استخراج قوانین معامله در بازار سهام با استفاده از محاسبات تکاملی دو سطحی

یکی از حوزه های پرکاربرد در بازارهای مالی، تولید قوانین تصمیم گیری به منظور پیشبینی قیمت در بازارهای سهام است که این حوزه به دلیل کسب سود، همواره مورد توجه بسیاری از دانشگاهیان، سرمایه گذاران عادی و حرفه ای قرار گرفته است. هدف اصلی این مقاله، ارائه روشی تکاملی در جهت تولید قوانین تصمیم گیری معاملاتی است، که با اهمیت دادن به بهینه سازی پارامترهای موجود در قوانین، بتواند قوانینی موثر و معنادار برای معامله در بازارهای مالی تولید کند. در این مقاله یک روش تکامل دو سطحی (PSO-STGP)، مبتنی بر الگوریتم های تکاملی شامل الگوریتم برنامه نویسی ژنتیک همراه با محدودیت نوع داده۳ (STGP) و الگوریتم بهینه سازی ازدحام ذرات۴ (PSO) جهت تولید قوانین تصمیم گیری در بازارهای مالی ارائه شده است. در روش پیشنهادی، مدلی ارائه شده است که با تولید قوانین در یک سطح و بهینه سازی پارامترهای قوانین در سطح دیگر به صورت هم روند بتواند قوانین سودآور و معناداری را در جهت تصمیم گیری در بازارهای مالی ارائه دهد. روش پیشنهادی بر روی ۲۴ شرکت در شاخص P۵۰۰&S ارزیابی شده است. عملکرد روش تکاملی پیشنهادی، بر اساس معیار بازده و سود قوانین تولید شده، با استراتژی الگوریتم تکاملی تک سطحی STGP و استراتژی خرید و نگهداری ارزیابی و مقایسه شده است. بازده مدل پیشنهادی در مجموع ۸ سهام با روندهای صعودی، نزولی و خنثی، به ترتیب برابر با ۳۵۳درصد، ۱۱۲.۶درصد و۱۴۳.۴ در طول یکسال دوره تست بوده است. به طور کلی، سهام با روند صعودی و نزولی، نسبت به استراتژی های رقیب عملکرد بهتری داشتند، و در سهام با روند خنثی به تقریب برابر با استراتژی خرید و نگهداری و بهتر از استراتژی تک سطحی عمل کرده است

کلیدواژه ها:

برنامه نویسی ژنتیک ، بهینه سازی ازدحام ذرات ، قوانین تصمیم گیری ، بازار مالی