یک مدل برنامه نویسی ژنتیکی برای تولید قوانین تجارت فنی تنظیم شده در ریسک در بازارهای سهام

قوانین معاملات فنی را می توان از داده های تاریخی برای تصمیم گیری در بازارهای سهام تولید کرد. برنامه نویسی ژنتیکی (GP) به عنوان یک روش هوش مصنوعی روشی ارزشمند برای تولید خودکار چنین قوانین تجارت فنی است. در این مقاله ، از پزشک عمومی برای تولید قوانین معاملات تنظیم شده در ریسک در سهام جداگانه استفاده شده است. در میان بسیاری از اقدامات ریسک در ادبیات ، نسبت شارپ شرطی برای این مطالعه انتخاب شده است زیرا از ارزش مشروط در معرض خطر (CVAR) به عنوان یک اندازه گیری خطر منسجم بهینه استفاده می کند. در مدل GP پیشنهادی ما ، قوانین معاملات باینری نیز به قوانین واقع بینانه تری گسترش یافته است که با استفاده از سه سیگنال خرید ، فروش و بدون تجارت ، قوانین trinary نامیده می شوند. علاوه بر این ، ما برای محاسبه بازده دقیق تر در قوانین تولید شده ، هزینه های معامله ، سود سهام و تقسیم در مدل GP خود را درج کرده ایم. مدل پیشنهادی ما برای 10 شرکت ایرانی ذکر شده در بورس اوراق بهادار تهران (TSE) اعمال شده است. نتایج عددی نشان داد که مدل GP گسترده ما می تواند در مقایسه با استراتژی خرید و نگهدارنده به ویژه در مورد مبنای تنظیم ریسک ، قوانین معاملات سودآور ایجاد کند.

نکات برجسته تحقیق

as یک مدل برنامه نویسی ژنتیکی (GP) برای تولید قوانین ترنامی تجارت فنی تنظیم شده با ریسک در سهام های فردی. نسبت شارپ شرطی در عملکرد تناسب اندام مدل GP ما استفاده شده است. هزینه های معامله ، سود سهام و تقسیم در مدل GP ما برای محاسبه بازده دقیق تر در قوانین تولید شده وجود دارد. model مدل GP گسترده ما از استراتژی خرید و نگهدارنده به ویژه در مورد مبنای تنظیم ریسک استفاده می کند.

معرفی

تجزیه و تحلیل فنی مجموعه گسترده ای از روش ها و استراتژی ها است که در تلاش برای بهره برداری از نوسانات کوتاه مدت در بازارهای سهام است. در این رویکرد قوانین معاملات از داده های تاریخی برای تعیین زمان مناسب برای خرید و فروش اوراق بهادار تولید می شود. معامله گران از این قوانین معاملاتی برای سودآوری از معاملات فعال و مکرر در بورس سهام استفاده می کنند. این رویکرد استراتژی خرید و فروش نامیده می شود. یک رویکرد جایگزین که به عنوان استراتژی خرید و نگه داشتن شناخته می شود ، یک استراتژی سرمایه گذاری منفعل تر است. در این رویکرد ، سرمایه گذاران بدون در نظر گرفتن نوسانات کوچک ، دارایی ها را برای مدت طولانی خریداری و نگه می دارند. معامله گران معتقدند که می توانند سود بیشتری نسبت به سرمایه گذاران کسب کنند. با این حال ، سودآوری تجزیه و تحلیل فنی توسط دو فرضیه یعنی "فرضیه پیاده روی تصادفی" و "فرضیه بازار کارآمد" مورد انتقاد قرار گرفته است. این فرضیه ها بیان می کنند که در داده های مالی نباید الگوی قابل تشخیص و قابل بهره برداری وجود داشته باشد. طبق این فرضیه ها ، معامله گران نمی توانند از قوانین تجارت فنی سود ببرند. اگرچه اولین مطالعات در دهه 1960 و 1970 از این فرضیه ها حمایت کرد (الكساندر ، 1964 ، فاما ، 1970 ، فاما و بلوم ، 1966 ، جنسن و بنینگتون ، 1970) ، اما سرمایه گذاران تمایلی به رها كردن نمودارها و قوانین خود نداشتند. براساس گزارش های تیلور ، حداکثر 90 ٪ از معامله گران از نوعی تجزیه و تحلیل فنی در تصمیم گیری های تجاری خود استفاده می کنند (تیلور ، 2000).

