الگوریتم‌­های معاملاتی هوشمند

📷

حمایت هوشمند از بازار سرمایه توسط معاملات الگوریتمی

شرکت دانش بنیان تحلیلگر امید به عنوان اولین و بزگترین شرکت معاملات الگوریتمی بازار سرمایه، بر خود واجب می‌داند تا با ارایه اطلاعات دقیق و شفاف جهت تنویر افکار عمومی و اطمینان خاطر سهامداران مبنی بر اراده حمایت جدی از بورس از سوی اشخاص حقوقی فعال در بازار سرمایه، موجبات رفع ابهامات احتمالی که به هر ترتیبی موجب ایجاد فضای منفی و نگرانی سهامداران می شود را فراهم کند.

مشتریان الگوریتم‌­های معاملاتی هوشمند تحلیلگر امید از طریق صندوق‌های تحت مدیریت یا از محل سهام خزانه یا سهامدار عمده طی دوره زمانی مذکور نسبت به بازارگردانی و حمایت شرکت‌های مختلف بورسی و فرابورسی در اندازه‌های مختلف به‌لحاظ ارزش بازار اقدام کرده است. ارزش بازار مجموع این سهام فقط در یکی از صندوق‌های بازارگردانی مرتبط با هلدینگ خلیج فارس، بالغ بر 620 هزار میلیارد تومان است که بیش از ده درصد از ارزش بازار بورس است. شایان ذکر است که مدیران این هلدینگ، با الگوریتم‌­های معاملاتی هوشمند ذکاوت تمام، همواره به هر شکلی در این مدت فقط و فقط رویکرد حمایتی داشته‌اند و از انواع ابزارها و الگوریتم‌های این مجموعه برای حمایت بهتر بازار بهره برده‌اند.

رویکرد شرکت تحلیلگر امید بعنوان پیشرو در تکنولوژی معاملات الگوریتمی بازار سرمایه ایران، همواره حمایت از بازار و تعمیق آن بوده است و در راستای فرهنگ‌سازی استفاده از تکنولوژی معاملات الگوریتمی قدم برداشته است. مثالی از این اقدامات می‌تواند جلسات متعدد با مدیران سازمان و شرکت‌های بورس و فرابورس و شرکت‌های سرمایه‌گذاری و هلدینگ‌ها در این مدت باشد که در دوران اصلاح بازار به صورت همه جانبه و با حداکثر توان از تمامی الگوریتم‌ها در جهت افزایش نقدشوندگی و حمایت از بازار استفاده کرده‌اند. گواه این ادعا این است که در بازارهای منفی اخیر، که درجه نقدشوندگی به شدت افت کرده بود، الگوریتم‌های حمایتی بازارگردان‌ها فعال بوده و حجم خرید آنها بیشتر از فروش بوده است؛ برای مثال 18 شهریور که اکثر نمادها در صف فروش بودند و حجم معاملات الگوریتم‌­های معاملاتی هوشمند کمتر از ۲۰۰۰ میلیارد تومان بود، الگوریتم‌های معاملاتی بیش از ۲ درصد معاملات را به عهده داشتند؛ گفتنی است که نماد پارس با استفاده از بازار گردانی الگوریتمی، بر خلاف روند منفی بازار، حجم معاملات خود را افزایش داده و قابلیت نقدشوندگی خود را در مقایسه با دیگر نماد ها حفظ کرده است.

درصد معاملات الگوریتمی در یک نماد به ارزش بازار بالای ۱۰۰ هزار میلیارد تومان (پارس)

