عنوان پایان‌نامه
طراح سیستم ترکیبی معاملات سهام مبتنی بر تحلیل تکنیکی هوشمند
- رشته تحصیلی
- مهندسی مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 65712
- تاریخ دفاع
- ۳۰ شهریور ۱۳۹۳
- دانشجو
- شیرین معطرطهرانی
- استاد راهنما
- سعید فلاح پور
- چکیده
- زمانبندی معاملات سهام برای سرمایه گذاران و فعالان بازار سرمایه از اهمیت زیادی برخوردار است اما نوسانات بازار و دشواری پیش بینی قیمت‌ها یکی از بزرگترین چالش‌های پیش روی سرمایه گذاران در این بازارها به شمار می‌رود. بازارهای سهام تحت تاثیر پارامترهای مرتبط اقتصادی، سیاسی و حتی روانشناختی قرار دارند که هریک از این پارامترها به شکلی پیچیده با یکدیگر در تقابل هستند. بسیاری از تحقیقات انجام شده به این نتیجه رسیده اند که بازارهای سهام دارای ماهیتی غیرخطی و پویا هستند که رویکردهای خطی قادر به شناسایی روابط غیرخطی میان قیمت های سهام نیستند. از این رو به نظر می‌رسد که استفاده از ابزارها و الگوریتم‌های محاسباتی غیرخطی و پیشرفته مانند شبکه‌های عصبی مصنوعی، منطق فازی و الگوریتم ژنتیک، در مدل سازی رفتار سهام و زمانبندی معاملات می‌تواند مفید باشد. در این پژوهش به منظور بهره‌گیری از مزایای منحصر به فرد هر یک از ابزارهای یاد شده، از توان بالای پیش‌بینی شبکه‌های عصبی جهت پیش‌بینی رفتار آتی سهم و از قابلیت برخورد منطق فازی با عدم اطمینان مربوط به استراتژی‌های معاملاتی جهت زمانبندی معاملات و نیز از امکانات بهینه‌سازی الگوریتم ژنتیک جهت بهبود نتایج استفاده شده است. نتایج حاصل از مدل برای 25 شرکت منتخب از میان50 شرکت فعال بورس اوراق بهادار تهران، نشان داد که در بازار صعودی تفاوت معناداری میان بازده سیستم معاملاتی و روش خرید و نگهداری وجود ندارد اما در بازار نزولی، بازده سیستم معاملاتی از بازده روش خرید و نگهداری بیشتر است.
- Abstract
- Stock trading signals have become a very popular research topic in financial engineering. It seems that using advanced computing algorithm such as neural networks, fuzzy logic and genetic algorithm can be useful in modeling stock price movements and market timing. This study presents the use of an intelligent hybrid stock trading system that integrates neural networks, fuzzy logic and genetic algorithms techniques to increase the efficiency of stock trading when using moving average indicator. For the system, the neural network helps provide earlier MA trading signals, fuzzy logic helps the system handle the uncertainty of the trading signals and the GAs helps the system to optimize the trading signals. The results for 25 selected stocks with most trading days show that there is no significant difference between the average return of the system and the buy and hold strategy after trading costs in a bull market. but the average return of the system is more than the buy and hold in a bear market.
