سیستم متخصص برای پیش بینی زمان بازار سهام با استفاده از نمودار شمعدان

این یکی از بزرگترین چالش ها برای پیش بینی بازار سهام بوده است. از آنجا که قیمت سهام به طرز چشمگیری متفاوت است ، تعیین زمان خرید و فروش سهام برای به دست آوردن بازده بالا از سرمایه گذاری سهام مهم است. در این مطالعه ، ما برای پیش بینی بهترین زمان بازار سهام ، یک سیستم متخصص تجزیه و تحلیل نمودار شمعدان یا یک مترجم نمودار ایجاد کرده ایم. سیستم خبره دارای الگوهای و قوانینی است که می تواند حرکات قیمت سهام آینده را پیش بینی کند. الگوهای تعریف شده با توجه به معانی آنها به پنج گروه طبقه بندی می شوند: در حال سقوط ، افزایش ، خنثی ، روند روند و روند روند. نتایج تجربی نشان داد که پایگاه دانش توسعه یافته می تواند شاخص های عالی را با نسبت ضربه متوسط 72 ٪ ارائه دهد تا به سرمایه گذاران کمک کند تا از سرمایه گذاری سهام خود بازده بالایی بگیرند. از طریق آزمایشات از ژانویه 1992 تا ژوئن 1997 ، ثابت شد که پایگاه دانش توسعه یافته وابسته به زمان و مستقل است.

معرفی

تعیین زمان بازار سهام ، چه زمانی خرید و فروش ، به دلیل پیچیدگی بازار سهام ، یک مشکل بسیار دشوار برای انسان است. بازار سهام کره از اواخر دهه 1980 تغییرات چشمگیری را تجربه کرده است. تعداد زیادی از سهام معامله شده و تغییرات در محیط های بازار باعث افزایش پیچیدگی بازار سهام کره شده است. علاوه بر این ، از آنجا که مناطق مالی و سرمایه گذاری برای بیگانگان باز شد ، پیچیدگی بازار سهام حتی بیشتر شد. از آنجا که بازار سهام کره بزرگتر و پیچیده تر شده است ، بازرگانان و سرمایه گذاران در بورس سهام در تصمیم گیری خود به دستیاران قدرتمند احتیاج دارند. با این حال ، معامله گران و سرمایه گذاران در بازار سهام به متخصصان زیادی نیاز دارند. توانایی انسان در تجزیه و تحلیل تمام داده ها نمی تواند انتظارات ما را برآورده کند. بنابراین ، برای پیش بینی بهتر بازار سهام ، سیستم های خبره ای که دارای روش های علمی ، سازمان یافته و سریع تجزیه و تحلیل سهام هستند ، علاقه خاصی دریافت کرده اند. از اواخر دهه 1980 ، برخی از محققان امور مالی و سرمایه گذاری شروع به استفاده از سایر فناوری های هوش مصنوعی (AI) و همچنین سیستم های متخصص برای پیش بینی بازار سهام کردند.

تکنیک های AI که برای بازار سهام اعمال می شود می توانند به چهار گروه طبقه بندی شوند: شبکه های عصبی ، الگوریتم ژنتیکی ، منطق فازی و سیستم متخصص. این روشها نتایج بسیار خوبی را نسبت به روش سنتی ، تجزیه و تحلیل آماری نشان داده اند. اما هر روش مزایا و معایب خاص خود را دارد.

شبکه های عصبی سه مزیت عمده دارند: (1) غیر خطی بودن، (2) استحکام و (3) سازگاری. اما آنها همچنین دارای معایبی هستند: (1) عدم توانایی توضیح، (2) مشکل در طراحی مدل ها (کامیجو و تانیگاوا، 1990، پارک و هان، 1995، یودا، 1994). الگوریتم های ژنتیک (GAs) دارای مزایای بالقوه ای مانند جستجو، بهینه سازی و یادگیری ماشین هستند. با این حال، مشکلاتی مانند عدم انعطاف پذیری وجود دارد (محفود و مانی، 1995، گلدبرگ، 1989). منطق فازی امکان گنجاندن قوانین معاملاتی ارائه شده توسط معامله گران را فراهم می کند و قابلیت توضیحی توصیه معاملاتی ارائه شده توسط سیستم را فراهم می کند. می تواند به شدت از اتکا به داده های کمی جلوگیری کند. اما هیچ قابلیت یادگیری وجود ندارد (Benachenhou، 1994، Man and Bolloju، 1995). سیستم های خبره (سیستم های مبتنی بر دانش) می توانند وضعیت بازار را توضیح دهند، الگوها را تفسیر کنند و برای تصمیم گیری سرمایه گذاران مفید باشند. نقص اصلی سیستم های مبتنی بر دانش، دشواری در کسب دانش حوزه است. با این حال، سیستم‌های خبره در صورتی می‌توانند کارآمدتر از روش‌های دیگر باشند که دانش باکیفیتی داشته باشند که سازماندهی شده و به خوبی رسمیت یافته باشد (بکمن، 1991، یاماگوچی، 1987، یاماگوچی و تاچیبانا، 1991، یاماگوچی و تاچیبانا، 1993).