۲/۶/۱۳۹۹

۱۳ ٪

۱۱/۶/۱۳۹۹

۲۶ الگوریتم‌­های معاملاتی هوشمند ٪

۱۲/۶/۱۳۹۹

۲۲ ٪

۱۶/۶/۱۳۹۹

۱۰ ٪

۱۸/۶/۱۳۹۹

۶۰ ٪

۲۲/۶/۱۳۹۹

۹ ٪

۲۳/۶/۱۳۹۹

۵/۶ ٪

۲۴/۶/۱۳۹۹

۷ ٪

۲۵/۶/۱۳۹۹

۶ ٪

۲۶/۶/۱۳۹۹

۱۹ ٪

۲۹/۶/۱۳۹۹

۱۳ ٪

در بازار بورس نزدیک به ۵۰۰ شرکت مجوز بازارگردانی روی سهام را دارند و مقالات متعددی از جمله مقاله وکتارمن در سال ۲۰۰۷ به سادگی اثبات می‌کنند که بازارگردانی الگوریتمی از ایجاد شوک‌ها و تنش‌های هیجانی در بازار جلوگیری می‌کند. در تمامی بازار‌های برتر بورس دنیا حداقل یک بازارگردان الگوریتمی روی هر سهم فعال است. عجیب است که برخی از فعالان بازار سرمایه، الگوریتم را باعث منفی شدن بازار می‌دانند. خوشبختانه شرکت‌های بورس و فرابورس بازارگردانی را از هفته پیش برای تمامی سهام بازار سرمایه الزامی کردند و این قدم بزرگی برای کنترل هیجان‌های مثبت و منفی بازار است.

ایجاد بازاری منصفانه و پیوسته مهم‌ترین وظیفه یک الگوریتم معاملاتی در عملیات بازارگردانی است که در این زمینه این شرکت ادعا می‌کند الگوریتم‌های منحصر بفردی را در اختیار دارد. این الگوریتم‌ها این امکان را به ناشر یا سهامدار عمده می‌دهد که با منابع محدود، اثر چندین برابری در نقدشوندگی سهام و کنترل هیجانات داشته باشد. برای مثال در یکی از سهم‌ها با منابع ۵۰ میلیارد ریالی در یک ماه گذشته، این الگوریتم بیش از ۳۰ میلیارد تومان خرید داشته است.

برخی از نتایج بکارگیری معاملات الگوریتمی برای سهامداران خرد به شرح ذیل است:

• هزینه کمتر معاملاتی برای سرمایه‌گذاران
• بهبود فرآیند‌های کشف قیمت و قیمت‌گذاری
• افزایش حجم معاملاتی و نقدشوندگی
• نوسان پذیری کمتر
• افزایش عمق بازار
• روند منطقی حرکت سهم و عدم دستکاری در قیمت به سادگی
• حداقل شدن تاخیر در اجرای سفارشات

تحلیلگر امید، اولین شرکتی است که در بازار سرمایه ایران مجوز بازارگردانی الگوریتمی را از سازمان بورس و اوراق بهادار برای صندوق‌ها و نهادهای مختلف مالی اخذ کرده است؛ در نتیجه تمام سفارشاتی که از طریق الگوریتم‌های امید به هسته معاملات ارسال می‌شود از جانب سازمان محترم بورس، رصد و در صورت مشاهده هر گونه تخلفی، تذکر داده می‌شود. ممکن است بعضی افراد به صورت غیرقانونی و بدون مجوز از الگوریتم‌ها استفاده کنند که ممکن است ریسک‌هایی را برای بازار سرمایه ایجاد کنند.

در پایان با توجه به نقش پررنگی که اینگونه معاملات در نقدشوندگی و روان بودن بازار ایفا می‌کنند، انتظار می‌رود تحلیلگران و اساتید بازار سرمایه در راستای فرهنگ‌سازی و آگاهی بیشتر مردم بیش از پیش قدم بردارند . این شرکت به صورت جدی آماده است که ابزارها و الگوریتم‌های خود را در اختیار صندوق‌ها، نهادهای مالی و ناشران جهت بازارگردانی هوشمند سهام قرار دهد و قطعا افزایش نقدشوندگی و کاهش هیجان سهام را پس از راه‌اندازی تضمین می‌کند.

منشأ معاملات الگوریتمی

در گذشته، سرمایه گذاران در جایگاه های مشخصی می نشستند و در حالی که جلو آن ها تعدادی صفحه نمایش وجود داشت، به اطلاعاتی که مرتبا در حال تغییر بود، خیره می شدند. با پیگیری دستی تحلیل ها و الگو ها که گاها لازم می شد در کاغذ و با دست کشیده شود، معامله گران به این نتیجه می رسیدند که چه وقت و کجا سفارش های خرید و فروش خود را در سامانه معاملاتی وارد کنند. در چند سال گذشته، بازارهای مالی، دستخوش تحولات گسترده ای در زمینه فناوری های کامپیوتری شده اند. سهم معاملات آنلاین به صورت نمایی رشد کرده و سرعت انجام معاملات در واحد زمان، به طور غیر قابل باوری در حال افزایش است. فراخور این پیشرفت ها، معامله گران نیاز به ابزارها و روش های نوینی برای عکس العمل سریع به تغییرات لحظه ای بازارها داشتند. کلیه این ابزارها و روش ها نهایتا به اجرای هرچه هوشمندتر معاملات و استفاده بیشتر الگوریتم‌­های معاملاتی هوشمند از قدرت پردازش کامپیوترها در خرید و فروش منجر می شود. معاملات هوشمند در بازارهای مالی دنیا به نام معاملات الگوریتمی شناخته می شود. در این مقاله، منشأ معاملات الگوریتمی و نحوه رشد آن در دنیا را مورد بحث قرار خواهیم داد.

