پيش بيني روند حركتي قيمت سهام با استفاده از XCS مبتني بر الگوريتم ژنتيك و يادگيري تقويتي

Predict the trend of stock prices using XCS based on genetic algorithms and reinforcement learning

پيشرفت ها در حوزه هوش مصنوعي و يادگيري ماشين به خصوص درزمينه محاسبات تكاملي نه تنها ما را قادر به تجزيه وتحليل موثرتر داده ها نموده است، بلكه اين امكان را فراهم ساخته كه از آن ها براي فهم هرگونه الگوي زيربنايي بازارهاي مالي استفاده گردد. اقتصاددانان، آماردانان و مدرسان امور مالي همواره علاقه مند به توسعه و آزمايش مدل هاي رفتاري قيمت سهام بوده اند. XCS سامانه اي مركب از الگوريتم ژنتيك و يادگيري تقويتي است كه به صورت برخط با محيط در تعامل بوده و توانايي يادگيري از تجربه هاي خود را دارد. در اين پژوهش مدلي ارائه مي گردد كه با استفاده از XCS به پيش بيني روند حركت قيمت سهام روز آتي يكي از شركت هاي فعال در بازار بورس تهران بر اساس داده هاي تاريخي و استفاده از نمايه هاي فني مختلف پرداخته است. سپس دقت پيش بيني مدل پيشنهادي در مقايسه با مدل قدم زدن تصادفي سنجيده شده است. نتايج حاكي است كه مدل پيشنهادي در مقايسه با مدل قدم زدن تصادفي از دقت پيش بيني بالاتري برخوردار است.

Developments for investigation in the area of artificial intelligence and machine learning, especially in the field of evolutionary computation not only enabled us for having more effective analysis of data, but also providing the ability to use it for understanding any underlying model of financial markets. Economists, statisticians, and finance teachers were always interested in the development and experiment of stock price behavioral models. XCS is a compound system of genetic algorithm and reinforcement learning, which has on-line interaction with the environment and the ability of learning from its own experience. In this study we will provide a model which predicts the movements of next day‘s stock price on one of the corporations in Tehran stock exchange based on historical data and different technical indicators by using XCS. Then, efficiency of the proposed model was measured in comparison with the random walk model. Results showed that the proposed model has more predicting accuracy in comparison with that random walk model