صفحه 1:
توضیحات : استفاده از الگوریتم های هوش همواره در پیش بینی قیمت
سهام و اتخاذ تصمیم برای سرمایه گذاری اهمیت داشته است در این
تحقیق با بهره گیری از اندیکارتور های تحلیل تکنیکال و با ارئه ترکیب
جدیدی از الگوریتم های داده کاوی است هدف این پژوهش ارائه
بینی جدیدی برای بازار بورس نیهروک 56,۳500 است.
این پژوهش برای علاقه مندان به حوزه مالی» ارز دیجیتال » فا رکس »
بورس» معاملات الگوریتمی کاربردی است .
صفحه 2:
چکیده:
PASC TES BIC IBY TRV MTS) RUC ULEgOnTSf-9] Oe 7-0] eS ORG rea CCS) (-7-V-M-e al ertn) pene SINT TY
اين يزوهش يك سيستم يشتيبان تصميم براى معاملات الكوريتمى در بازارهاى مالى ارائه
TSRT I) ا ا ذا ا Te
1 ا ا ا eC]
نزديكترين بایه و ترکیب آنها با استفاده از متاالگوریتم بگینگ, به پیشب بگنال‌های
خرید, نگهداری یا فروش می‌پردازد.
صفحه 3:
مبانی نظری و
مروری بر ادبیات
اس
از
مقدمه
صفحه 4:
صفحه 5:
یکی از مهم‌ترین دستاوردهای علم:
قابلیت پیشبینی بخشیدن به متفیرها و پدیده‌ها
يرُوهشكران علوم مالى نيز با استفاده از ابزارهاى مختلف به دنبال طراحى
مدل هايى هستند كه به وسيله آن متغيرها و حوادث مدنظرشان در بازارهاى
مالی را پیشبینی کنند.
صفحه 6:
۱ Cet moter ecrrd
prorer) WTA] CY EL er) ۰
۷
2 1
۰
ee uy Coc noe iar
ASE Moh eos) مرمابه‌گذاری واجرای راهبردهای |
سرمایه‌گذاری روش‌های پیشبینی مطلوب
صفحه 7:
|
ب ا ا ا OER 19
شاخصهاى قيمت سهام در تمام بازارهاى مالى دنياء به مثابه يكى از مهمترين معيارهاى
سنجش عملکرد بازار سهام. اهمیت زیادی دارند و شاید مهم‌ترین دلیل توجه روزافزون به آن‌هاء
ا ا ل ا ا
a see ا See
صفحه 8:
.كَىهاى شاخص كل قيمت:
* غيرخطى بودن
ferret ni :
نوسان
*؟ يويايى
ا ا وا
at Mea es Pate eyes} ا 000
بازده سرمایه‌گذاران به همراه دار
صفحه 9:
=
Peer SRR Pec ees ens eS)
۳
تحلیلمالرفتاری
حوزه‌ای از دانش مالی است که از
tice Vinee reson ۱[
توضيح رفتار بازارهاى مالى بهره
مى كيرد
هوش مصنوعی
۱ eee eee ese oy
از هوش مصنوعی استفاده شده
است که ترکیب آن با تحلیل تکنیکال
می‌تواند منجر به ایجاد سیستم‌های
خودکار معاملاتی و الگوریتمی شود.
۳1
بر پایه‌ی عملکرد شرکت‌ها و رشد
ees ۳0|
تحلیل تکنیکال
بر پایه سابقه معاملات یک دارایی
Pager ae eer ts tee)
ا ا 0
تکنیکال نامیده می‌شوند. بنا شده
است.
صفحه 10:
تلاش شده است تا با بهره‌گیری از اندیکاتورهای تحلیل تکنیکال در مرحله آغ ازین قابلیت
Sune tere Sate RER DONO ee tee LenS. Be a kecc eee BSTC eestor ee)
ce SIC en ear RYT ا Curr Si ا CTR CBR MTS IEN RIT CHIT
پرداخته شود.
در مرحله اول سهمهاى داراى بيشترين تاثير انتخاب مىشوند
2. سپس از چهار الگوریتم مختلف برای پیشبینی استفاده می‌شود
5. درنهايت با استفاده ازيك متالكّوريتم سيكّنالهاى توليد شده در مرحله قبل تركيب شدة و
سيكنال نهايى ارائه مىشود.
Perens EMER eee ا م ل لا ا eRe eT erg
مدل از استراتژی "خرید - نگهداری" است.