منشأ معاملات الگوریتمی

جالب است که بدانید منشأ کلمه الگوریتم را یکی از نخستین و بزرگترین ریاضیدانان ایران به نام خوارزمی، تقریبا ۸۲۰ سال قبل از میلاد در کتابی با نام شرح محاسبات با اعداد مطرح کرد.

اولین نسخه موجود آنچه اکنون آن را الگوریتم می نامیم حاصل تلاش اقلیدس می باشد. او روش کارآمدی برای محاسبه بزرگترین مقسوم علیه مشترک دو عدد معرفی کرد که یکی از قدیمی ترین فرمول های عددی است که تا به امروز استفاده می شود.

در واقع الگوریتم فهرستی از دستورالعمل های از پیش تعریف شده است که برای انجام یک کار لازم می باشد و فرایندی است که دنباله ای محدود از عملیات را انجام می دهد. در الگوریتم ترتیب و توالی انجام عملیات اهمیت دارد. همچنین هر الگوریتم دارای نقطه آغازین و نقاط پایانی مشخص است.

با ظهور کامپیوتر ها از اوایل دهه ۱۹۶۰، علاقه شدیدی به استفاده از آن در بازار سهام به وجود آمد به نحوی که برای تحلیل قیمت سهام در بازه زمانی هفتگی تا ماهانه، استفاده از کامپیوتر رایج شد.

پیتر هاورلان، دانشمند طراح موشک در دهه ۱۹۶۰ که در آزمایشگاه پرتاب موشک، مسئول کنترل خط مسیر ماهواره بود، مدعی است که از اولین افرادی است که برای تحلیل داده های سهام بازارهای مالی از کامپیوتر استفاده کرده است. او میانگین متحرک نمایی را با استفاده از کامپیوتر محاسبه و با استفاده از آن کتاب trade levels reports را منتشر کرده است.

ورود کامپیوتر به بازار سرمایه دو تغییر در این حوزه به وجود آورده است. اول استفاده از کامپیوتر توسط سرمایه گذاران جهت تحلیل و هوشمندسازی فرایندهای معاملاتی و دوم تجهیز بازارهای مالی با سیستم آنلاین و در نتیجه افزایش سرعت و کیفیت دسترسی به اطلاعات بازار و ارسال سفارشات است.

با توجه به پیشرفت روزافزون قدرت محاسباتی کامپیوترها، انقلاب جدیدی در حال تکوین است. سرعت و کیفیت دسترسی به بازارهای مالی، باعث ایجاد انگیزه در استفاده از آنچه که به معاملات الگوریتمی معروف است، شده است. در واقع مهمترین محرک معاملات الگوریتمی، پیشرفت های فناوری است. اگر چه استفاده از معاملات الگوریتمی به اوایل دهه ۱۹۷۰ میلادی برمیگردد، اما مفهوم هوشمند سازی معاملات کمتر از ۱۰ سال است که در دنیا مطرح شده است.

نحوه رشد معاملات الگوریتمی در دنیا

📷

شروع واقعی معاملات الگوریتمی به صورتی که اکنون می شناسیم را می توان به ابداع معاملات جفتی که بعدا به عنوان آربیتراژ آماری (کسب سود از طریق اختلاف قیمت در دو ازار یا دو سهم مختلف) مشهور شد، نسبت داد. این الگوریتم توسط نونشیو تارتاگلیا که یک تیم فنی از دانشمندان رشته های مختلف را گرد هم جمع کرده بود، ارائه شد.