این فرضیه ها همچنین توسط بسیاری از تحقیقات دانشگاهی که نشان می دهد قوانین تجارت فنی می تواند سودآور باشد ، رد می شود (Bessembinder and Chan ، 1995 ، Brock et al. ، 1992 ، Pruitt and White ، 1988). آنها بازده قوانین معاملات فنی را با بازگشت استراتژی خرید و نگه داشتن مقایسه کردند و دریافتند که بازده اضافی مثبت با استفاده از قوانین تجارت فنی حاصل می شود. با بازده بیش از حد مثبت ، منظور ما این است که استراتژی خرید و فروش از نظر بازده حاصل از استراتژی خرید و نگه داشتن برتر است.

مطالعات فوق از تکنیک های کلاسیک برای تولید قوانین معاملات مانند حرکت متوسط و شکستن دامنه معاملات استفاده کرده است. فن آوری های جدید مانند سیستم های هوشمند مصنوعی امیدوار کننده تر به نظر می رسند ، زیرا به آنها اجازه می دهند یک سیستم به طور خودکار قوانین معاملاتی سودآور را تولید و تطبیق دهد. به عنوان مثال ، الگوریتم های ژنتیکی ، برنامه نویسی ژنتیکی و شبکه های عصبی در تجزیه و تحلیل فنی بسیار موفق هستند (Bauer ، 1994 ، Chou et al. ، 1997).

Bauer (1994) از الگوریتم ژنتیکی برای بهره برداری از قوانین تجارت فنی در بازار مبادله ایالات متحده استفاده کرد. این قوانین معاملات منجر به بازده مثبت مثبت شد. با این حال ، به نظر می رسد که برنامه نویسی ژنتیکی (GP) به دلیل ساختار آن در استخراج قوانین معاملات از داده های تاریخی مناسب تر است (پوتوین و همکاران ، 1994). در رویکرد GP برای کشف قانون ، قوانین در قالب درختان تصمیم گیری از داده های گذشته استخراج می شوند. آلن و کرجالینن (1999) از برنامه نویسی ژنتیکی برای تولید قوانین تجارت فنی در داده های S& P500 استفاده کردند. آنها دریافتند که بازده تعدیل شده هزینه معامله نتوانسته است بازده اضافی مثبت را بدست آورد. اگرچه اولین مطالعات مانند آلن و کرجالینن نتوانست EMH را رد کند ، اما مطالعات بعدی در غیر این صورت نشان داد. Neely ، Weller و Dittmar (1997) از برنامه نویسی ژنتیکی برای یافتن قوانین تجارت فنی برای شش ارز اصلی در بازار ارز استفاده کردند. همچنین نیلی و ولر (1999) برای سه مورد از چهار نرخ ارز سیستم پولی اروپا (EMS) همان نتایج را پیدا کردند. یکی دیگر از کارهای قابل توجه Neely (2001) در بازارهای سهام در S& P500 بود. با وجود این که Neely بازده اضافی را تعدیل می کند ، او نتوانست EMH را که مغایر با ادعای آلن و کرجالینن (1999) بود ، رد کند. در یک کار دیگر ، قوانین معاملات فنی از استراتژی خرید و نگه داشتن در ریسک غیر قابل تنظیم بهتر عمل می کند ، اما وقتی ریسک در مورد سه شاخص S& P در نظر گرفته می شود ، کم کاری می کند (Fyfe ، Maey ، & Tarbert ، 2005).

