طراحی الگوی تعیین راهبردهای معاملاتی سهام با رویکرد مبتنی بر آینده‌پژوهی، تحلیل بنیادی، مهندسی ویژگیها و الگوریتم‌ های یادگیری ماشین

مهندسی مالی و مدیریت اوراق بهادار

مقاله 21، دوره 11، شماره 45، دی 1399، صفحه 499-517   

نوع مقاله: مقاله پژوهشی

نویسندگان

سید مجید موسوی انزهایی؛ هاشم نیکو مرام^*

گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

سرمایه‌گذاران در بازار سهام همواره به دنبال روش های نوین و کارآمد جهت پیش بینی روند حرکت قیمت سهم و اتخاذ استراتژیهای معاملاتی مناسب بوده‌اند. این پژوهش با بهره‌گیری از مدلی مرکب از آینده پژوهی ، تحلیل بنیادی ، قواعد معاملاتی خبرگان و الگوریتم های یادگیری ماشین، الگویی جهت اتخاذ راهبردهای معاملاتی مناسب پیشنهاد می‌نماید. ابتدا با استفاده از نظر خبرگان وآینده پژوهی، سناریو های پیش روی بازار سهام طراحی و با انجام تحلیل بنیادی سبدی شامل شش سهم تشکیل می‌گردد . در مرحله بعد با استفاده از 7 الگوریتم یادگیری ماشین و داده های شرکت های منتخب در بازه زمانی 1393 تا 1398، مدلسازی جهت پیش بینی روند قیمت هر سهم منتخب صورت می‌گیرد. متغیرهای ورودی مدل شامل شاخص های تکنیکال، قواعد‌ تکنیکال، قواعد تابلوخوانی و داده‌های معاملاتی سهم می‌باشد. نتایج نشان می‌دهد، بکارگیری الگوی پیشنهادی برای سرمایه گذاری در بازار سهام بازدهی بالاتری را نسبت به شاخص کل بورس تهران ایجاد می‌نماید. همچنین بکارگیری راهبردهای معاملاتی کوتاه مدت مبتنی بر سیگنالهای مدل آموزش داده شده توسط الگوریتم تقویت گرادیان سبک (LGBM)، بازدهی بالاتری را در مقایسه با استراتژیهای خرید - نگهداری و تکنیکال برای سبد سهام منتخب ارایه می‏دهد.

کلیدواژه‌ها

راهبردهای معاملاتی؛ آینده‌پژوهی؛ الگوریتم LGBM؛ قواعد معاملاتی خبرگان؛ سیگنال‏های تابلوخوانی سهم

مراجع

فهرست منابع

1) باجلان،سعید، فلاحپور، سعید، دانا، ناهید(1395)، پیش بینی روند تغییرات قیمت سهم با استفاده از ماشین بردار پشتیبان وزندهی شده و انتخاب ویژگی هیبرید به منظور ارائه استراتژی معاملاتی بهینه، راهبرد مدیریت مالی، شماره چهاردهم، پاییز 1395.

2) تهرانی، رضا، هندیجانی زاده، محمد، نوروزیان، عیسی(1394)، ارائه رویکرد جدید برای مدیریت فعال پرتفوی و انجام معاملات هوشمند سهام با تاکید بر نگرش انتخاب ویژگی، دانش سرمایه گذاری، شماره سیزدهم، بهار 1394.

3) راعی، رضا، حسینی، فرهنگ (1394)،  مقایسه بازده خرید و فروش مبتنی بر نماگرهای تکنیکی و منطق فازی و روش ترکیبی الگوریتم ژنتیک منطق - فازی. مهندسی مالی و مدیریت اوراق بهادار. شماره بیست و چهارم، پائیز 1394.

4) رهنمای رودپشتی، فریدون، شیرین بیان، ندا(1395)، طراحی سبد سرمایه گذاری با استفاده از رویکرد سناریو نگری با بکارگیری روش برنامه ریزی بر پایه فرض، مهندسی مالی و مدیریت اوراق بهادار، شماره بیست و هشتم، پاییز 1395.

5) سارنج، علیرضا و همکاران(1399)، طراحی سیستم معاملات تکنیکی سهام با استفاده از مدل ترکیبی شیکه عصبی MLP و الگوریتم های تکاملی، دانش مالی و تحلیل اوراق بهادار.

6)  شاه منصوری، اسفندیار(1396)، آزمون سبد اوراق بهادار مبتنی بر راهبردهای بنیادی، تکنیکی و شهودی با اهداف و ویژگیهای رفتاری سرمایه گذاران بورس اوراق بهادار تهران، دانش سرمایه گذاری، سال ششم، شماره زمستان 1396. 