صفحه 11:
Oo
مبانى نظرى
۱ Pea:
صفحه 12:
دسته‌بندی, شکلی از تحلیل دادهها تلقی می‌شود که
ا ا Ter) ۱
استخراج می‌شود.
صفحه 13:
FRU NYS PICS ا BOS CREME REEL T RI RYT Ate CTT)
(Corfe م Teste SIN SCP TNC) FPS ١
ل ا ا [see Ree Sefer
جدید استفاده می‌شود)
به دلیل آن که برچسب کلاس هر یک از ردیف‌های آموزشی مشخص شده‌اند اين گام همچنین به
عنوان بادكيرى با ناظر شناخته مىشوند. در مقابل يادكيرى بىناظر (يا خوشهبندى) استء كه در آن
برچسب کلاس تایل های آموزشی شناخته شده نیست و ممکن است تعذاذ با مجموعه دسته‌هایی
که در نهایت به دست خواهند آمد نیز از قبل مشخص نباشند.
صفحه 14:
۳
Artificial Neural Network
ا Estee he RS Nee
است و می‌توان آن را به عنوان یک ارگانیسم کامل متشکل از
Ore rr IESE RE 1
BRU esrcencel rcv)
Tele eae ee ees
Peer Rte rere ee CCH eae)
Perce EU ORR ere ek epee 8 at
این رو. هر نورون می‌تواند به عنوان یک پردازنده دیده شود
که محاسبه ساده ای انجام می‌دهد؛ مانند تصمیم گیری در
مورد ارسال كردن با نكردن سيكنال به سلولهاى عصبى ديكر.
۱۹ اا
به عنوان متال تأثیر یک نورون بر روی یک نورون دیگر تغییز
| می‌کند.
ل
اك
صفحه 15:
ماشين بردار ب ان
Support Vector Machine
الگوریتم 5۷۱ به کمک یک نگاشت غیرخطی داده‌های
آموزشی اولیه را به یک بعد بالاتر تبدیل می‌کند.
در این بعد جدید به دنبال ابرصفحه‌ای بهینه می‌گردد. که
۱
مىكند. با يك نكّاشت غيرخطى مناسب به يك بعد بالاى.
کافی. داده‌های دو کلاس را هميشه می‌توان یه کمک یک
ابرصفحه تفكيك نمود. الكوريتم "ا/ا5اين ابرصفحه را با كمك
ا ل 0
ا ا 1
پیدا می‌کند.
1
1 Oe NSN ETEE Sy
0
55
صفحه 16:
ION TREE
درخت تصميم
(Bol el 1)
ا 1
PS ES RIN Same Rares Ca Hor Per een cP
غیربرگ) در این درخت آزمونی را بر روی یک صفت خاصه
ea terest cera ot Rete Tele 1
در هر گره برگ (یا گره پایانی) یک برچسب کلاس نگهداری
مىشود. براى ساخت درختان تصميم به هيج دانش خاص با
00 ae FNC on fe ase nese Ene es
Fe PR tr ee Se ee ceo PT TN IR)
چندیعدی را کنترل کنند. از نقطه نظر بصری, هضم دانش ارائه
1 eres FS Ts en WCE NT
دوكاندى بادكيرى و دستهبندى در استقراء درختان تصميم
20 ا be sy
Rear
ل
اك
صفحه 17:
Lt يادكيرندمهاى كُند
000 cect AC RNors SA Ey SUN NEI R Ne TEN)
تايل آزمايشى ساخته نمىشود. بنابراين در مواجهه با يك تايل آموزشى يك يادكيرنددى كند آن را
05311 +111 100101100001
تنها این بادگیرنده هنگامی که با تاپل آزمایشی روبه‌رو می‌شود. به تلاش برای دسته‌بندی تاپل
0
060 پ ل ا
پیشگویی عددی انجام می‌دهند. این در حالی است که در یادگیرنده‌های مشتاق, قبل از دریافت
[۳ OW CS RTRCT SIT CUFEL TeV ee TECK a erat CRT RNC Cre]
صفحه 18:
لت
K Nearest Neighbors
دسته‌بندی‌های نزدیک‌ترین همسایه. یادگیری خود را بر
اساس تشابه انجام می‌دهند. اين کار با مقایسه‌ی داده
آزمایشی و داده‌های آموزشی مشابه با آن صورت می‌گیرد.
Tere Reed eer rT Un) ۱
REM RE) ا PeemrRe
TInt 11 1
IC Oe) ا 0 ل ا 0
Coen NETO ا ل 00
آموزشی است که شبیه‌ترین دادهها به داده ناشناخته
aaron CIR auc Te ا ل
ناشناخته هستند.