با افزایش قدرت محاسباتی کامپیوترها، تقریبا به صورت معجزه آسایی مطابق با قانون مور (سرعت رشد محاسبات پردازنده ها هر یک سال، دو برابر می شود)، کامپیوترها تبدیل به یک ابزار اصلی با توان محاسباتی قوی برای معاملات الگوریتمی شدند. به سرعت اکثر بازیگران اصلی بازار شروع به استفاده از الگوریتم ها کردند.

با پیشرفت قدرت محاسباتی کامپیوترها، معامله گرها قادر بودند تحلیل ها و محاسبات پیچیده تری را انجام دهند و با تغییر شرایط بازار، عکس العمل بسیار سریع تری نسبت به دیگران داشته باشند. اولین بار از معاملات الگوریتمی به منظور انجام معاملات بلوکی ( معاملات با ارزش ریالی بالاتر از ده میلیارد ریال یا تعداد اوراق سهام بیشتر از یک میلیون سهم) در دهه ۱۹۷۰، استفاده شد.

در اوایل سال ۲۰۰۰، معاملات الگوریتمی، مورد توجه بازار قرار گرفت. این محبوبیت باعث شد در کمتر از ۵ سال، در اوایل سال ۲۰۰۵ حدود ۲۵ درصد حجم معاملات بازار بورس آمریکا، به صورت الگوریتمی معامله شود.

به گفته دویچه بورس، در سال ۲۰۰۶ حدود ۳۷ درصد معاملات در بورس فرانکفورت، مبنای الگوریتمی داشته است. این رقم در سال ۲۰۰۸ به حدود ۴۳ درصد رسیده است.

جذابیت معاملات الگوریتمی آنقدر برای بازار محسوس شد که حجم این نوع معاملات در سال ۲۰۰۹ به عدد قابل توجه ۷۵ درصد رسید.

بنابراین، استفاده از معاملات الگوریتمی سال به سال در حال افزایش است و این موضوع در آمارهای مختلف به چشم می خورد.

در بازار بورس تهران، در سال های اخیر با جوان تر شدن مشارکت کنندگان در بازار، رویه خرید و نگهداری به مرور در حال جایگزین شدن با رویه های کوتاه مدتی معاملاتی است و این همان چیزی است که مطابق ا تمام بازارهای مالی در دنیا دور از انتظار نیست. افزایش سرعت معاملات و زیاد شدن نوسانات روزانه سهام از اولین مشخصه های حرکت به این سمت است.

سخن پایانی

زمانی که الگوریتم های معاملاتی برای اولین بار معرفی شدند، عمدتاً برای آربیتراژ، معاملات جفتی، استراتژی های بازار سازی و خودکارسازی طراحی شدند و در طول سال ها تکامل یافته اند. در مرحله بعدی، معامله‌گران الگوریتمی، تجزیه و تحلیل کمی را با استفاده از داده‌های واقعی برای ایجاد مدل‌های معاملاتی با استفاده از میانگین قیمت حجمی وزنی و سایر استراتژی‌های سرمایه‌گذاری ساده دنبال کردند. معامله گران همچنین بررسی کردند که چگونه می توان مدل را با توجه به شرایط متغیر بازار تنظیم کرد. در حال حاضر، مرکز توسعه حول محور ادغام یادگیری ماشین و پیشرفت‌های تکنولوژیکی مرتبط با استراتژی‌های الگوریتمی است.

تکنولوژی معاملات الگوریتمی

آنچه در این کتاب فراخواهید گرفت:
معرفی تکنولوژی معاملات الگوریتمی و مزایای استفاده از آن
پیشینه تاریخی و نحوه رشد معاملات الگوریتمی در دنیا
الگوریتم های پر کاربرد و اجرایی از معاملات الگوریتمی
HTF آشنایی با
معرفی 8 ابزار هوشمند در بازار سرمایه ایران جهت رصد سریع بازار
ساخت استراتژی معاملاتی هوشمند در 9 گام
انواع روش های مدریت ریسک و سرمایه
نحوه محاسبه حد ضرر با چندین روش استاندارد آنچه در این کتاب فراخواهید گرفت:
معرفی تکنولوژی معاملات الگوریتمی و مزایای استفاده از آن
پیشینه تاریخی و نحوه رشد معاملات الگوریتمی در دنیا
الگوریتم های پر کاربرد و اجرایی از معاملات الگوریتمی
HTF آشنایی با
معرفی 8 ابزار هوشمند در بازار سرمایه ایران جهت رصد سریع بازار
ساخت استراتژی معاملاتی هوشمند در 9 گام
انواع روش های مدریت ریسک و سرمایه
نحوه محاسبه حد ضرر با چندین روش استاندارد
آموزش برنامه نویسی یک سیستم معاملاتی هوشمند
آموزش فیلترنویسی در سایت بورس تهران
معرفی زیرساخت ارایه شده بازگردانی الگوریتمی در بازار بورس تهران . more

