روشی برای تجارت خودکار سهام با ترکیب تجزیه و تحلیل فنی و نزدیکترین طبقه بندی همسایه

در این مقاله ما یک روش جدید برای معاملات خودکار سهام که ترکیبی از تجزیه و تحلیل فنی و نزدیکترین طبقه بندی همسایه است ، پیشنهاد و تجزیه و تحلیل می کنیم. اولین و مهمترین هدف ما بررسی امکان استفاده عملی از یک سیستم پیش بینی هوشمند منحصراً بر اساس سابقه قیمت و حجم بسته شدن سهام روزانه است. برای این منظور ما تکنیکی را پیشنهاد می کنیم که شامل ترکیبی از نزدیکترین طبقه بندی همسایه و برخی از ابزارهای شناخته شده تجزیه و تحلیل فنی ، یعنی از دست دادن توقف ، افزایش متوقف و فیلتر RSI است. برای ارزیابی استفاده بالقوه از روش پیشنهادی در عمل ، نتایج به دست آمده را با نتایج حاصل از اتخاذ یک استراتژی خرید و نگهدارنده مقایسه کردیم. اندازه گیری عملکرد کلیدی در این مقایسه سودآوری بود. نشان داده شده است که روش پیشنهادی سود بیشتری را نسبت به خرید و خرید برای بیشتر شرکت ها ایجاد می کند ، با تعداد کمی از عملیات خرید تولید شده و در نتیجه ، خطر قرار گرفتن در معرض بازار را به حداقل می رساند.

معرفی

پیش بینی حرکات قیمت در بورس به طور کلی اعتقاد بر این است که یک کار بسیار دشوار است. یک فرضیه شناخته شده در بین دانشگاهیان ، فرضیه بازار کارآمد (FAMA ، 1970) ، نشان می دهد که قیمت ها بلافاصله تمام اطلاعات موجود را منعکس می کنند و تنها چیزی که باعث تغییر قیمت های امنیتی می شود ، اطلاعات جدید است. بنابراین ، از آنجا که ورود اطلاعات جدید غیرقابل پیش بینی است ، به نظر می رسد که قیمت ها در بازار به طور تصادفی تولید می شوند. در نتیجه ، با استفاده از هرگونه اطلاعات موجود ، نمی توان به طور مداوم بازده اضافی کسب کرد. طبق این فرضیه ، بهترین انتخاب در بازار پیروی از استراتژی خرید و نگهدارنده است ، که شامل تلاش برای پیش بینی حرکات قیمت ، یعنی خرید و هرگز فروش اوراق بهادار نیست.

چندین تحقیق در مورد اعتبار فرضیه کارآمد بازار بحث می کنند. ما می توانیم مطالعه انجام شده توسط هاگن ، 1999 ، لس ، 2000 را ذکر کنیم. Haugen تجدید نظر در مورد کمبودهای این فرضیه ارائه می دهد و LOS با توجه به شش بازار اصلی آسیا ، آزمایش هایی را انجام داد. LOS اظهار داشت که هیچ یک از این بازارها رفتار کارآمد پیشنهادی توسط این فرضیه را ارائه نمی دهند. علاوه بر این آثار ، تجربه عملی در تجارت حاکی از وجود روند قیمت است و تلاش برای پیش بینی تغییرات قیمت آینده می تواند بازده خوبی را ایجاد کند.

در عمل ، دو روش معمولاً برای تجزیه و تحلیل حرکات قیمت و در نتیجه پیش بینی روند قیمت اوراق بهادار استفاده می شود. اولین مورد تجزیه و تحلیل اساسی است که از عوامل اقتصادی برای برآورد ارزشهای ذاتی اوراق بهادار استفاده می کند. رویکرد دوم ، که به عنوان تجزیه و تحلیل فنی شناخته می شود ، مبتنی بر اصول تئوری داو (مورفی ، 1999) است و از تاریخ قیمت ها برای پیش بینی حرکات آینده استفاده می کند. رویکرد مورد استفاده در تجزیه و تحلیل فنی می تواند به عنوان یک مشکل تشخیص الگوی تدوین شود ، جایی که ورودی ها از تاریخ قیمت ها حاصل می شوند و خروجی تخمین قیمت یا برآورد روند قیمت ها است. چندین گزینه دیگر برای نزدیک شدن به این نوع مشکل ارائه شده است ، که از مدل سازی آماری سنتی گرفته تا روش های مبتنی بر هوش محاسباتی متغیر است.