صفحه 19:
صفحه 20:
Bagging
در روش های موازی؛ مدل های متفلوت مستقل از یکدیگر
آموزش مى بينند و مى توان آنها را به صورت همزمان آموزش
5
1 ا 0 Renee ea cere
00 خم ل
00 CERT Sr (ee)
1 Tos wey ee
صفحه 21:
0051۳9
۰
ترکیبی, به صورت مستقل از یکدیگر آموزش نمی بینند. ایده
1
۱
1۳ iu) Breen a rCH ae RAE eCe 7
Amir CMtree ier mnie Teer Tom rene ieel
آن کمتر از مدل های پایه سازنده است.
روش 000518189 با همان ايده روش 0299159 كار مى كندة
۱
قويتر با كارايى بهتر.
Boosting
صفحه 22:
جنكل تصادفى
lg Toia یرت
تصور كنيد دستهبندهاى استفاده شنه در روش تلفيقى
همگی از نوع درخت تصمیم هستند؛ بدین ترتیب این
Peer Ren RRC eI conn ety Rear eerer]
تصمیم با استفاده از یک انتخاب تصادفی صفات خاصه‌ی
peer ry 1 1
FRR PVRS ل 7 EER MOOT ONY eR Mery Fry
ea ا Beni Norlin Tes ocr
درختان موجود در جنگل هستند و به صورت مستقلی نمونه
كيرى مىشوند. براى دستهبندى نيز هر درخت راى خود را
RO ere ence eee rye iy
صفحه 23:
Oo
مروری بر پيشینه پژوهش
صفحه 24:
ج گروه از پژوهشگران معتقد هستن
که پیشبینی قیمت سهام امکان‌پذیر نبست
ل
ers AT ee ۱۳
می‌سازند.
کسانی که ماهیت بازی به
جمع صفر بودن در بازارهاى
مالى را دليل اصلى دشوارى
ييشربينى در اين حوزه
ete)
۳
بازارهاى مالى را دليل اصلى
عدم پیشبینی پذیری قیمت
می‌دانند.
و
Beer seer ses ray
ROS REE
كسانى كه به علت موثر بودن
00
قيمت سهام و رفتار آأشوبكونه
ا Pea
سهام؛ ييشبينى قيمت سهام
را امرى غيرممكن مىدائتد.
صفحه 25:
Tee SC per ego 7) 8 ا ۱۳
يرخطى كه به دليل تعامل حوادث و شرايط
اقتصادى بوجود مىآيد و انتظارات غيرعقلانى
ee TU LI RUC EE er) ا ا ل
» دشوار مبدل موسازد نه امرى محال.
ناکاموری, 2005
صفحه 26:
يبشينهى يرزوهش
eter ests e Bn se ae
CON era Rave eAtioes CHE eis
معاملاتى روز آتى شاخص سهام Mere en 0[
1 2000
0
| PAN}
O
cues sens) 00 esl
روشی جدید از ترکیب الگوریتم‌های د با به كار ace رت
aries in er en rire 79 17[ سعی در بهینه کردن پارامترهای
تصادفى براى ايجاد سيكنالهاى 10
معاملاتى ارائه كرده اند. داشته است.
4
صفحه 27:
يبشينهى يرزوهش
530100 ope
ee يت
م اوراا اذا
ا كا 8 ا
ننم
1 0ك
1395
ا
به كمك الكوريتم زنتيك و
اراتدى مدلى جهت ييششبينى
pull bls
esters cree] لال ا
era me mre
vrais Far Core SES 5
دستياك و رستكار موجكى |
فلاح بور و علي يور
ee tere kenes tO 000 3 1395
een rece
1
صفحه 28:
Oo
روش‌شناسی پژوهش
صفحه 29:
۱۳ ل ere ene STC gy
پژوهش‌های میدانی است.
هدف این پژوهش ارائه‌ی مدل پیشبینی جدیدی
tae eT 0 0110
صفحه 30:
مرحله اول: شناسایی و جمع‌آوری متغیرهای مسئله
PIS st eS eR Ree OM HUD eee ا ec Tes Pal]
Pe eS Ccaey op 207208 epee Te PPOLFPA Ce I PCR HS SSRIS a TOE
یاهو در زبان برنامه نویسی پاینون استخراج گردید و در راستای کاهش نویز ورودی به مدل, با
Ree Ce eRe IER Con) ereronnt eves rr earcicent rex Pls en bcc
Tes prone eer OPC? OI yam RL Cate eT Se |
زمانی ذکر شده محاسبه شد. همچنین به دلیل تفاوت در مقباس دادهها, در انتها تمامی دادهها
نرمال مىشوند.
