عنوان مقاله :
توسعه يك روش هوشمند مبتني بر شاخص هاي تكنيكال فازي براي پيش بيني و معامله نرخ برابري يورو- دلار
عنوان به زبان ديگر :
Development of an intelligent method based on fuzzy technical indicators for predicting and trading the euro-dollar exchange rate
پديد آورندگان :
صادقي، عليرضا دانشگاه آزاد اسلامي واحد علوم و تحقيقات تهران - گروه مديريت مالي , دانشور، امير دانشگاه آزاد اسلامي واحد الكترونيكي تهران - گروه مديريت فناوري اطلاعات , معدنچي زاج، مهدي دانشگاه آزاد اسلامي واحد الكترونيكي تهران - گروه مديريت مالي
كليدواژه :
ماشين بردار پشتيبان , فاركس , شاخص هاي تكنيكال فازي , الگوريتم ژنتيك
چكيده فارسي :
امروزه بازار فاركس بزرگترين بازار مالي در دنيا ميباشد. تعيين استراتژي مناسب براي خريد يا فروش در بازار فاركس بر پايه پيش بيني از روند قيمت ها استوار است.لذا براي انتخاب يك استراتژي مناسب در فاركس، استفاده از مدل هاي پيچيده فراابتكاري استفاده مي شود. در اين تحقيق با پيش بيني روند بازار و بر اساس قواعد معاملاتي مبتي بر شاخص هاي تكنيكال فازي روش جديدي را براي سرمايه گذاري در بازار فاركس ارايه مي كند. براي پيش بيني، تركيبي از الگوريتم ماشين بردار پشتيبان تركيبي (HSVM) و براي طبقه بندي بازار در سه كلاس مختلف (روند صعودي، روند نزولي، بدون روند) و يك الگوريتم پوياي ژنتيك براي بهينه سازي قواعد معاملاتي استفاده شده است . براي تعيين قواعد معاملاتي از 5 شاخص تكنيكال فازي استفاده شده است.داده هاي جفت ارز يورو به دلار، در يك بازه زماني روزانه بين سال هاي 2010 تا 2019 به عنوان داده هاي آموزش و آزمون استفاده مي شود. نتايج بدست آمده در مقايسه با روش هاي سنتي نتايج اميدواركننده اي داشته است
چكيده لاتين :
Today, the Forex market is the largest financial market in the world. Determining the right strategy for buying or selling in the Forex market is based on predicting the price trend. Therefore, to choose a suitable strategy in Forex, complex meta-heuristic models are used. In this research, by predicting the market trend and based on trading rules based on fuzzy technical indicators, a new method for investing in the Forex market is presented. For forecasting, a combination of hyper support vector machine (HSVM) algorithm is used and for market classification in three different classes (uptrend, downtrend, sideway) and a dynamic genetic algorithm is used to optimize trading rules. Five fuzzy technical indicators have been used to determine the trading rules. Euro-dollar pair data is used as daily training and test data for a daily period between 2010 and 2019. The results obtained compared to traditional methods have had promising results.
عنوان نشريه :
مهندسي مالي و مديريت اوراق بهادار
