استخراج قواعد چند مرتبه به منظور معاملات سهام با استفاده از ساختار شبكه اي و يادگيري بازگشتي كيو

Extracting Stock Multi-order Rules via Employing a Network Structure and Backward Q-Learning

معامله ­گران در بازار سهام به هنگام تصميم­ گيري در مورد خريد يا فروش سهم علاوه بر اطلاعات روز جاري سهم، اطلاعات سهم در روزهاي گذشته را نيز در نظر مي­ گيرند. به منظور تقليد از نحوه­ ي تصميم گيري معامله­ گران در امر سرمايه­ گذاري در سهام، الگوريتم قهرماني در ليگ ورزشي مجهز به تيم­ هايي با ساختار شبكه ­اي به جهت استخراج قواعد چند مرتبه، توسعه داده شده است. قوانين چند مرتبه توسط الگوريتم استخراج مي­ شوند كه در آن­ هر قاعده علاوه بر اطلاعات روز جاري، حاوي اطلاعات روزهاي گذشته نيز مي ­باشد بنابراين يك حافظه به منظور ذخيره اطلاعات مفيد در هر يك از قوانين ايجاد شده است. به منظور ارزيابي و بررسي عملكرد مدل­ ارائه شده از 20 سهم از شركت­ها در بخش­هاي مختلف صنعتي بازار بورس تهران استفاده شده است. در شبيه ­سازي سرمايه­ گذاري، مدل ارائه شده سود بيشتر يا ضرر كمتري را نسبت به مدل خريد و نگهداري و مدل برنامه نويسي شبكه ژنتيك ايجاد كرده است.

Traders in stock market consider stock information in the past few days as well as the current day information when making decision about selling or buying stock. To imitate stock traders’ style of decision-making, in this article, League Championship Algorithm (LCA) equipped with teams which have network structure has been introduced to extract multi-order rules. Multi-order rules would be extracted by LCA which not only contain the current day information, but also information of the previous days. Thus, a memory to store useful information has been created for each rule. To evaluate the model, 20 shares of companies in different industrial parts of Tehran stock exchange are used. In the testing simulation, the proposed model shows higher profits or lower losses than the buy & hold and genetic network programming models.