عنوان پایان‌نامه
" معاملات خودکار با استفاده از یادگیری تجمعی اثرات فصلی مبتنی بر جنگل تصادفی
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77555;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77555
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۵
- دانشجو
- شهرزاد شفائیان فرد
- استاد راهنما
- شاپور محمدی
- چکیده
- هدف اصلی این تحقیق بررسی امکان پیش بینی بازدهی سهام در رویدادهای تقویمی و کسب سود با استفاده از یک سیستم معاملات خودکار است. اگرچه در برخی بازارها قواعد فصلی و تقویمی به اندازه کافی منسجم هستند که به عنوان یک استراتژی مستقل به کار گرفته شوند، اما نرخ بازگشت این قواعد در اکثر سهم ها بسیار پر نوسان است و همین امر ممکن است منجر به بروز زیان در معاملات فصلی ساده شود. به منظور حل این مشکل یک سیستم معاملات خودکار طراحی می گردد که در آن با استفاده از جنگل های تصادفی بازدهی هر معامله تقویمی در بازار بورس اوراق بهادار تهران پیش بینی می شود. این سیستم معاملات وضعیت فعلی بازار را با استفاده از متغیرهای تکنیکی، اطلاعات کلی سهم، اطلاعات تقویمی و شاخص ریسک به عنوان ورودی دریافت می کند و در خصوص تغییرات قیمت پیش‌بینی کرده، ریسک سفارشات خرید را مدیریت می‌کند و بر اساس میزان سود پیش بینی شده و معیارهای ریسک، تصمیم خرید یا عدم خرید سهم را اتخاذ می کند. پیش از اجرای سیستم معاملات خودکار تمامی متغیرهای ورودی از لحاظ میزان اهمیت در پیش بینی نهایی مدل بررسی شده اند و مهمترین متغیرها به عنوان ورودی های سیستم انتخاب شده اند. به منظور در نظر گرفتن ماهیت متغیر بازارهای مالی از تکنیک یادگیری آنلاین و به منظور جلوگیری از پدیده بیش‌برازش از تکنیک یادگیری تجمعی در این سیستم معاملات بهره برده شده است. نتایج حاصل از تجمع جنگل‌ها بر اساس یک روش وزن دهی زمانی مبتنی بر عملکرد ترکیب می شود که تغییرات اخیر حرکت قیمت ها را با وزن بیشتری در پیش بینی نهایی مدل لحاظ می¬کند. نمونه بررسی شده در این پژوهش مربوط به شرکت‌های عضو بورس اوراق بهادار تهران از سال 1382 تا 1394 است. نتایج حاصل از تحقیق نشان می‌دهد معامله تقویمی بر اساس سیگنال‌های تولید شده توسط یادگیری تجمعی «جنگل های تصادفی موزون بر حسب عملکرد اخیر» در مقایسه با استراتژی خرید و نگهداری، معامله فصلی، رگرسیون خطی و جنگل تصادفی ساده عملکرد بهتری دارد. هرچند با افزودن کارمزد معاملات، بازدهی پیش بینی شده تاحدودی کاهش یافت اما این روش همچنان از سایر روش ها، بازدهی بهتری کسب کرده است.
- Abstract
- The aim of this study is to predict price return over calendar events, and use these predictions to develop a profitable automatic trading strategy. Although in some markets regular calendar events are solid enough to be used as an independent algorithm, but the frequency of such regularities are shown to be very inconsistent in Tehran stock exchange and thus may lead to loss when used in simple seasonal trades. An algorithmic trade system is designed to overcome this flaw where random forests predict profit in each calendar event. The current and previous state of stock price movement embedded in technical indicators, calendar information and index value are fed to the trade system, and trade decisions are made according to profit predictions with respect to risk management. Before training the model, most important features are selected using a backward elimination method. Our model is an online model to incorporate the fluctuating behavior of financial markets. Also, in order to overcome over fitting, an ensemble of models is used. The votes of random forest are aggregated in a recency adjusted weight of performance. The innovation here is to train multiple random forests on each calendar event to determine the best date for selling. In addition a genetic algorithm is implemented to perform hyper parameter optimization with adequately fast speed. Data samples are drawn from stock prices in Tehran stock exchange during 2001- 2015. Results indicate that calendar trades based on ensemble of recency weighted random forests have better performance measured by risk adjusted return, compared to buy-and-hold, simple calendar trade, linear regression, and solo random forest. Even though, including trade commission reduces the return, but still slightly outperforms other methods. Keywords: Random Forests, Calendar Events, Profit Prediction, Online Ensemble