از دهه 1980 تلاش های زیادی برای پیش بینی بازار سهام انجام شده است. Vanstone and Tan (2003) آثار موجود در این منطقه را مورد بررسی قرار داد و آنها را در موضوعات زیر طبقه بندی کرد: سری زمانی (Cao and Tay ، 2003 ، Nagarajan et al. ، 2005) ، تشخیص و طبقه بندی الگوی (Bao and Yang ، 2008 ، Guo etآل. ، 2007 ، لی و همکاران ، 2008 ، نانی ، 2006 ، سعد و همکاران ، 1998 ، سای و یوان ، 2007) ، بهینه سازی (چانگ ، 2007 ، قهوهای مایل به زرد ، 1994) و روشهای ترکیبی (Afolabi ، 2007 ، کیم وشین ، 2007 ، کوون و مون ، 2007 ، ماندزیوک ، 2007). اولین اثری که در این زمینه پیدا کردیم در سال 1988 (وایت ، 1988) منتشر شد و از شبکه های عصبی Feedforward برای تشخیص منظم در سری های زمانی قیمت استفاده کرد. یک اثر جالب دیگر ، که ما مرجع اصلی این مقاله را در نظر می گیریم ، تحقیقات اخیر انجام شده توسط Kwon و Moon (2007) بود که از یک رویکرد ترکیبی مبتنی بر متن روز آزمون استفاده می کند. هدف اصلی این کار پیش بینی تغییرات قیمت آینده با استفاده از شاخص های فنی به عنوان ورودی بود. این پیش بینی مبتنی بر رگرسیون با شبکه های عصبی مکرر بود ، که وزن آنها با ترکیبی از الگوریتم های ژنتیکی و بازگشت سنتی بهینه سازی شد. این روش با توجه به دوره 13 ساله با 36 سهام مورد آزمایش قرار گرفت و قادر به ایجاد سود بالاتر از استراتژی خرید و نگهدار بود. یکی از اشکالات روش Kwon و Moon این است که طبقه بندی کننده به کار رفته توسط آنها پیچیده است و توسط الگوریتم های ژنتیکی و Backpropagation آموزش داده می شود ، که به عنوان روش های کند برای آموزش شبکه های عصبی شناخته می شود (Kwon & Moon ، 2007). استفاده از روشهای آنها در عمل برای تعداد زیادی از سهام به قدرت محاسباتی زیادی نیاز دارد.

تحقیقات در این زمینه با توجه به رویکردهای مورد استفاده برای مدل سازی مشکل و معیارهای مورد استفاده برای ارزیابی تکنیک ها بسیار متنوع است. با این حال ، برای بیشتر این آثار مشخص نیست که آیا تکنیک های پیشنهادی قادر به ایجاد سود در عمل هستند. بنابراین هدف کلی ما در این مقاله ارائه یک تکنیک پیش بینی روند قیمت و ارزیابی آن با توجه به توانایی آن در تولید سود است. در این مقاله ، تمرکز ما پیش بینی روند قیمت در بورس با استفاده از برخی از ابزارهای متداول تجزیه و تحلیل فنی و الگوریتم شناخته شده K-NN است (Cover & Hart ، 1967). هدف دیگر تحقیقات شرح داده شده در اینجا ، ارائه روشی است که از طبقه بندی ساده تر از Kwon و Moon استفاده می کند (2007). این امر باعث می شود این سیستم برای تجزیه و تحلیل سهام بیشتر برای تجارت در یک روز معین استفاده شود. تأکید بر این نکته حائز اهمیت است که این ابزارهای متداول تجزیه و تحلیل فنی ، مانند شاخص های فنی ، از دست دادن توقف ، افزایش توقف و فیلترهای RSI ، معمولاً در عمل توسط معامله گران استفاده می شوند ، اما معمولاً در تحقیقات دانشگاهی نادیده گرفته می شوند. این امر به ما انگیزه داده است تا روشی را ارائه دهیم که یک طبقه بندی کننده شناخته شده و برخی از ابزارهایی را که معمولاً در تجارت عملی مورد استفاده قرار می گیرند ، با هدف بررسی امکان استفاده از یک سیستم تجاری هوشمند منحصراً بر اساس داده های حاصل از قیمت های امنیتی و حجم از آن ارائه دهیم. معاملاتبرای ارزیابی توانایی سیستم پیشنهادی در تولید سود ، ما نتایج آن را با سود حاصل از استفاده از یک استراتژی خرید و نگهدارنده مقایسه می کنیم ، که با توجه به فرضیه کارآمد بازار بهترین گزینه جایگزین است.

