پيش بيني سيگنال معاملات سهام با استفاده از شبكه هاي پتري رنگي و الگوريتم ژنتيك (مطالعه موردي: بازار بورس تهران)

(Prediction of Stock Trading Signal Using Colored Petri Nets and Genetic Algorithm (Case study: Tehran Stock Exchange

اتخاد تصميم در خصوص زمان خريد يا فروش سهام مساله اي چالش برانگيز براي سرمايه گذاران جهت افزايش سود و كاهش زيان در بازار سهام است. پيش بيني روند حركت قيمت سهام و كشف نقاط تغيير جهت روند با استفاده از تحليل تكنيكي، بدليل كاهش تكرر تغييرات داده ها در كوتاه مدت، معمولا روشي است كه نزد تحليلگران نسبت به روشهاي پيش بيني قيمت با تكيه بر تحليل بنيادين، ارجحيت دارد. در اين مقاله يك روش تركيبي از الگوريتم ژنتيك و شبكه هاي پتري رنگي براي مدلسازي شبيه سازي و پيش بيني سيگنال خريد/فروش معاملات سهام ارائه مي شود. قوانين معاملات سهام با استفاده از الگوريتم ژنتيك بر اساس بيشينه كردن ميزان سوددهي تعيين مي شود كه روي داده هاي 162 شركت پذيرفته شده در بازار بورس تهران در بازه زماني 1 فروردين 1395 تا 1 فروردين 1397 اعمال مي شود. نتايج ارزيابي ها حاكي از برتري روش تركيبي ژنتيك-شبكه پتري رنگي در توليد سيگنال درست در مقايسه با روشهاي شبكه هاي عصبي، درخت تصميم و رگرسيون خطي است.

Deciding when to buy or sell stocks is a challenging problem for investors to increase incoming and decrease loss in stock market. Methods of predicting stock market in literature fall into two main categories: fundamental-analysis-based methods and technical-analysis-based methods. Predicting the trend of stock price movements and detecting changes of trend direction using technical analysis is generally preferred by analyzers in comparison with price prediction methods using fundamental analysis, due to data frequency reduction and less data variations in short-term. Most of the both methods use Artificial Intelligence (AI) techniques such as data mining and meta-heuristic approaches. AI based approaches suffer disadvantage of expert interaction necessity. In this paper a hybrid method of Genetic Algorithm (GA) and Colored Petri Nets (CPN) is proposed to model, simulate and predict buy/sell stock trading signals. CPN is a formal modeling language which supports mathematical simulation and markup language programming that reduces the necessity of human expert interaction in prediction approach. Stock trading rules are extracted from historical data of 162 companies in Tehran stock exchange weekly gathered from April 2016 till April 2018 using GA to maximize earning per share. Simulation results demonstrate that proposed method outperforms other state-of-the-art methods, in terms of classification correctness.