تمام تحقیقات فوق الذکر شاخص های بازار جهانی (به عنوان مثال ، داو جونز ، S& P500) و قوانین معاملاتی را برای این شاخص ها در نظر گرفتند. آنها سودآوری تجزیه و تحلیل فنی و دو فرضیه منتقد را بررسی کردند. یکی دیگر از رویکردهای امیدوارکننده ، در نظر گرفتن سهام ارائه شده توسط شرکت های انفرادی است. این رویکرد به نظر می رسد از آنجا که هر سهام به طور جداگانه مورد بررسی قرار می گیرد و هر قانون برای یک سهام تولید می شود. پوتوین ، سوریانو و وال (2004) این رویکرد را برای 14 شرکت کانادایی که در بورس اوراق بهادار تورنتو ذکر شده بودند ، استفاده کردند. نتایج آنها نشان داد که قوانین معاملات به طور کلی هنگام سقوط بازار یا زمانی که پایدار است ، سودمند هستند. با وجود جذابیت این کار ، آنها هزینه معامله را برای ارزیابی تناسب اندام قوانین تولید شده در نظر نگرفتند. هزینه معامله هزینه کارگزاری است که برای هر تجارت انجام شده قابل پرداخت است. از آنجا که بسیاری از معاملات در استراتژی خرید و فروش انجام می شود ، هزینه معاملات بر سودآوری قوانین معاملات تأثیر می گذارد. از این رو ، مالیک ، لی و اونگ (2008) هزینه معامله را در مدل GP خود در نظر گرفتند و آن را برای سی سهام مؤلفه شاخص متوسط صنعتی داو جونز (DJIA) به کار بردند. نتایج آماری آنها تأیید می کند که قوانین معاملات مبتنی بر GP بازده بیش از حد مثبت نسبت به استراتژی خرید و نگهدارنده ساده ، در همه شرایط بازار چه در حال افزایش یا در حال سقوط ، ایجاد می کند. همچنین از تکنیک برنامه نویسی ژنتیکی برای تولید قوانین معاملات تنظیم شده برای معامله برای نه شرکت ایرانی استفاده شده است (Esfahanipour ، Karimi ، & Mousavi ، 2009). مطالعه بعدی نشان داد که GP می تواند در مقایسه با استراتژی خرید و نگه داشتن ، به ویژه برای شرکت هایی که معاملات مکرر در بازار دارند ، قوانین تجاری سودآور ایجاد کنند.

اگرچه ریسک عامل مهمی در تصمیمات تجاری است ، اما در پوتوین و همکاران ، 2004 ، مالیک و همکاران ، 2008 ، اسفاهانیپور و همکاران ، 2009 در نظر گرفته نمی شود. بازده اضافیهمچنین تمام مطالعات فوق با استفاده از داده های تاریخی قیمت سهام و/یا حجم معاملات ، قوانین معاملات را ایجاد کردند. آنها پارامترهای مؤثر دیگری را در بازگشت مانند سود سهام و تقسیم در نظر نگرفتند. با بررسی ساختار قوانین تجارت GP در مطالعات قبلی ، ما دریافتیم که آنها قوانین تجارت را با دو سیگنال خرید و فروش تولید می کنند. در حقیقت ، آنها تصور می کردند که تجارت باید هر روز انجام شود. از آنجا که گاهی اوقات هیچ تجارت بهترین تصمیم در تجارت سهام نیست ، گسترش مفیدی از قوانین معاملات شامل سیگنال "بدون تجارت" است. در این رویکرد ، ساختار قوانین تجارت باید تغییر کند تا سه سیگنال را به عنوان خرید ، فروش و بدون تجارت انجام دهد.

بنابراین ، هدف ما در اینجا بررسی کاربرد GP برای تولید سه قوانین تجارت فنی در سهام فردی در صورت اقدامات تعدیل شده ریسک و هزینه معامله است. همچنین شامل تمام عوامل مؤثر مانند سود سهام و تقسیم می شود. جدول 1 آثار قبلی را که از GP برای تولید قوانین معاملات در مقایسه با این مطالعه استفاده می کردند ، خلاصه می کند.

یادآوری این مقاله به شرح زیر سازماندهی شده است. در بخش بعدی الگوریتم GP معرفی شده است. سپس اقدامات تعدیل شده ریسک مورد بررسی قرار می گیرد و یک اندازه گیری برای مدل GP ما انتخاب می شود. در بخش 4 ساختاری برای گسترش قوانین تجاری مبتنی بر GP با سه سیگنال پیشنهاد شده است. یک مدل GP برای تولید قوانین معاملات تنظیم شده ریسک در بخش 5 ارائه شده است. سپس مدل GP گسترده ما در 10 شرکت ایرانی اجرا می شود و نتایج محاسباتی گزارش شده است. مقاله با نتیجه گیری ما بسته می شود.