تعدادی طبقه بندی کننده وجود دارد که شناخته شده است که از نظر تعمیم نسبت به K-NN برای بسیاری از مشکلات واقعی به نتایج بهتری دست می یابند. با این حال ، در این لحظه اول ما یک الگوریتم ساده و سریع را می خواستیم ، زیرا هدف ما اکنون تجزیه و تحلیل تأثیر در نتایج برخی از ابزارهای تحلیل فنی ، مانند توقف ها و فیلتر RSI است.

مقاله بصورت زیر مرتب شده است. مفاهیم اساسی تجزیه و تحلیل فنی در بخش 2 ارائه شده است ، در حالی که بخش 3 روش پیشنهادی را ارائه می دهد ، از جمله بازنگری مختصر از الگوریتم K-NN ، مجموعه داده ها و ویژگی های ورودی و همچنین مدل تجارت در نظر گرفته شده. در بخش 4 ما به منظور ارزیابی اهمیت اقتصادی روش ، برخی از آزمایشات را انجام می دهیم. در بخش 5 اظهارات نتیجه گیری را ارائه می دهیم.

قطعه قطعه

مفاهیم اساسی تحلیل فنی

به گفته مورفی (1999) ، تجزیه و تحلیل فنی مطالعه اقدامات بازار ، در درجه اول با استفاده از نمودارها ، با هدف پیش بینی روند قیمت های آینده است. این تکنسین اقدامات بازار را از طریق دو متغیر اصلی ، قیمت ها و حجم معاملات مشاهده می کند. مهمترین فرض این نوع تجزیه و تحلیل این است که عملکرد بازار همه چیز را تخفیف می دهد. این بدان معناست که تکنسین معتقد است که هر چیزی که احتمالاً می تواند بر بازار تأثیر بگذارد ، در قیمت ها منعکس شده است ، و همچنین همه جدید

k-nn

طبقه بندی کننده نزدیکترین همسایه (NN) یکی از ساده ترین الگوریتم های یادگیری ماشین است. در این نوع طبقه بندی کننده ، یک الگوی جدید با توجه به شباهت آن با الگوهای آموزشی موجود طبقه بندی می شود. برای اندازه گیری این شباهت ، فاصله اقلیدسی بین الگوی جدید طبقه بندی شده و سایر الگوهای موجود در مجموعه آموزش محاسبه می شود. در مرحله بعد ، کلاس الگوی آموزش با فاصله کوچکتر به الگوی جدید اختصاص می یابد. طبقه بندی کننده همسایه k-nearest ( k-nn)

راه اندازی آزمایشی

برای شروع هر آزمایش ، ما مانده نقدی اولیه 100،000. 00 دلار R (واقعی برزیل) را در نظر می گیریم. برای هزینه معامله ، ارزش ثابت 5. 00 دلار را در نظر می گیریم که توسط برخی از کارگزاران سهام برزیل یک ارزش واقعی است.

قبل از انجام آزمایشات نیز مجبور شدیم پارامترهایی را برای ساخت شاخص های فنی انتخاب کنیم. تمام این پارامترها مطابق با مقادیری که معمولاً توسط معامله گران در عمل استفاده می شود و همچنین توسط مورفی (1999) ذکر شده است. کوتاه مدت و بلند مدت ساده

نتیجه گیری

در این مقاله یک سیستم معاملات سهام ارائه شده است که منحصراً مبتنی بر سابقه بسته شدن روزانه و حجم معاملات است. ما از طبقه بندی کننده K-NN شناخته شده استفاده کردیم و با توجه به شرکت های واقعی بورس اوراق بهادار سائوپائولو (BOVESPA) و هزینه های معامله ، امکان استفاده از آن را در شرایط واقعی بازار بررسی کردیم. علاوه بر این ، ما استفاده از برخی از ابزارهای متداول تجزیه و تحلیل فنی ، مانند شاخص های فنی ، از دست دادن توقف ، افزایش توقف و فیلترهای RSI را پیشنهاد کردیم.

منابع (26)

• L. Nanni