صفحه 31:
صفحه 32:
fares Roeser WNT) BFC S NW Ten Et RT Teg
LU 0 اا ا ا ا ل OC 1ESY US EN)
50 م ا ا ا eR CP]
(4آروزه) و میانگین متحرک وزنی (پنج روزه؛ مدلی جهت تعیین اهمیت هر یک از 500 سهام در
پیشبینی شاخص ایجاد شده و بر اساس این مدل صد سهام دارای بیشترین اهمیت در پیشبینی,
FEN Pry eae ERT ONCHEE PCa PIN KVR YW CIR cel Renin CET Tere
Po Reece pe erate ec [PROT Severe asec ec Fae ree gerne TGP Fy
عست
صفحه 33:
صفحه 34:
مرحله سوم: پیشبینی و ارزیابی اولیه
در این گام الگوریتمی برای انتخاب بازه‌های زمانی تصادفی پانصد روزه ایجاد می‌شود, به گونه‌ای که
COR NEL ea CS Eres, TNO se Skee ree Ses Fe ee nce Fang
آزمایش درنظر گرفته می‌شود. در ادامه هر یک از الگوریتم‌های ۰۲۴ ۰۴۴ 5۷۱۹ و | توسط
داده‌های آموزشی برای پیشبینی سیگنال روز آنی آموزش داده می‌شوند و نتایج عملکرد هریک از
sc NR nem ere eet Sen vey AS} ا ل Peco Nr Mag Nees merase
00000
صفحه 35:
Oo
Precision (positive)=1P/(TP+FP)
ا
ان
EU O i) زا
صفحه 36:
لا
ل
Caer) ا ل 1
00 ل ا ل ل a 1CS Tue) BN)
ا ا ا ل ان
در پایان روز فعلی برای پیشبینی سیگنال روز بعد. اطلاعات مربوط به روز جاری را نیز در اختیار
خواهد داشت). در پایان نتایج پیشبینی هر یک از الگوریتم‌ها با معیار دقت مدل سنجیده
می‌شود.
۱ را aN)
صفحه 37:
(Ea)
ل
ey =slieRerresed cen cae) ا 1
در اين مرحله نتايج الكوريتمهاى مرحله قبل با استفاده از متاالكوريتم بكينك ؛ كه يك الكوريتم
She werner tern Sa] ل ا ا ل ان
متاالكوريتم بِكَينكٌ ابتدا توسط خروجى الكوريتمهاى la airy "الا5و الاكادر بازه زمانى آموزش»
آموزش مىبيند و سيس در بازه زمانى آزمون با دريافت خروجى مدلهاى مذكور ذر هر روزء
تصميمكيرى نهايى را انجام دهد.
صفحه 38:
لس زا۱۸۵۵
صفحه 39:
صفحه 40:
oon ی(
[0 se ere elle te veroe nts rc ee ed
RSS: ete eR RCS en Renee Cy
PL Tirg ا eS
1 ner Oe ye Moe es Ce
به عنوان ٩۴۷ جدیدی برای پیشبینی قیمت سهام صندوق
ROC nS spe
Pers Ose aM ae rseseene cs PTS era
Per Rene Woy one Mires amt Ceri erred
elere terre eRe ا
Dereon ese Tose Lene mse see ey
Rete Cen eet pete
۱
صفحه 41:
در اين مطالعه با توجه به بررسىهاى موريس در رابطه با توزيع دادهها و
مرزبندى تعيين سيكنالهاء فرض مىشود كه 900.5 افزايش (يا كاهش) در
قیمت پابانی به اندازی کافی معقول است که حرکت مربوطه به عنوان سیگنال
edd )1 ا ا ا ا لا
Rn) م ا ل ل 00
صفحه 42:
سنجش عملکرد مدل
برای سنجش مدل, تابعی طراحی شد تا سری های زمانی تصادفی به طول 500 روز کاری انتخاب
شوند. سيس جهارصد روز ابتداى هر بازه زمانى به عنوان داذه آموزش و صل روز يايانى به عنوان
داده آزمابش در نظر كرفته شده اند.
ابتدا دادههاى آموزش به هر يك از جهار مدل عا 8, 51/6و الالكاداده شده و دقت هريكى
از مدلها در بازه آموزش سنجيدة شد.
