طراحی سیستم معاملات تکنیکی سهام با استفاده از مدل ترکیبی شبکه عصبی MLP و الگوریتم‌های تکاملی

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

علیرضا سارنج ^{1 *} , احمدرضا قاسمی ² , اصغر ارم ³ , رضا تهرانی ⁴

1 - استادیار دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، تهران، ایران.
2 - استادیار دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، تهران، ایران.
3 - دانشجوی دکتری مالی، دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، تهران، ایران.
4 - استاد دانشکده مدیریت دانشگاه تهران، تهران، ایران.

تاریخ دریافت : 1397/04/18 تاریخ پذیرش : 1397/06/06 تاریخ انتشار : 1399/01/01

کلید واژه: سیستم‌های معاملاتی هوشمند, الگوریتم‌های تکاملی, شبکه عصبی پرسپترون چندلایه, قواعد معاملاتی تکنیکی, استراتژی خرید و نگهداری,

چکیده مقاله :

توسعه سیستم های معاملاتی سهام با استفاده از الگوریتم های تکاملی (EA) طی چند سال اخیر به موضوعی پرمخاطب در حوزه مالی مبدل ‌شده است. در پژوهش حاضر، سیستم معاملاتی تکنیکی هوشمند با بهره گیری از مدلی مرکب از شبکه عصبی MLP و الگوریتم‌های تکاملی شامل الگوریتم ژنتیک (GA)، الگوریتم بهینه‌سازی مورچگان پیوسته (ACOR) و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) پیشنهادشده است. داده‌های مربوط به 15 شرکت منتخب طی سال‌های 1387 تا 1396 بر اساس دوره‌های کوتاه‌مدت و بلندمدت و همچنین روندهای بازار صعودی، نزولی و خنثی موردبررسی قرار گرفته اند. جهت انتخاب متغیرهای ورودی نهایی، از مقایسه رتبه بازدهی شاخص‌های تکنیکی بر اساس قواعد معاملاتی استفاده‌شده است. درنهایت، آزمون مقایسه زوجی بازدهی مدل‌ها در مقایسه با استراتژی خرید و نگهداری انجام شد و بازدهی مدل ها با یکدیگر مقایسه شده است. نتایج تحقیق نشان می دهد مدل های ترکیبی MLP و الگوریتم های تکاملی عملکرد بهتر و معناداری نسبت به روش خرید و نگهداری و مدل MLP-BP داشته است و مدل MLP_PSO بازدهی بیش تری نسبت به سایر مدل ها کسب کرده است.

چکیده انگلیسی:

Stock trading systems development using evolutionary algorithms over the past few years has become a hot topic in financial fields. In this paper, an intelligent technical trading system was proposed using a combination of MLP neural network and evolutionary algorithms (i.e., GA, ACOR, and PSO). In order to select the final variables as the selected features, a return comparison of each indicator ratings was used based on tradings. Finally, the performance of each model is tested in comparison with the buy and hold strategy. The results show that the evolutionary learning algorithms significantly outperform the benchmark models in terms of the average return and the hybrid MLP_PSO model outperforms others.