با آموزش معاملات الگوریتمی، استراتژی‌های معاملاتی خود را در کمترین زمان ممکن به‌صورت ربات‌های هوشمند درآورید و با دقت بسیار بالا آن‌ها را تست کنید!

استفاده از معاملات الگوریتمی با سرعت بسیار زیادی در حال رشد هستند. با افزایش قدرت محاسبانی کامپیوترها، کامپیوتر به‌عنوان یک ابزار اصلی برای معامله‌گران و شرکت‌های سرمایه‌گذاری تبدیل‌شده است.

پیشرفت تکنولوژی در همه جنبه‌های زندگی باعث تغییر زندگی بشر در تمام جنبه‌ها شده است. بازارهای مالی هم از این تغییرات مستثنا نیستند. استفاده از معاملات الگوریتمی با سرعت بسیار زیادی در حال رشد هستند. با افزایش قدرت محاسبانی کامپیوترها، کامپیوتر به‌عنوان یک ابزار اصلی برای معامله‌گران و شرکت‌های سرمایه‌گذاری تبدیل‌شده است.

کامپیوترها می‌توانند با سرعت بسیار بالایی اطلاعات جمع‌آوری کنند و با توجه به آن‌ها اقدام به معامله کنند. نیازی نیست قدرت محاسباتی و دقت کامپیوتر را با انسان مقایسه کنیم چون جواب آن واضح است.

در بازارهای پیشرفته دنیا، بازیگران اصلی (بانک‌ها، صندوق‌های سرمایه‌گذاری) از کامپیوتر برای تحلیلی و معاملات خود استفاده می‌کنند.

با استفاده از کامپیوترها معامله‌گران می‌توانند تحلیل‌های پیچیده‌تری انجام دهند و بسیار سریع، وارد موقعیت الگوریتم‌­های معاملاتی هوشمند معاملاتی شوند یا از آن خارج شوند.

در شکل زیر رشد معاملات الگوریتمی را از سال ۲۰۰۳ تا ۲۰۱۲ مشاهده می‌کنید.

معاملات الگوریتمی _ روند رشد از ۲۰۰۳ تا ۲۰۱۲

این سرعت رشد بسیار قابل‌توجه است. این عدد در سال ۲۰۱۵ به عدد ۹۳% رسیده است.

تغیر تکنولوژی باعث تغییر مشاغل در دنیا می‌شود و این مسئله کار را برای صاحبان مشاغل بسیار سخت کرده چون این امکان وجود دارد در زمان بسیار کوتاهی کل کسب‌وکار با ورشکستگی روبرو شود.

تا همین چند وقت پیش در تهران، در هر محله‌ای چندین آژانس مسافربری شهری وجود داشت. با ورود تاکسی‌های اینترنتی و استقبال عمومی مردم به آن، صاحبان این نوع کسب‌وکار آژانس به‌سرعت ورشکسته شدند.

همین موضوع در بازارهای مالی هم اتفاق خواهد افتاد. به دلیل حجم بالای اطلاعات در دنیای مالی و تعداد زیاد متغیرهای تحلیلگری، کامپیوترها بسیار بهتر و کاراتر از انسان قادر به معامله خواهند بود. پس معامله‌گران سنتی که قبلاً می‌توانستند در بازارهای مالی سود خوبی کسب کنند، دیگر قادر نخواهند بود که با ابرکامپیوترها و معامله‌گران الگوریتمی رقابت کنند.

یک مسئله بدیهی در بازار وجود دارد و آن این است وقتی شما در اثر انجام معامله‌ای زیان می‌کنید، طرف مقابل شما که آن معامله را با شما انجام داده سود می‌کند و برعکس.

درگذشته معمولا طرف مقابل شما انسانی با توانایی‌های تقریبا مشابه خود شما بود که شکست دادن او برای یک معامله‌گر حرفه‌ای خیلی کار سختی نبود.