1 nT RE Weel SURV Ren Tre
PERE NES crey wey s eC AC Tol ا
Reon erro kek eek Se ene Sen Mesl se] Serna ea Mone cd
گرفته است.
صفحه 43:
به جهت سنجش بهتر مدل پیشبینی, ده مرتبه و در بازه‌های
Previn re fee reece Perr ce ese emer eee Psy
RETO ICTNY 1
همجنين در انتها بازده مدل نيز با استراتزى خريد و نكهدارى
صفحه 44:
Return
Coo)
CG)
Doig
صفحه 45:
لكك
01 1 ا
211011101111119
01000110 tse fee Rey ar Ay ORT
صفحه 46:
مقايسه بازده
بر اساس ذه بازه زمانى متفاوت صل روزهة
"خرید - نگهداری"
5
3
-
= 8
4.76% (Ava)
7.80% (Std)
صفحه 47:
بازده پیشبینی مدل (سبز رنگ) با بازه استراتژی خرید و نگهداری (آبی رنگ) در صد روز پایانی بازه زمانی 11/7/2016
Per rech atc r ern 0
صفحه 48:
ه توسط مدل را بر روى نمودار قيمت سهام 51د صد روز يايانى بازه زمانى 11/7/2016 تا
8 (داده آزمایش). قابل ذکر ا 00
نگهداری با رنگ خاکستری نمایش داذه شده است.
نگهداری با رنگ خاکستری نمایش
صفحه 49:
بررسی سیگنال‌های تولید شده توسط مدل, بیانگر عملکرد
تا سل ترس رالات ترا
صفحه 50:
صفحه 51:
00
هدف اصلى اين يزوهش دستبابى به نرخ سود بالاتردر
Sih icteric SPS ۱
Cesta es free eeh] eee
Rees RECN Senne ees Pre fercrs 130 geese)
ييشبينى شود.
صفحه 52:
۱
عصبى؛ ماشين بردار يشتيبان و نزديكترين همسايه به ييشبينى سيكنال خريد. نكهدارى و با
ل ا ان
NICE EERUT ERY ا ا ل ا 0
500007
|
EEN Tay ا ا Pee
مرحله قبل ايجاد مىشود.
صفحه 53:
0 Neste Seng NUL ا ل ا ل es)
EIA eve Ferree Ry NG PRAT RPT ا
بر اساس سيكّنالهاى روزانه توليد شده توسط مدل براى دادههاى آزمون: بيشتر از
|
صفحه 54:
پيشنهادات
TeV RORY G COC ee eee AC ONN BERT ST Oe nT Con UIT Spon Tipe al seen)
ER room pence ye Wer مما ااا اما ا
شود.
|۱۰ ا ا ا ا Sime uere eT)
020 ل | neree en Eo
همچنین به‌کارگیری روش‌های دیگر متاالگوریتم ا نتایج
000000
صفحه 55:
صفحه 56:
مشارى: محمد؛ ديده خانى: حسين؛ خليلى دامغائى: كاوه؛ عباسى: ابراهيم؛ "طراحى مدل هوشمند تركيبى |
جهت ييشبينى نقاط طلايى قيمت سهام". فصلنامه علمى يرُوهشى دانش سرمايهكذارى. سال هشتم: شماره
9 صفحات 45-66 بهار 1398
Fey reer pees Ce Teepe Sen ee vice ee ROP Tee FOnTC a
1 e anu aC Pa
0 Teves Aeron cy mere Mey ES Src RW L EAT CEES Corey}
,49-67 داددهاى درون-روزى", فصلنامه علمى يرُوهشى دانش سرمايهكذارى: سال هفتم. شماره 28. صفحات
.1397 زمستان
| ا Sree
ccc eee Pe
صفحه 57:
a
1 ere nT een cen ete
Stee e Ieee tne esha acca MRIS Ce CRP
00 eee rae mse
ا Ree eee ie he dea ا ا eg
00
fal
Sie eee een uence ee ecu ecg es mag)
Reser ۵6 ,ما 00
۱۳۱ A.. Mammadov, M. A. & Hurst, C. P. "Predicting stock market index trading signals using
tee Maes ir ee ae gee eer 1711797
[Manoj Thakur, Deepak Kumar. “A hybrid financial tracing support system using mult-category classifiers and
random forest”, Applied Soft Computing, Velume 67, Pages 337-349, 7
oa Ue ne ec eRe Re أممع8 ععم0
Cee eee en ee سا سس
9
ft
Adrian. (2011). The relative strength index revisited. African journal of business management. 5. 5856 انا