مدل طبقه بندی داده های بازار سرمایه توسط کاوش قوانین پیوستگی به صورت چندهدفه

یکی از مهمترین مسائل در حوزه مدرن مالی یافتن روش های موثر برای خلاصه سازی و متصور ساختن داده های بازار بورس می باشد تا بتوان اطلاعات مفیدی در مورد رفتار بازار بدست آورد و در راستای تصمیمات سرمایه گذاری بکار برد. بازار بورس سیستمی پیچیده، ناپایدار، بی نظم و غیر خطی می باشد. تعداد فراوان داده های ارزشمندی که توسط بازار بورس ایجاد می شود محققین را به این واداشته که از روش های مختلف داده کاوی جهت بررسی این موضوع استفاده کنند. هدف از انجام این تحقیق، ایجاد یک سیستم معاملاتی با استفاده از تکنیک های داده کاوی از جمله کشف قوانین پیوستگی به عنوان یک روش نوین و ابزار قوی، به همراه الگوریتم های فراابتکاری می باشد، که بتواند با بررسی روابط بین اندیکاتورها و داده های مالی، سیگنال های معاملاتی تولید کند و سرمایه گذار بتواند با استفاده از این سیستم برای تصمیم گیری، سود حاصل از سرمایه گذاری خود را بیشینه کند. در این تحقیق داده های بازار سرمایه شامل قیمت ها و 11 اندیکاتور مالی رایج تحلیل تکنیکی می باشد که الگوریتمی نوین بر مبنای الگوریتم سیستم ایمنی با ساختار چند لایه و تابع هدفی جدید، برای کشف تعدادی از بهینه ترین قوانین پیوستگی بین داده ها (اندیکاتورها) بکار برده می شود تا یک مدل طبقه بندی برای داده های مالی ایجاد نمود. سپس با استفاده از این مدل طبقه بندی می توان به ازای داده های جدید سیگنال های خرید و فروش گرفت و استراتژی معاملاتی برای سهام متفاوت بدست آورد. در نهایت بازده حاصل از مدل، با بازده معامله خرید و نگه داری آن سهام مقایسه می گردد. نتایج تحقیق نشان می دهد که نتایج حاصل از مدل پیشنهادی برای تمامی سهام انتخابی، بهتر از استراتژی های خرید و نگهداری می باشد. این مدل تاثیر بسیار زیادی در افزایش سوددهی معاملات در بازار سرمایه داشته و می تواند به عنوان ابزاری بسیار قدرتمند برای تصمیم گیری انجام معامله در بازار سرمایه مورد استفاده قرار گیرد. پس از مقایسه ی معیار های کارایی دو الگوریتم ژنتیک و سیستم ایمنی، نتایج نشان داد که این دو الگوریتم در مدل مذکور، از نظر کارایی تفاوت معناداری با یکدیگر دارند.