به طور کلی دو نوع مشکل در سرمایه گذاری سهام وجود دارد: انتخاب سهام و زمان بندی بازار سهام. انتخاب سهام با انتخاب سهامی سروکار دارد که بازده بالایی به ما می دهد. زمان بندی بازار سهام به تعیین بهترین زمان برای خرید و فروش سهام اشاره دارد، با این فرض که قیمت سهام به طور مکرر در نوسان است.

در این مطالعه، به عنوان تلاشی برای بهبود عملکرد تعیین زمان‌بندی بازار سهام کره، سیستم خبره‌ای که از دانش در تجزیه و تحلیل نمودار شمعی استفاده می‌کند، توسعه داده شد. نمودار کندل استیک یک نمودار به سبک ژاپنی است که برای تجسم الگوهای قیمت سهام استفاده می شود. با استفاده از این نمودار شمعدانی، الگوهای مفید قیمت سهام که می تواند متضمن حرکت قیمت سهام باشد، تعریف شد و قوانین فروش بر اساس الگوها ایجاد شد. با الگوها و قوانین فروش، سیستم خبره توسعه یافته وظیفه حمایت از سرمایه گذاران سهام را برای تصمیم گیری صحیح در تعیین زمان بندی بازار سهام انجام می دهد.

بخش های باقیمانده مقاله به شرح زیر سازماندهی شده است. در بخش 2 ، ساختار سیستم خبره ارائه شده در این مطالعه توضیح داده خواهد شد. بخش 3 نتایج تجربی برای نسبت های HIT را با توجه به قوانین تعریف شده ، اندازه الگوی و شرکت ها نشان می دهد. بخش 4 این مطالعه را با آثار قبلی مقایسه می کند و در مورد چندین موضوع مربوط به پیش بینی زمان بازار سهام بر اساس الگوهای قیمت سهام بحث می کند. بخش 5 نتیجه گیری است.

قطعه قطعه

معماری سیستم

• 1. رابط کاربری پنجره ای است که از طریق آن یک سرمایه گذار می تواند اطلاعات را با سیستم تبادل کند.
• 2. موتور استنتاج و عملکرد توضیحات به رسمیت شناختن الگوی خودکار و تفسیر الگوهای. با کمک این اطلاعات ، سرمایه گذاران می توانند تصمیم به خرید یا فروش سهام بگیرند.
• 3. دانش

نتایج تجربی

سیستم تخصصی برای تعیین زمان بازار سهام از طریق یک ابزار برنامه نویسی PASCAL شی گرا ، Delphi که می تواند سلسله مراتب را در بین الگوهای نشان دهد ، آنها را به صورت کارآمد طراحی کرده و رابط کاربری را به راحتی پیاده سازی کرده و از کدها به طور کارآمد استفاده می کند. مجموعه داده های آزمایشی که برای پیش بینی استفاده می شود ، دوره ژانویه 1992 تا ژوئن 1997 را در بر می گیرد. از کلیه لیست های موجود در بورس ، دو شرکت از هر منطقه به طور تصادفی انتخاب شدند. ما سعی کرده ایم با

بحث

به تازگی ، تلاش هایی برای توسعه سیستم های متخصص برای کمک به سرمایه گذاران و بازرگانان در بازار سهام صورت گرفته است. بیشتر آنها با استفاده از روشهای یادگیری ماشین ، قوانین ساده یا الگوهای تعریف شده دارند (Braun and Chandler ، 1987 ، Zhu and Xiong ، 1994). همچنین ، برخی از تحقیقات بر روی شبکه های عصبی متمرکز شده است. نسبتاً ، با وجود این واقعیت که بازار سهام کره مشابه بازار سهام ژاپن است ، تحقیقات زیادی با استفاده از نمودار شمعدانی در تحقیقات داخلی کره انجام نشده است.

نتیجه

در این مطالعه ، ما یک سیستم متخصص را بر اساس تجزیه و تحلیل شمعدان تهیه کردیم تا زمان خرید یا فروش سهام را پیش بینی کنیم. برای تجسم حرکات قیمت سهام ، از نمودار شمعدان استفاده شده و از پایگاه دانش برای پیش بینی زمان بندی بازار سهام ساخته شده از الگوهای مختلف که می تواند دلالت بر حرکات قیمت سهام آینده داشته باشد ، استفاده شد. از طریق آزمایشات مربوط به داده های سرمایه گذاری واقعی سهام در پنج سال و نیم گذشته از ژانویه 1992 تا ژوئن 1997 ، سودمندی یک متخصص توسعه یافته

منابع (15)

• بکمن ، T. J.(1991). پیش بینی بازار سهام با استفاده از تجزیه و تحلیل فنی. کنگره جهانی سیستم های خبره.
• D. Benachenhou