قطعه قطعه

برنامه نویسی ژنتیکی

برنامه نویسی ژنتیکی به عنوان یک تکنیک هوش مصنوعی اخیراً با موفقیت برای استخراج دانش در قالب i f-then قوانین مورد استفاده قرار گرفته است و در زمینه های مختلف به ویژه در امور مالی و فنی مورد استفاده قرار گرفته است (Chou et al. ، 1997 ، Engelbrecht and Schoeman ، 2002)بشرKoza (1992) این تکنیک را برای اولین بار به عنوان پسوند الگوریتم ژنتیکی (GA) توسعه داد (هلند ، 1975). تفاوت اصلی بین GP و GA بازنمایی راه حل است. در پزشک عمومی ، فرد

اقدامات تنظیم شده خطر

در ارزیابی قوانین تجارت ، تنظیم ریسک به طور بالقوه اهمیت دارد زیرا استراتژی های پویا ، مانند مواردی که توسط پزشک عمومی یافت می شود ، اغلب خارج از بازار هستند (نیلی ، 2001). بنابراین ، استراتژی خرید و فروش ممکن است خطر بسیار کمتری نسبت به استراتژی خرید و نگه داشتن داشته باشد. اقدامات زیادی برای تنظیم ریسک برای تنظیم بازده ریسک وجود دارد. برخی از اقدامات در این مطالعه مورد بررسی قرار گرفته است که می تواند به شرح زیر طبقه بندی شود: •

اقدامات کلاسیک اولین اقدامات تنظیم شده ریسک است که بر اساس آن توسعه می یابد

گسترش ساختار قوانین معاملات به سه سیگنال

مطالعات قبلی قوانین تجارت باینری را ایجاد می کردند ، یعنی آنها فقط می توانند دو سیگنال خرید یا فروش برای تصمیمات تجاری را نشان دهند. بعضی اوقات ، هیچ کاری تصمیم بهینه در تصمیم گیری در دنیای واقعی نیست. از این رو ، هیچ تجارت نمی تواند یک تصمیم بهینه در تجارت سهام باشد ، که با قوانین تجارت باینری نشان داده نشده است. بنابراین ، ما ساختار قوانین معاملات قبلی را به قوانین سه گانه گسترش داده ایم که می تواند سه سیگنال خرید ، فروش و تجارت را تولید کند.

در این رویکرد یک trinary

برنامه نویسی ژنتیکی برای تولید قوانین تجارت

در این بخش تکنیک برنامه نویسی ژنتیکی به عنوان یک روش جستجو برای استخراج قوانین معاملات از داده های تاریخی گسترش یافته است. قوانین به عنوان ساختار درخت با سه خروجی سیگنال از جمله خرید ، فروش و بدون تجارت کدگذاری می شوند. در این رویکرد ، یک قانون تجارت از برخی پایانه ها و کارکردهایی تشکیل شده است که در بخش بعدی ارائه می شود. یک قانون معاملاتی با عمق D به صورت یک آرایه با اندازه 2 D-1 در Matlab کدگذاری می شود.

استفاده از مدل GP ما برای شرکت های ایرانی

مدل برنامه نویسی ژنتیکی گسترده ما در ده شرکت ایرانی ذکر شده در بورس اوراق بهادار تهران (TSE) اعمال شده است. ما قصد داریم سودآوری قوانین معاملات خود را بررسی کنیم و ریسک آنها بازده اضافی را در این شرکت ها تعدیل می کند.

نتیجه

در این مقاله ، تکنیک برنامه نویسی ژنتیکی (GP) برای تولید خودکار قوانین معاملات فنی در سهام فردی اعمال شده است. یک مدل GP با توجه به اهمیت ریسک در تصمیم گیری معامله گر و تأثیر هزینه معاملات ، سود سهام و تقسیم در بازده معاملات تدوین شده است. ساختار قانون تجارت نیز به سه سیگنال از جمله خرید ، فروش و بدون تجارت گسترش یافته است.

برای تنظیم ریسک مدل ما ، از بازده های تنظیم شده ریسک برای ارزیابی تناسب اندام استفاده می شود