ارائه الگوریتم های فرا ابتکاری برای بهینه سازی استراتژی های معاملات در بازار سرمایه بر اساس نشانگرهای تحلیل تکنیکی به صورت همزمان

عوامل بسیار زیادی وجود دارند که معامله گران بازار سرمایه آنها را به منظور تصمیم گیری برای تعیین زمان ورود به بازار و خروج از آن در نظر می گیرند که اکثر آنها در اهمیت این عوامل با یکدیگر اختلاف نظر دارند. بنابراین، نیاز به یک سیستم تصمیم ساز که بتواند شاخص ها و مبانی را به عنوان ورودی در یافت و به صورت نظام مند در تصمیم گیری برای تعیین زمان ورود و خروج، معامله گران را یاری نماید، به شدت احساس می شود. هدف از انجام این تحقیق، ایجاد یک مدل برای برای بهینه سازی سود حاصل از معاملات سهام بر اساس تحلیل تکنیکی می باشد. در این تحقیق، 8 شاخص رایج تحلیل تکنیکی برای تولید سیگنال خرید و فروش در هر قیمت پایانی مورد استفاده قرار می گیرند. با توجه به اینکه استفاده همزمان از شاخص ها برای انجام معاملات از اهمیت زیادی برخوردار است، به هر یک از شاخص ها وزنی اختصاص می یابد. با گرفتن میانگین وزنی سیگنالهای شاخص ها سیگنال نهایی خرید و فروش ایجاد می گردد. سپس، با استفاده از ابزارهای مهم الگوریتم ژنتیک، nsgaii و nrga، بهینه سازی وزن ها به گونه ای صورت می گیرد که سود کل حاصل از معاملات بهینه گردد. در الگوریتم های nsgaii و nrga بیشینه سازی دو تابع هدف سود معاملات و نسبت شارپ صورت می گیرد. پس از اجرای الگوریتم ها، در حالت الگوریتم ژنتیک با یک تابع هدف، استراتژی های مختلف معاملاتی با یکدیگر و با استراتژی خرید و نگهداری سهم و خرید دارایی بدون ریسک مقایسه می گردند و استراتژی برتر تعیین می گردد. در الگوریتم های nsgaii و nrga پس از اجرای مدل نتایج الگوریتم ها با یکدیگر و با استراتژی خرید و نگهداری و خرید دارایی بدون ریسک مقایسه می گردد. در نهایت کارایی الگوریتم های nsgaii و nrga با محاسبه شاخص های کارایی آنها با یکدیگر مقایسه می شوند. نتایج تحقیق نشان می دهد که نتایج حاصل از هریک از الگوریتم ها در همه چارچوب های زمانی بسیار بهتر از استراتژی های خرید و نگهداری و خرید داریی بدون ریسک می باشد و این مدل، تاثیر بسیار زیادی در افزایش سوددهی معاملات در بازار سرمایه دارد. بنابراین می تواند به عنوان ابزاری بسیار قدرتمند برای تصمیم گیری انجام معامله در بازار سرمایه مورد استفاده قرار گیرد. پس از مقایسه شاخص های کارایی دو الگوریتم nsgaii و nrga، نتایج نشان داد که این دو الگوریتم در مدل مذکور، تفاوت معناداری از نظر کارایی با یکدیگر ندارند.