7)  غلامیان، الهام، داودی، سید محمدرضا(1397)، پیش بینی روند قیمت در بازار سهام با استفاده از الگوریتم جنگل تصادفی، مهندسی مالی و مدیریت اوراق بهادار، شماره سی و پنجم.

8) فلاح پور، سعید، گل ارضی، غلام حسین، فتورچیان، ناصر( 1392)، پیش بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار. دوره 15،

9) مشاری، محمد، و همکاران (1398)، طراحی مدل هوشمند ترکیبی جهت پیش بینی نقاط طلایی قیمت سهام، دانش سرمایه گذاری، سال هشتم، شماره بیست و نهم.

10) Alipour, M., Hafezi, V., M. Amer, M., Akhavan. A.N. (2017). A new hybrid fuzzy   cognitive map-based scenario planning approach for Iran's oil production pathways    in the post-sanction period. Energy 135, 851-864.

11) Amer M, Daim TU, Jetter A.(2013). Scenario planning for the national wind energy Sector through Fuzzy Cognitive Maps. In: Portland international center for Management of engineering and technology (PICMET): technology management in the it-driven services, 2013. p. 2153e62. San Jose, CA.

12) Atsalakis, G.S., Valavanis, K.P., (2009). Surveying stock market forecasting techniques part II: soft computing methods, Expert Syst. Appl.36 (3), 5932-5941.

13) Barak, Sasan, Arjmand, Azadeh, Ortobelli, Sergio (2016). Fusion of Multiple Diverse Predictors in Stock Market. Journal of Information Fusion, Accepted Manuscript.

14) Chermack, T.J. (2005). Studying scenario planning: theory, research suggesti and hypotheses Technol. Forecast. Soc. Chang. 72 (1), 59–73.

15) Choudry,R, Grag, K. (2008). A Hybrid Machin Learning System for Stock Market Forecasting.Word Academy of Science, Engineering and Technology, 39.

16) Fama, E.-F., Blume, M.-E., (1966), Filter rules and stock market trading, J. Bus. 39 (1), 226–241.

17) Gulin, Ke, et.al, (2017), LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Neural Information Processing Systems, 30.

18)Jing, Zhang, et.al.(2018), A novel data- driven stock price trend prediction system, Expert system with applications, 97,60 - 69.

19) Lawrence, R. (1997), Using Neural Networks to Forecast Stock Market Prices, 1-12.

20) Leung, M, T., Chen, A. S., & Daouk, H. (2000). Forecasting exchange rates general regression neural networks.  

21) Nanni, L., & Lumini, A. (2009). An experimental comparison of ensemble of   classi- fiers for bankruptcy prediction and credit scoring. Expert Systems with Applica- tions, 36, 3028–3033.

22) Pamučar, Ddragan, Ćirović, Goran, (2015), the selection of transport and handling resources in logistics centres using Multi-Attributive Border Approximation area Comparison (MABAC), Expert system with applications, 42, 3016- 3028

23) Patel, J, et.al. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machinelearnning techniques. Expert Systems with Applications, 42 (1), 259–268.

24) Shearer C. (2000), The CRISP-DM model: the new blueprint for data mining, J Data Warehousing (2000); 5:13—22.

25) Sarkar, Sobhan, et al. (2019), Application of optimized machine learning techniques for prediction of Occupational accidents,Computer & Operation research, 106, 210-224.

26) Shynkevich, Yauheniya, et al. (2017), forecasting price movements using technical indicators: Investigating the impact of varying input window length. Neurocomputing, 264   71–88.

27) Suryoday, Basak, et al., (2018), predicting the direction of stock market prices using tree-based classifiers, North American Journal of Economics and finance, In Press.

28) Trappey, C., Shin, T. and Trappey, A. (2007), “Modeling international investment decisions for financial holding companies”, European Journal of Operational Research, Vol. 180, pp. 800-14.

29) Xiaolei, Sun, Mingxi, Liu , Zeqian, Sima, (2020). A novel cryptocurrency price trend forecasting model base on LightGBM, Finance Research Letters, 32.

30) Xiao-dan Z., Ang L., Ran P., (2016), Stock trend prediction based on a new status   box method and AdaBoost probabilistic support vector machine, Journal of Applied    Soft Computing, 385-398.

31) Yufei, Xia, Chuanzhe, liu, YuYing, Li, Nana, Liu, (2017). Aboosted decision tree approach using Bayesian hyper_parameter optimization for credit scoring, Expert System with Application, 78, 225-241.