ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

An Algorithmic Trading system Based on Machine Learning in Tehran Stock Exchange

سال انتشار: 1400
کد COI مقاله: JR_AMFA-6-3_014
زبان مقاله: انگلیسیمشاهده این مقاله: 50
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 17 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله An Algorithmic Trading system Based on Machine Learning in Tehran Stock Exchange

Hamidreza Haddadian - Department of Financial Management, Management Faculty, Central Branch, Islamic Azad university, Tehran, iran
Morteza Baky Haskuee - Department of Economics, Imam Sadiq University, Tehran, Iran
Gholamreza Zomorodian - Department of Business Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran

چکیده مقاله:

Successful trades in financial markets have to be conducted close to the key recurrent points. Researchers have recently developed diverse systems to help the identification of these points. Technical analysis is one of the most valid and all-purpose kinds of these systems. With its numerous rules, the technical analysis endeavors to create well-timed and correct signals so that these points are identified. However, one of the drawbacks of this system is its overdependence on human analysis and knowledge in selecting and applying these rules. Employing the three tools of genetic algorithm, fuzzy logic, and neural network, this study attempts to develop an intelligent trading system based on the recognized rules of the technical analysis. Indeed, the genetic algorithm will assist with the optimization of technical rules owing to computing complexities. The fuzzy inference will also help the recognition of the total current condition in the market. It is because a set of rules will be selected based on the market kind (trending or non-trending). Finally, the signal developed by every rule will be translated into a single result (buy, sell, or hold). The obtained results reveal that there is a statistically meaningful difference between a stock's buy and hold and the trading system proposed by this research. In other words, our proposed system displays an extremely higher profitability potential.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_AMFA-6-3_014 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1241222/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Haddadian, Hamidreza and Baky Haskuee, Morteza and Zomorodian, Gholamreza,1400,An Algorithmic Trading system Based on Machine Learning in Tehran Stock Exchange,https://civilica.com/doc/1241222

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1400, Haddadian, Hamidreza؛ Morteza Baky Haskuee and Gholamreza Zomorodian)
برای بار دوم به بعد: (1400, Haddadian؛ Baky Haskuee and Zomorodian)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Goldberg, D., Approximation by superposition of a sigmoidal function, Journal ...
  • Baba, N., Nomura T., Knowledge-Based Decision Support Systems for Dealing ...
  • Refenes A.N., Zapranis A., Francis G, Stock ranking: Neural Networks ...
  • Tan, H., Prokhorov, D., Wunsch, D., Probabilistic and time-delay neural-network ...
  • Kuo, R. J., Chen, C., Hwang, Y., An intelligent stock ...
  • Juliana Y., A Comparison of Neural Networks with Time Series ...
  • Nouri, A, et al. Comparing the performance Of Artificial Neural ...
  • Dariush Forougi et al. Earnings Per Share Forecast: the Combination ...
  • Souto, M., S&P ۵۰۰ Index Direction Forecasting from ۱۹۷۶ to ...
  • Alejandro Rodríguez et al, Using neural networks to improve trading ...
  • Zhi-Hong et al. On delayed impulsive Hopfield neural networks,Neural Networks, ...
  • Davoodi, A., Dadashi, I., Stock price prediction using the Chaid ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی