طراحی سیستم معاملات الگوریتمی ترکیبی بهینۀ یکپارچه با تخمین همزمان چندقیمتی
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
شیوا قاسم‌پور
1
,
شادی شاهوردیانی
2
*
,
امیررضا کیقبادی
3
,
مهدی معدن چی زاج
4
1 - دانشجوی دکتری مهندسی مالی، گروه مدیریت مالی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - استادیار گروه مدیریت مالی، دانشکده علوم انسانی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران و استاد مدعو واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. (نویسنده مسئول)
3 - استادیار، گروه حسابداری، دانشکده اقتصاد و حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
4 - استادیار، گروه مدیریت مالی، دانشکده مدیریت، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران،ایران
کلید واژه: معاملات الگوریتمی, شبکه‌های عصبی عمیق, LSTM, بهینه‌سازی, تخمین چندقیمتی,
چکیده مقاله :
طراحی سیستم‌های معاملاتی خودکار در کشورهای مختلف و اخیراً ایران افزایش یافته است. مزیت چنین سیستم‌هایی، افزایش سرعت و دقت تصمیمگیری معاملاتی بدون دخالت احساسات است. داشتن مدلی که بتواند به تخمین همزمان قیمت‌های باز شدن، بیشترین، کمترین و بسته شدن بپردازد، مزیت بسیار بزرگی برای سرمایه‌گذاران محسوب میشود. در این تحقیق با استفاده از شبکه عصبی LSTM به تخمین همزمان این چهار قیمت پرداخته و به منظور دسته‌بندی نقاط خرید، فروش و نگهداشت از الگوریتم‌های مختلف دسته‌بندی استفاده و یک سیستم معاملات الگوریتمی یکپارچۀ بهینه شده با الگوریتم فرا ابتکاری ژنتیک طراحی شده است. برای ارزیابی مدل پیشنهادی، از داده‌های سهام شپنا، خودرو و فجر بازار سرمایه ایران در بازه زمانی سال 1391 تا 1399 و نرم‌افزار MATLAB استفاده شده است. نتایج این پژوهش نشان داد که روش پیشنهادی هم از نظر تخمین همزمان چندقیمتی، و هم در دسته‌بندی کلاس‌های خرید، فروش و نگهداری دارای عملکرد بسیار مطلوبی است و در نتیجه میتوان آن را به عنوان یک روش بسیار مناسب برای معاملات خودکار در نظر و رباتی را بر اساس این روش در بازار سرمایه ایران برای این منظور طراحی و اجرایی کرد.
The design of automated trading systems has increased in various countries, including Iran, recently. The advantage of such systems is the increase in speed and accuracy of trading decisions without emotional interference. Having a model that can simultaneously estimate opening, maximum, minimum, and closing prices is a significant advantage for investors. In this study, using the LSTM neural network, simultaneous estimation of these four prices is performed, and various classification algorithms are used for buying, selling, and holding points to design an optimized algorithmic trading system using a genetic algorithm. To evaluate the proposed model, data from Shapna, Khodro, and Fajr stock markets in Iran from 2012 to 2020 and MATLAB software are used. The results of this research show that the proposed method has a very desirable performance in both simultaneous multi-price estimation and classification of buy, sell, and hold classes. Therefore, it can be considered a very suitable method for automated trading, and a robot based on this method can be designed and implemented in the Iranian stock market for this purpose.