. پژوهشگر بوسیله بهره‌برداری از پایگاه اطلاع رسانی یاهو فاینانس ، داده های مورد نیاز پژوهش را با استفاده از برنامه نویسی در محیط نرم افزار پایتون استخراج و بر اساس آن شاخص ها و نوسان سازهای تحلیل تکنیکال را محاسبه و به عنوان مولفه های اولیه وارد مدل نموده است. در راستای ارزشیابی الگوریتم های رگرسیونی از شاخص های (ضریب تعیین ، خطای میانگین مریعات و ریشه میانگین مربعات خطا ) استفاده شده است. پژوهشگر از روش های پیشرفته آماری و نرم افزارهای پایتون ، اسپایدر ، اس پی اس اس و اکسل استفاده نموده و تفاوت بین شاخص های ارزشیابی الگوریتم های طراحی شده را به لحاظ معنی داری از طریق آزمون کروسکال والیس بررسی و راهبرد خرید و فروش سهام را معرفی می‌نماید. در راستای تنوع بخشی نمونه تحقیق جهت تعمیم پذیری نتایج، شرکت های فعال در حوزه حمایت مصرف کننده، خدمات ارتباطی، مراقبت های بهداشتی، خدمات مالی، تکنولوژی، چرخه مصرف کننده و انرژی در بورس نیویورک با میانگین حجم معامله بزرگتر از 1 میلیون و ارزش بازار بزرگ تر از 200 تریلیون دلار از طریق روش فیلترنویسی در تاریخ 07/04/1400 برابر با 41 عدد به عنوان نمونه این پژوهش انتخاب و انجام تحقیق تا پایان بهمن ماه 1401 به اتمام رسید و مدل راهبرد معاملاتی جنگل تصادفی به عنوان مدل مناسب معرفی گردید.کلمات کلیدی: راهبرد معاملاتی، یادگیری ماشین، الگوریتم های رگرسیونی، بورس اوراق بهادار
The aim of this study is to develop a stock trading strategy using regression learning algorithms. The researcher utilized the Yahoo Finance database to collect the necessary data using Python programming. Key technical analysis indicators and oscillators were calculated and incorporated into the model. The performance of the regression algorithms was evaluated using indicators such as determination coefficient, mean error of the mean, and square root of the error. Advanced statistical methods and software including Python, Spider, SPSS, and Excel were employed to analyze the differences between the evaluation indices of the designed algorithms. The Kruskal-Wallis test was used for meaningful comparison. Additionally, a diversified research sample consisting of companies from various sectors was chosen to generalize the findings. The selected companies were actively traded on the New York Stock Exchange with an average volume greater than 1 million and a market value larger than 200 trillion dollars. The sample was determined using a filter writing method on 28/06/2021 equal to 41 numbers as the sample of this research . The research was completed by the end of February 2023, and the random forest trading strategy model was identified as the most suitable approach.Keywords: Trading Strategy, Machine Learning, Regression Algorithms, Stock Exchange.
_||_