تنظيم پارامتر انديكاتور هاي تحليل تكنيكال با استفاده از بهينه سازي چندهدفه گروه ذرات و سيستم استنتاج تطبيقي فازي-عصبي

Parameter setting of technical analysis indicators using multi-objective particle swarm optimization and adaptive fuzzy inference system

در اين مقاله، يك سيستم معاملاتي خودكار كه از تركيب تحليل تكنيكال و سيستم استنتاج تطبيقي فازي-عصبي جهت پيش بيني روند قيمتي سهام و افزايش بازدهي حاصل از سرمايه گذاري استفاده مي كند، معرفي شده است. در سيستم معاملاتي معرفي شده، نخست با استفاده از الگوريتم بهينه سازي گروه ذرات پارامتر هاي بهينه انديكاتورهاي تحليل تكنيكال تعيين شده و با استفاده از خروجي اين انديكاتورها و سيستم استنتاج تطبيقي عصبي-فازي تغييرات قيمت سهم در دوره هاي بعدي پيش بيني مي گردد. نتايج اين پيش بيني ها به منظور تعيين زمان مناسب خريد و فروش سهام به منظور كسب بازدهي حداكثر و كاهش ريسك سرمايه گذاري استفاده مي شوند. به منظور تست سيستم معاملاتي معرفي شده، هشت سهم به تصادف از ميان سهم هاي موجود در بازار سرمايه ايران انتخاب شد و سيستم به مدت دو ماه بر روي آن ها آزمون گرديد. نتايج پژوهش نشان مي دهد كه با تنظيم پارامتر كردن انديكاتور هاي تحليل تكنيكال مي توان دقت حاصل از پيش بيني تغييرات قيمت سهام را افزايش داد و نيز بازدهي سرمايه گذاري را نسبت به روش هاي معمول در بازار سرمايه و پژوهش هاي پيشين بيشينه كرد.

In this paper, we propose automatic stock trading system which combines technical analysis and adaptive neural fuzzy inference system to predict the stock price trend to increase return of investment. In this trading system, at first the optimal value of technical indicatorʹs parameters is determined by using multi-objective particle swarm optimization and according to these parameters; technical indicators are calculated to predict stock price changes with the help of adaptive neural fuzzy inference system. We have chosen eight different stocks from Tehran stock exchange to test our trading system for two months. A computational experience is carried out in order to analyze the proposed algorithm and the obtained results are compared with usual conventional methods which have been proposed in previous researches. The computational results show our proposed method performs better than other previous methods and obtains superior results.