ولی با گذشت زمان کم‌کم رقیب شما کامپیوتر است با توانایی هزاران برابر شما!

شاید بگویید تابه‌حال هیچ کامپیوتری هنوز ساخته نشده که بتواند مثل انسان فکر کند. من با شما موافقم.

ولی در اینجا مسئله مهم تحلیل مقدار زیادی اطلاعات و انتخاب بهترین نتیجه از بین میلیون‌ها راه ممکن است. در این مورد کامپیوترها بسیار بهتر و سریع‌تر و کم خطاتر عمل می‌کنند.

اصولاً در انجام کارهای تکراری مغز انسان بسیار ضعیف‌تر از کامپیوتر است. در معاملات هم مسئله مهم همین است: اجرای یک استراتژی معاملاتی الگوریتم‌­های معاملاتی هوشمند با شرایط مختلف بر روی محصولات مختلف و انتخاب بهترین آن‌ها.

تازه بازی به همین‌جا ختم نمی‌شود، این کار باید دائما در حال اجرا باشد تا در صورت تغییر شرایط بازار، ما هم استراتژی خود را بهینه کنیم.

یادگیری معاملات الگوریتمی به صورتی که بتوانید استراتژی‌های مختلف را به‌صورت ربات‌های هوشمند درآورید و آن‌ها را بهینه‌سازی کنید، توانایی است که از شما یک ماشین پول‌سازی می‌سازد.

به همین منظور میداس سرمایه برای ارتقای سطح کیفی افراد دوره معاملات الگوریتمی و بهینه‌سازی مقدماتی و پیشرفته (mql4, mql5) در 36 ساعت آموزش تهیه ‌کرده است. این دوره به‌صورت عملی روش تبدیل استراتژی‌های خود به ربات‌های هوشمند را فرا خواهید گرفت.

معامله‌گری شغل پر ریسکی است، استفاده از تحلیل تکنیکال در معامله‌گری روشی بسیار جذاب و پول‌ساز است. ولی همان‌طور که می‌دانید هر روشی با خطا مواجه است. خطا در معامله‌گری و اطلاعات ورودی، یعنی استقبال از زیان!

این خطا در بازارهای اهرمی بسیار خطرناک‌تر است.

با یادگیری تبدیل استراتژی معاملاتی به ربات هوشمند و بهینه‌سازی (کاهش خطا) امکان سوددهی خود را چندین برابر افزایش دهید.

آیا الگو ریتمیک تریدینگ برای بازار ایران کاربرد دارد؟

الگوریتمیک تریدینگ برای هر بازاری کاربرد دارد. معمولا این سوال از آنجایی مطرح می‌شود که چون نمی‌توان در بازارهای بورس ایران با اکسپرت به‌صورت آنلاین معاملات را باز و مدیریت کرد، پس الگو تریدینگ در بازار ایران کاربردی ندارد.

در الگو تریدنگ باز کردن، بستن و مدیریت معامله باز، شاید ۲۰ درصد از کل کار است؛ و ۸۰ درصد، تحلیل درست و دقیق از بازار و زمان ورود و خروج است.

درصورتی‌که شما معامله‌گری هستید که تعداد معاملاتتان در روز زیاد است، مسئله مدیریت پوزیشن‌ها و باز و بسته کردن آن‌ها به‌وسیله نرم‌افزار مهم می‌شود… ولی ازآنجاکه اکثر معامله گران بورس ایران، معاملات با فرکانس بالا انجام نمی‌دهند، الگو تریدینگ ابزاری بسیار مفید برای بازار ایران است.

وظیفه معاملات الگوریتمی

معاملات الگوریتمی ۴ وظیفه مهم را بر عهده دارد:

1. با جستجو در سهم‌ها و محصولات مختلف، بر اساس استراتژی معاملاتی که برای آن تعریف کردیم، فرصت‌های معاملاتی را تشخیص دهد.
2. پس از تشخیص اقدام به پوزیشن گیری کند.
3. مدیریت پوزیشن‌های بازشده را بر عهده گیرد.
4. بر کل فرایند معامله، با توجه به سیستم تعریف‌شده، مدیریت ریسک و سرمایه‌ای را انجام دهد.

درصورتی‌که هر ۴ مرحله باهم انجام شود به آن ”سیستم‌های کاملا خودکار” و درصورتی‌که تنها از چند عامل با توجه به سلیقه خودمان استفاده کنیم، به آن ”سیستم‌های نیمه‌خودکار” می‌گویند.

