عنوان پایان‌نامه
کشف قواعد معاملاتی بازار سهام بوسیله ی مدل تکاملی روند در بورس اوراق بهادار تهران
- رشته تحصیلی
- مهندسی مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78185;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78185
- تاریخ دفاع
- ۱۵ اسفند ۱۳۹۴
- دانشجو
- مهدی دهداری
- استاد راهنما
- رضا عیوضلو
- چکیده
- ددر این تحقیق یک مدل ترکیبی از قواعد و استراتژی های کلاسیک سرمایه گذاری سهام (نظیر پیگیری روند) و الگوریتم یادگیری تکاملی (نظیر سیستم دسته بندی توسعه یافته) ارایه گردیده که موسوم به eTrend می باشد. هدف از توسعه این مدل، کشف قواعد معاملاتی و الگوهای منطقی و قابل فهم نهفته در بازار سهام، به منظور افزایش بازده و کاهش ریسک منفی در فرایند سرمایه گذاری، و همچنین افزایش کارایی محاسبات و قابلیت پیاده سازی و اجرای مدل های معامله سهام، می باشد. الگوریتم تکاملی پیگیری روند ارایه شده، حاصل ادغام استراتژی سرمایه گذاری پیگیری روند و سیستم دسته بندی توسعه یافته می باشد. این تحقیق با این انتظار انجام می‌شود که مدل ارایه شده با شناسایی قواعد معاملاتی بازار و اتخاذ موقعیت های مناسب خرید و فروش، بتواند نسبت به استراتژی خرید و نگهداری بازده بیشتر و را بدست آورد و همچنین به عنوان یک سیستم خبره عملکرد بهتری از سایر روش های یادگیری ماشین داشته باشد. نتایج بدست آمده از این پژوهش نشان داد که سیستم معاملاتی eTrend قادر به کسب بازدهی بیشتر نسبت به استراتژی خرید و نگهداری روی 13 سهم مورد بررسی در این پژوهش نیست. اما الگوریتم یادگیری ماشین سیستم دسته‌بند توسعه یافته (XCS)، عملکرد بهتری نسبت به شبکه عصبی فازی درمورد پیش‌بینی روند قیمتی روزانه سهام دارد.
- Abstract
- This research is presented a hybrid model of classical stock investment rules (i.e. trend following) and evolutionary learning (i.e. XCS), in terms of evolutionary trend following algorithm (eTrend). The aim of development of this model is to uncover reasonable and understandable trading rules to achieve excess return and reduce downward risk in investment process, and significantly improve computation effectiveness and model practicability. The evolutionary trend following algorithm (eTrend), combines TF investment strategies and the extended classifier systems (XCS)
