ارائه مدل ترکیبی فراابتکاری در بازار فارکس برای بهینه‌سازی راهبردهای سرمایه‌گذاری مبتنی بر پیش‌بینی روند بازار

محورهای موضوعی : دانش سرمایه‌گذاری

علیرضا صادقی ¹ (دانشجوی دکتری مالی – بینالملل گروه مدیریت مالی،دانشکده مدیریت و اقتصاد ، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
مهدی معدنچی زاج ² (استادیار گروه مدیریت مالی، دانشکده مدیریت ،واحد الکترونیکی، دانشگاه آزاد اسلامی ، تهران،ایران)
امیر دانشور ³ (استادیار، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران)

تاریخ دریافت : 1399/08/08 تاریخ پذیرش : 1399/08/17 تاریخ انتشار : 1402/07/01

کلید واژه: ماشین بردار پشتیبان, شاخص تکنیکال, الگوریتم ژنتیک, استراتژی معاملاتی,

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.

چکیده انگلیسی:

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%.

منابع و مأخذ:

 امیری، مقصود و حدادیان، حمیدرضا و زندیه، مصطفی و رئیسزاده، علی،) 1395 ( ارائه مدل معامله هوشمند
در بازارهای مالی مبتنی بر الگوریتم ژنتیک، منطق فازی و شبکه عصبی، مجله مهندسی مالی و مدیریت اوراق
بهادار، شماره بیست و هفتم ، تابستان، صفحات 52 - 33
 دب، کالیانموی )ترجمه رضایی، دادودی منفرد(،) 1387 ( الگوریتمهای ژنتیک با رویکرد بهینهیابی چند هدفه،
چاپ اول، ،تهران، نشر پلک
 شریف مقدم، شفق و هاشمی، سید ذبیحاله،) 1397 ( پیشبینی نرخ ارز یورو به دلار با تکنیک شبکه عصبی
مصنوعی، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره سی و هفتم،زمستان ، صفحات 413 - 399
 شا هحسینی، سمیه و رضایی، علی،) 1396 ( پیشبینی نرخ رسمی ارز در ایران همراه با عاملهای ARIMA با
استفاده از مدل خودرگرسیونی مداخلهای و مقایسهی آن با مدل گام تصادفی، اقتصاد و تجارت نوین ، پژوهشگاه
علوم انسانی و مطالعات فرهنگی،سال دوازدهم، شمارة اول ، صفحات 80 - 51
 شیرازی،همایون،نصرالهی،خدیجه، 1392 ،مدل های پولی و پیش بینی نرخ ارز در ایران : از تئوری تا شواهد
تجربی،فصلنامه سیاست های مالی و اقتصادی، شماره 4 ، سال اول، زمستان ، صفحات 24 - 5
 سینایی، حسنعلی، مرتضوی، سعیدالله،تیموری اصل، یاسر، 1384 ،پیشبینی شاخص بورس اوراق بهادار با
استفاده از شبکههای عصبی مصنوعی،بررسیهای حسابداری و حسابرسی،شماره 41 ،صفحه 83 - 59
 فلاحپور،سعید،نوروزیان لکوان،عیسی،هندیجانیزاده،محمد،) 1396 (،کاربرد روش ترکیبی ماشین بردار پشتیبان
و انتخاب ویژگی به منظور پیشبینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران،
تحقیقات مالی،دوره 19 شماره 1،صفحات 156 - 139
گذاری مبتنی / علیرضا صادقی و همکاران ‌ سازی راهبردهای سرمایه ‌ ارائه مدل ترکیبی فراابتکاری در بازار فارکس برای بهینه
133 دوره 12 / پیاپی 47 / پائیز 1402
 غفاری، مهدی و یوسفی، 1390 ،راحله، مدلسازی پیشبینی قیمت ارز با استفاده از شبکههای عصبی، مجله
مهندسی مالی و مدیریت اوراق بهادار، شماره هشتم، پاییز صفحات 119 - 99
 مورفی، جان، ، 1398 تحلیل تکنیکال در بازار سرمایه، چاپ پانزدهم، تهران، نشر چالش،
 مهدی پور، علیرضا، ، 1398 الگوها و نمودارهای اسرار آمیز در بازارهای مالی، چاپ اول ، تهران، نشر آراد،
 وکیلی،سید حجت، نجفی،امیرعباس،ابراهیمی،سید بابک، توسعه یک سیستم خبره به منظور تشکیل و
بروزرسانی سبد سرمایهگذاری با استفاده از تحلیل تکنیکال ، 1398 ، فصلنامه علمی پژوهشی دانش سرمایه
گذاری سال هشتم، شماره بیست ونهم،بهار صفحه 135 - 169
 Achchab, Said, Bencharef Omar (B), and Ouaarab Aziz ,(2017) A Combination of Regression Techniques and Cuckoo Search Algorithm for FOREX Speculation, Springer International Publishing AG,Advances in Intelligent Systems and Computing ,p.225-237
 Bernardo J. de A., Rui Ferreira N., Nuno Horta, (2018),Combining Support Vector Machine with Genetic Algorithms to optimize investments in Forex markets with high leverage:Instituto de Telecomunicac¸ ões, Instituto Superior Técnico – Universidade de Lisboa, Lisboa, Portugal: Applied Soft Computing 64, pp. 596–613
 Deng,shangkun,Sakurai,akito, (2013), Foreign Exchange Trading Rules using a Single Technical Indicator from Multiple Timeframes , 27th International Conference on Advanced Information Networking and Applications Workshops
 Drakoln, Nobel, (2008), Winning the Trading Game: Why 95% of Traders Lose and What You Must Do to Win, First Edition, John Wiley and Sons, 288.
 Hirabayashi .A . Aranha, H. Iba, (2009) , Optimization of the trading rule in foreign exchange using genetic algorithm, in: Proceedings of the 11th Annual Conference on Genetic and Evolutionary Computation (GECCO ’09), Montreal, Canada, New York USA : ACM, pp. 1529–1536
 Park, C.H., *Irwin, S.H., (2007), What do we know about the profitability of technical analysis?, J.Econ.Surv.21(4), Pp:786-826
 Sermpinis, .G C. Stasinakis, K. Theofilatos, A. Karathanasopoulos,(2015), Modeling, forecasting and trading the EUR exchange rates with hybrid rolling genetic algorithms – support vector regression forecast combinations, Eur. J. Oper. Res. 247 (3), pp.831–846.
 Shin, K.S., Lee, T.S., Kim, H.J. (2005),An application of support vector machinesin bankruptcy prediction model., Expert Systems with Applications, 28(1),
 127-135.
 Macedo, Lobato ,Luís, Godinho, Pedro ·Alves, Maria João, (2016),A Comparative Study of Technical Trading Strategies Using a Genetic Algorithm, Springer Science+Business,

_||_