تنظیم پارامتر اندیکاتور های تحلیل تکنیکال با استفاده از بهینه سازی چندهدفه گروه ذرات و سیستم استنتاج تطبیقی فازی-عصبی
محورهای موضوعی : دانش سرمایهگذاریابراهیم عباسی 1 , حسین عاکفی 2 , شهاب الدین ادیب مهر 3
1 - دانشیار و عضو هیئت علمی دانشگاه الزهرا، نویسنده مسئول و طرف مکاتبه
2 - دانشجوی کارشناسی ارشد مهندسی صنایع-صنایع دانشگاه صنعتی شریف
3 - دانشجوی کارشناسی ارشد مهندسی مالی دانشگاه علوم اقتصادی
کلید واژه: تحلیل تکنیکال, بهینه سازی چند هدفه, الگوریتم بهینه سازی چند هدفه گ, سیستم های استنتاج تطبیقی فازی-, سیستم معاملاتی,
چکیده مقاله :
در این مقاله، یک سیستم معاملاتی خودکار که از ترکیب تحلیل تکنیکال و سیستم استنتاج تطبیقی فازی-عصبی جهت پیش بینی روند قیمتی سهام و افزایش بازدهی حاصل از سرمایه گذاری استفاده می کند، معرفی شده است. در سیستم معاملاتی معرفی شده، نخست با استفاده از الگوریتم بهینه سازی گروه ذرات پارامتر های بهینه اندیکاتورهای تحلیل تکنیکال تعیین شده و با استفاده از خروجی این اندیکاتورها و سیستم استنتاج تطبیقی عصبی-فازی تغییرات قیمت سهم در دوره های بعدی پیش بینی می گردد. نتایج این پیش بینی ها به منظور تعیین زمان مناسب خرید و فروش سهام به منظور کسب بازدهی حداکثر و کاهش ریسک سرمایه گذاری استفاده می شوند. به منظور تست سیستم معاملاتی معرفی شده، هشت سهم به تصادف از میان سهم های موجود در بازار سرمایه ایران انتخاب شد و سیستم به مدت دو ماه بر روی آن ها آزمون گردید. نتایج پژوهش نشان می دهد که با تنظیم پارامتر کردن اندیکاتور های تحلیل تکنیکال می توان دقت حاصل از پیش بینی تغییرات قیمت سهام را افزایش داد و نیز بازدهی سرمایه گذاری را نسبت به روش های معمول در بازار سرمایه و پژوهش های پیشین بیشینه کرد.
In this paper, we propose automatic stock trading system which combines technical analysis and adaptive neural fuzzy inference system to predict the stock price trend to increase return of investment. In this trading system, at first the optimal value of technical indicator's parameters is determined by using multi-objective particle swarm optimization and according to these parameters; technical indicators are calculated to predict stock price changes with the help of adaptive neural fuzzy inference system. We have chosen eight different stocks from Tehran stock exchange to test our trading system for two months. A computational experience is carried out in order to analyze the proposed algorithm and the obtained results are compared with usual conventional methods which have been proposed in previous researches. The computational results show our proposed method performs better than other previous methods and obtains superior results.