طراحی الگوریتم‌­های معاملاتی هوشمند الگوریتم‌­های معاملاتی هوشمند سیستم معاملات تکنیکی سهام با استفاده از مدل ترکیبی شبکه عصبی MLP و الگوریتم‌های تکاملی

1 استادیار دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، تهران، ایران.

2 دانشجوی دکتری مالی، دانشکده مدیریت و حسابداری پردیس فارابی، دانشگاه تهران، تهران، ایران.

3 استاد دانشکده مدیریت دانشگاه تهران، تهران، ایران.

چکیده

توسعه سیستم­های معاملاتی سهام با استفاده از الگوریتم­های تکاملی (EA) طی چند سال اخیر به موضوعی پرمخاطب در حوزه مالی مبدل ‌شده است. در پژوهش حاضر، سیستم معاملاتی تکنیکی هوشمند با بهره­گیری از مدلی مرکب از شبکه عصبی MLP و الگوریتم‌های تکاملی شامل الگوریتم ژنتیک (GA)، الگوریتم بهینه‌سازی مورچگان پیوسته (ACO_R) و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) پیشنهادشده است. داده‌های مربوط به 15 شرکت منتخب طی سال‌های 1387 تا 1396 بر اساس دوره‌های کوتاه‌مدت و بلندمدت و همچنین روندهای بازار صعودی، نزولی و خنثی موردبررسی قرار گرفته­اند. جهت انتخاب متغیرهای ورودی نهایی، از مقایسه رتبه بازدهی شاخص‌های تکنیکی بر اساس قواعد معاملاتی استفاده‌شده است. درنهایت، آزمون مقایسه زوجی بازدهی مدل‌ها در مقایسه با استراتژی خرید و نگهداری انجام شد و بازدهی مدل­ها با یکدیگر مقایسه شده است. نتایج تحقیق نشان می­دهد مدل­های ترکیبی MLP و الگوریتم های تکاملی عملکرد بهتر و معناداری نسبت به روش خرید و نگهداری و مدل MLP-BP داشته است و مدل MLP_PSO بازدهی بیش تری نسبت به سایر مدل­ها کسب کرده است.

کلیدواژه‌ها

• سیستم‌های معاملاتی هوشمند
• الگوریتم‌های تکاملی
• شبکه عصبی پرسپترون چندلایه
• قواعد معاملاتی تکنیکی
• استراتژی خرید و نگهداری

مراجع

* اعتمادی، حسین، انواری رستمی، علی اصغر، احمدیان، وحید، (1393)، ارزیابی توان پیش بینی سود فصلی هر سهم با استفاده از مدلهای سری زمانی و شبکه ی پرسپترون چند لایه (MLP). مهندسی مالی و مدیریت اوراق بهادار. شماره 23. تابستان 1394.

* بدیعی، حسین، رضازاده، روح اله، محمودی، هادی، (1396)، پیش بینی رفتار قیمتی سهام در بورس اوراق بهادار با استفاده از شبکه ی عصبی مصنوعی (مطالعه موردی شرکت پالایش نفت اصفهان). مهندسی مالی و مدیریت اوراق بهادار. شماره سی و یکم / تابستان 1396.

* بشیری، مهدی، وکیلیان، فاطمه، سوگندی، فاطمه، (1394)، تقریب منحنی رگرسیون اسپلاین با استفاده از الگوریتم ژنتیک. نشریه مهندسی و مدیریت کیفیت. جلد 5- شماره 1 - بهار 1394

* 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.

* سینایی، حسنعلی، مرتضوی،سعیدا. ، تیموری اصل، یاسر، (1384)، پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی. بررسیهای حسابداری و حسابرسی. سال دوازدهم شماره ٤١ پاییز 1384. ص 83-ص 59.

* فلاح پور، سعید، گل ارضی، غلامحسین، فتوره چیان، ناصر، (1392)، پیش بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار تهران. تحقیقات مالی.دوره 15. شماره 2. پاییز و زمستان 1392.

* محمدی، شاپور، موسوی سرحدی، سید علی، نوری بخش، محمد، (1396)، طراحی سیستم هوشمند خرید و فروش بر اساس مدلی مرکب از الگوریتم ماشین بردار پشتیبان و تئوری کانال روند. مجله مهندسی مالی و مدیریت اوراق بهادار. شماره سی و دوم / پائیز 1396.

