طراحي الگوي تعيين راهبردهاي معاملاتي سهام با رويكرد مبتني بر آينده پژوهي، تحليل بنيادي، مهندسي ويژگيها و الگوريتم هاي يادگيري ماشين

Developing Pattern for Determining Trading Strategies, with an approach based on Future study, Fundamental Analysis, Feature Engineering and Machine Learning Algorithms

سرمايه گذاران در بازار سهام همواره به دنبال روش هاي نوين و كارآمد جهت پيش بيني روند حركت قيمت سهم و اتخاذ استراتژيهاي معاملاتي مناسب بوده اند. اين پژوهش با بهره گيري از مدلي مركب از آينده پژوهي ، تحليل بنيادي ، قواعد معاملاتي خبرگان و الگوريتم هاي يادگيري ماشين، الگويي جهت اتخاذ راهبردهاي معاملاتي مناسب پيشنهاد مي نمايد. ابتدا با استفاده از نظر خبرگان وآينده پژوهي، سناريو هاي پيش روي بازار سهام طراحي و با انجام تحليل بنيادي سبدي شامل شش سهم تشكيل مي گردد . در مرحله بعد با استفاده از 7 الگوريتم يادگيري ماشين و داده هاي شركت هاي منتخب در بازه زماني 1393 تا 1398، مدلسازي جهت پيش بيني روند قيمت هر سهم منتخب صورت مي گيرد. متغيرهاي ورودي مدل شامل شاخص هاي تكنيكال، قواعد تكنيكال، قواعد تابلوخواني و داده هاي معاملاتي سهم مي باشد. نتايج نشان مي دهد، بكارگيري الگوي پيشنهادي براي سرمايه گذاري در بازار سهام بازدهي بالاتري را نسبت به شاخص كل بورس تهران ايجاد مي نمايد. همچنين بكارگيري راهبردهاي معاملاتي كوتاه مدت مبتني بر سيگنالهاي مدل آموزش داده شده توسط الگوريتم تقويت گراديان سبك (LGBM)، بازدهي بالاتري را در مقايسه با استراتژيهاي خريد - نگهداري و تكنيكال براي سبد سهام منتخب ارايه ميدهد.

Investors in stock market, always seeking for novel and efficient methods to predict stocks price and make the appropriate trading strategies. This paper propose a pattern for implementing appropriate strategies with a model composed of future studies, Fundamental analysis, expert trading rules and machine learning algorithms. First with use of feature study and expert’s opinion, stock market scenarios designed and a portfolio consist of 6 fundamental stocks is built. In next step for each selected stocks a model for stock price movement prediction is developed by means of related stocks data from 1393 to 1398 and 7 machine learning algorithms. Model inputs includes, technical indicators, technical trading rules, stock sign reading rules and stocks trading data. Results show that implementing proposed composed model for investment in stock market led to greater performance compared with Tehran stock market index and implementing short term trading strategies based on the model trained with light gradient boosting machine (LGBM) algorithm cause better performance in comparison with Buy& Hold and Technical trading Strategies.