كاوش قوانين پيوستگي كمي در بازار سهام با استفاده از الگوريتم هاي فراابتكاري چندهدفه مبتني بر الگوريتم ژنتيك

Mining quantitative association rules with stock trading data using multi-objective Meta heuristic algorithms based on genetic algorithm

پيش بيني بازده سهام موضوعي مهم در حوزه مالي است كه توجه محققان را براي سالهاي بسياري به خود جلب كرده است. سرمايه گذاران همواره در تلاش براي پيدا كردن راهي براي پيش بيني قيمت سهام و پيدا كردن سهام و زمان مناسب براي خريد و يا فروش هستند. اخيرا، از تكنيك هاي داده كاوي و تكنيك هاي هوش مصنوعي در اين حوزه استفاده مي شود. كشف قوانين پيوستگي يكي از رايج ترين روش هاي داده كاوي مورد استفاده جهت استخراج دانش از مجموعه داده هاي بزرگ است. برخي محققين كاوش قوانين پيوستگي را به عنوان يك مسئله چند هدفه بيان كرده اند، كه به طور مشترك چند معيار را براي به دست آوردن يك مجموعه با قوانين جالب تر و دقيق تر بهينه سازي مي كند. در اين پژوهش، يك مدل تكاملي چند هدفه جديد ارائه مي دهيم كه قابليت درك، جالب بودن و كارايي را به منظور كاوش مجموعه اي از قوانين پيوستگي كمي از داده هاي مالي، شامل 10 تا از رايج ترين نشانگرهاي تحليل تكنيكي، حداكثر مي كند. براي اين منظور، اين مدل، دو الگوريتم تكاملي چندهدفه معروف الگوريتم ژنتيك مرتب سازي نامغلوب II و الگوريتم ژنتيك رتبه بندي شده نامغلوب را براي انجام فراگيري تكاملي فواصل ويژگي ها و انتخاب شرايط براي هر قانون گسترش مي دهد. علاوه براين، مدل ارائه شده، يك جمعيت خارجي و يك فرايند شروع مجدد را براي مدل تكاملي به منظور ذخيره تمام قوانين نامغلوب يافته شده و بهبود تنوع مجموعه قوانين به دست آمده معرفي مي كند. نتايج به دست آمده بر روي داده هاي سهام در دنياي واقعي، اثربخشي روش ارائه شده را نشان مي دهد.

Forecasting stock return is an important financial subject that has attracted researchers’ attention for many years. Investors have been trying to find a way to predict stock prices and to find the right stocks and right timing to buy or sell. Recently, data mining techniques and artificial intelligence techniques have been applied to this area. Association discovery is one of the most common Data Mining techniques used to extract interesting knowledge from large datasets. In this paper, we propose a new multi-objective evolutionary model which maximizes the omprehensibility, interestingness and performance of the objectives in order to mine a set of quantitative association rules from financial datasets, including 10 common indicators of technical analysis. To accomplish this, the model extends the two well-known Multi-objective Evolutionary Algorithms, Non-dominated Sorting Genetic Algorithm II and Non-dominated Ranked Genetic Algorithm, to perform an evolutionary learning of the intervals of the attributes and a condition selection for each rule. Moreover, this proposal introduces an external population and a restarting process to the evolutionary model in order to store all the nondominated rules found and improve the diversity of the rule set obtained. The results obtained over real-world stock datasets demonstrate the effectiveness of the proposed approach.