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
(استادیار دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، تهران، ایران.)
احمدرضا قاسمی
2
(استادیار دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، تهران، ایران.)
اصغر ارم
3
(دانشجوی دکتری مالی، دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، تهران، ایران.)
رضا تهرانی
4
(استاد دانشکده مدیریت دانشگاه تهران، تهران، ایران.)
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.
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.
* اعتمادی، حسین، انواری رستمی، علی اصغر، احمدیان، وحید، (1393)، ارزیابی توان پیش بینی سود فصلی هر سهم با استفاده از مدلهای سری زمانی و شبکه ی پرسپترون چند لایه (MLP). مهندسی مالی و مدیریت اوراق بهادار. شماره 23. تابستان 1394.
* بدیعی، حسین، رضازاده، روح اله، محمودی، هادی، (1396)، پیش بینی رفتار قیمتی سهام در بورس اوراق بهادار با استفاده از شبکه ی عصبی مصنوعی (مطالعه موردی شرکت پالایش نفت اصفهان). مهندسی مالی و مدیریت اوراق بهادار. شماره سی و یکم / تابستان 1396.
* بشیری، مهدی، وکیلیان، فاطمه، سوگندی، فاطمه، (1394)، تقریب منحنی رگرسیون اسپلاین با استفاده از الگوریتم ژنتیک. نشریه مهندسی و مدیریت کیفیت. جلد 5- شماره 1 - بهار 1394
* راعی، رضا، پویانفر، احمد، (1389)، مدیریت سرمایه گذاری پیشرفته. چاپ سوم. تهران: انتشارات سمت.
* راعی، رضا، حسینی، فرهنگ، (1394)، مقایسه بازده خرید و فروش مبتنی بر نماگرهای تکنیکی و منطق فازی و روش ترکیبی الگوریتم ژنتیک-منطق فازی. مهندسی مالی و مدیریت اوراق بهادار. شماره بیست و چهارم / پائیز 1394.
* سینایی، حسنعلی، مرتضوی،سعیدا...، تیموری اصل، یاسر، (1384)، پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی. بررسیهای حسابداری و حسابرسی. سال دوازدهم شماره ٤١ پاییز 1384. ص 83-ص 59.
* فلاح پور، سعید، گل ارضی، غلامحسین، فتوره چیان، ناصر، (1392)، پیش بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار تهران. تحقیقات مالی.دوره 15. شماره 2. پاییز و زمستان 1392.
* محمدی، شاپور، موسوی سرحدی، سید علی، نوری بخش، محمد، (1396)، طراحی سیستم هوشمند خرید و فروش بر اساس مدلی مرکب از الگوریتم ماشین بردار پشتیبان و تئوری کانال روند. مجله مهندسی مالی و مدیریت اوراق بهادار. شماره سی و دوم / پائیز 1396.
* منهاج، محمدباقر، (1377)، مبانی شبکه های عصبی، تهران: مرکز نشرپرفسور حسابی، چاپ اول.
* میزبان، هدیه سادات،افچنگی، زهرا، احراری، مهدی، آروین، فرشاد، سوری، علی، (1391). بهینه سازی سبد سهام با استفاده از الگوریتم ازدحام ذرات در تعاریف مختلف اندازه گیری ریسک. فصلنامه علوم اقتصادی.سال ششم.شماره 19.
* Covel, M.W., 2009. Trend Following (Updated Edition): Learn to Make Millions in Up or Down Markets, Pearson Education, New Jersey, 2009
* Fama, E.-F., Blume, M.-E., 1966. Filter rules and stock-market trading, J. Bus. 39 (1) (1966) 226–241.
* F. Allen, R. Karjalainen, Using genetic algorithms to find technical trading rules, J. Financ. Econ. 51 (1999) 245–271.
* Furong Ye, Liming Zhang, Defu Zhang, Hamido Fujita, Zhiguo Gong, 2016.
* A novel forecasting method based on multi-order fuzzy time series and technical analysis. Information Sciences 367–368 (2016) 41–57.
* Chung-Ho Su, Ching-Hsue Cheng, 2016. A hybrid fuzzy time series model based on ANFIS and integrated nonlinear feature selection method for forecasting stock. Neurocomputing205(2016)264–273.
* J.C. Principe, N.R, Euliano & W.C. Lefebvre. (1999). Neural and adaptive systems: Fundamentals through simulations. New York, USA: John Wiley & Sons. 10389–10397
* José Manuel Berutich, Francisco López, Francisco Luna, David Quintana, 2016. Robust technical trading strategies using GP for algorithmic portfolio selection. Expert Systems With Applications 46 (2016) 307–315
* Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. Proceedings of IEEE international conference on neural networks, Piscataway, NJ (Vol. 4, pp. 1942–1948). IEEE.
* Kennedy, J.(1997), The particle Swarm , Social adaptation of knowledge, p.p.303-308K.
* Levy, R., 1967. Random walks: Reality or myth, Financ. Anal. J. 23 (6) (1967) 69–77.
* Ling-xiao Cui, Wen Long, 2016. Trading strategy based on dynamic mode decomposition: Tested in Chinese stock market. Physica A 461 (2016) 498–508.
* Socha, M. Dorigo, Ant colony optimization for continuous domains, European Journal of Operational Research, Vol. 185, pp. 1155-1173, 2008.
* M.A.H. Dempster, C.M. Jones, A real-time adaptive trading system using genetic programming, Quant. Financ. 1 (2001) 397–413.
* M. Qiu, Y. Song. (2016). Predicting the Direction of Stock Market Index Movement Using an Optimized Artificial Neural Network Model. PLOS ONE | DOI:10.1371/journal.pone.0155133 May 19, 2016.
* Rajashree Dash, Pradipta Kishore Dash. (2016). A hybrid stock trading framework integrating technical analysis with machine learning techniques. The Journal of Finance and Data Science 2 (2016) 42-57.
* Rubell Marion Lincy G, Jessy John C, 2016. A multiple fuzzy inference systems framework for daily stock trading with application to NASDAQ stock exchange. Expert Systems With Applications 44 (2016) 13–21.
* Vadlamani Ravia, Dadabada Pradeepkumar, Kalyanmoy Deb. 2017. Financial time series prediction using hybrids of chaos theory, multi-layer perceptron and multi-objective evolutionary algorithms. Swarm and Evolutionary Computation 36 (2017) 136–149.
* Vasiliou, D., Eriotis, N., Papathanasiou, S., 2006. How rewarding is technical analysis? Evidence from Athens stock exchange, Oper. Res. 6 (2) (2006) 85–102.
* Xiao-dan Zhang, Ang Li, Ran Pan, 2016. Stock trend prediction based on a new status box method and AdaBoost probabilistic support vector machine. Applied Soft Computing 49 (2016) 385–398
* Yauheniya Shynkevich, T.M. McGinnity, Sonya A. Coleman, Ammar Belatreche, Yuhua Li, 2017. Forecasting price movements using technical indicators: Investigating the impact of varying input window length. Neurocomputing 264 (2017) 71–88
* Youngmin Kim, Wonbin Ahn, Kyong Joo Oh, David Enke. An intelligent hybrid trading system for discovering trading rules for the futures market using rough sets and genetic algorithms. Applied Soft Computing 55 (2017) 127–140.
* Yong Hu, Kang Liu, Xiangzhou Zhang, Lijun Su, E.W.T. Ngai, Mei Liu. (2015). Application of evolutionary computation for rule discovery in stock algorithmic trading: A literature review. Applied Soft Computing. 36, 534–551
_||_