* میزبان، هدیه سادات،افچنگی، زهرا، احراری، مهدی، آروین، فرشاد، سوری، علی، (1391). بهینه سازی سبد سهام با استفاده از الگوریتم ازدحام ذرات در تعاریف مختلف اندازه گیری ریسک. فصلنامه علوم اقتصادی.سال ششم.شماره 19.

* Covel, M.W., 2009. Trend Following (Updated Edition): Learn to Make Millions in Up or Down Markets, Pearson Education, New Jersey, 2009

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

* F. Allen, R. Karjalainen, Using genetic algorithms to find technical trading rules, J. Financ. Econ. 51 (1999) 245–271.

* A novel forecasting method based on multi-order fuzzy time series and technical analysis. Information Sciences 367–368 (2016) 41–57.

* Chung-Ho Su, Ching-Hsue Cheng, 2016. A hybrid fuzzy time series model based on ANFIS and integrated nonlinear feature selection method for forecasting stock. Neurocomputing205(2016)264–273.

* J.C. Principe, N.R, Euliano & W.C. Lefebvre. (1999). Neural and adaptive systems: Fundamentals through simulations. New York, USA: John Wiley & Sons. 10389–10397

* José Manuel Berutich, Francisco López, Francisco Luna, David Quintana, 2016. Robust technical trading strategies using GP for algorithmic portfolio selection. Expert Systems With Applications 46 (2016) 307–315

* Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. Proceedings of IEEE international conference on neural networks, Piscataway, NJ (Vol. 4, pp. 1942–1948). IEEE.

* Ling-xiao Cui, Wen Long, 2016. Trading strategy based on dynamic mode decomposition: Tested in Chinese stock market. Physica A 461 (2016) 498–508.

* Socha, M. Dorigo, Ant colony optimization for continuous domains, European Journal of Operational Research, Vol. 185, pp. 1155-1173, 2008.

* M.A.H. Dempster, C.M. Jones, A real-time adaptive trading system using genetic programming, Quant. Financ. 1 (2001) 397–413.

* M. Qiu, Y. Song. (2016). Predicting the Direction of Stock Market Index Movement Using an Optimized Artificial Neural Network Model. PLOS ONE | DOI:10.1371/journal.pone.0155133 May 19, 2016.

* Rajashree Dash, Pradipta Kishore Dash. (2016). A hybrid stock trading framework integrating technical analysis with machine learning techniques. The Journal of Finance and Data Science 2 (2016) 42-57.

* Rubell Marion Lincy G, Jessy John C, 2016. A multiple fuzzy inference systems framework for daily stock trading with application to NASDAQ stock exchange. Expert Systems With Applications 44 (2016) 13–21.

* Vadlamani Ravia, Dadabada Pradeepkumar, Kalyanmoy Deb. 2017. Financial time series prediction using hybrids of chaos theory, multi-layer perceptron and multi-objective evolutionary algorithms. Swarm and Evolutionary Computation 36 (2017) 136–149.

* Vasiliou, D., Eriotis, N., Papathanasiou, S., 2006. How rewarding is technical analysis? Evidence from Athens stock exchange, Oper. Res. 6 (2) (2006) 85–102.

* Xiao-dan Zhang, Ang Li, Ran Pan, 2016. Stock trend prediction based on a new status box method and AdaBoost probabilistic support vector machine. Applied Soft Computing 49 (2016) 385–398

* Yauheniya Shynkevich, T.M. McGinnity, Sonya A. Coleman, Ammar Belatreche, Yuhua Li, 2017. Forecasting price movements using technical indicators: الگوریتم‌­های معاملاتی هوشمند Investigating the impact of varying input window length. Neurocomputing 264 (2017) 71–88

* Youngmin Kim, Wonbin Ahn, Kyong Joo Oh, David Enke. An intelligent hybrid trading system for discovering trading rules for the futures market using rough sets and genetic algorithms. Applied Soft Computing 55 (2017) 127–140.

* Yong Hu, Kang Liu, Xiangzhou Zhang, Lijun Su, E.W.T. Ngai, Mei Liu. (2015). Application of evolutionary computation for rule discovery in stock algorithmic trading: A literature review. Applied Soft Computing. 36, 534–551