روش هاي مجموعه هاي راف و الگوريتم هاي ژنتيك در سيستم تركيبي هوشمند خريد و فروش براي كشف قوانين خريد و فروش بازارهاي آتي

The methods of Rough set and Genetic Algorithms in the Intelligent Hybrid Trading System for Disclosure of Futures Trading Rules

كشف قوانين هوشمند خريد و فروش تكنيكال از داده هاي پيچيده و غيرخطي بازار سهام و متعاقب آن توسعه سيستم هاي تصميم يا خريد و فروش كار دشواري است. هدف پژوهش حاضر توسعه سيستم تركيبي هوشمند خريد و فروش جهت كشف قوانين خريد و فروش تكنيكال از طريق تحليل مجموعه راف و الگوريتم ژنتيك است. مجموعه داده هاي مورد استفاده شامل 30 دقيقه باز، بالا، پايين، بسته و حجم قراردادهاي آتي شاخص مركب قيمت گذاري سهام بورس اوراق بهادار در بازه زماني 1390 تا 1396بود. به اين منظور توصيه مي گردد هنگام كشف قوانين خريد و فروش تكنيكال براي بازارهاي آينده و حل مسايل بهينه سازي، گسسته سازي و كاهش داده ها، تحليل مجموعه راف و در نهايت براي اتخاذ تصميمات بهينه خريد و فروش رويكرد الگوريتم ژنتيك مورد استفاده قرار گيرد. براي آزمودن مدل پيشنهادي و مقايسه آن با رويكردهاي متناظر، تصادفي، همبستگي و رويكردهاي الگوريتم ژنتيك مداخلاتي طراحي شد. همچنين، اين مداخلات جامع، بسياري از موضوعات سيستم خريد و فروش موجود، كاربرد روش پنجره لغزان، تعداد قوانين خريد و فروش و مدت دوره آموزشي را در برداشت. براي ارزيابي سيستم تركيبي هوشمند مداخلاتي روي داده هاي تاريخي شاخص مركب قيمت گذاري سهام بورس اوراق بهادار تهران انجام شد. به طور خاص، تحليل عملكرد خريد و فروش بر طبق مجموعه هاي مقرات تصميم و حجم دوره آموزش براي كشف قوانين خريد و فروش دوره آزمون انجام شد. يافته ها نشان داد مدل پيشنهادي در مقايسه با مدل معيار از نظر ميانگين بازدهي و مقياس ريسك تعديل شده عملكرد بهتري داشته است.

The discovery of intelligent technical sales rules from the complex and making systems for buying and selling is a difficult task. The purpose of this study is to develop an intelligent mixing system for buying and selling to discover the rules of technical sales through the analysis of the Rough series and the genetic algorithm. The datasets used included 30 open, up, down, closing and volume futures contracts of stock indexes in the stock market in the period from 2011 to 2017. For this purpose, it is recommended that when discovering technical rules for future markets and solving optimization problems, discretization and data reduction, analyzing the Ruff series, and ultimately, for making optimal decisions about buying and selling the approach of the genetic algorithm. To test the proposed model and compare it with corresponding approaches, randomizations, correlations and approaches to genetic algorithm interventions were designed. Also, these comprehensive interventions, many issues of the existing buying and selling system, the use of slider windows, the number of sales laws, and the duration of the training course. In order to evaluate the intelligent mixing system, interventions were carried out on historical data of the stock index of Tehran Stock Exchange. Specifically, the analysis of sales performance was performed according to decision sets and volumes of training courses to discover the rules for buying and selling the test period. The results showed that the proposed model had better performance in terms of average returns and adjusted risk scale compared to the benchmark model.