بهينه سازي پارامترهاي انديكاتورهاي تحليل تكنيكال براي داده هاي درون روزي با استفاده از الگوريتم الهام گرفته از پديده هاي نوري: مطالعه موردي بورس تهران

Optimization of technical indicators’ parameters for intraday data using optics – inspired optimization (OIO): a case study of Tehran stock exchange

در اين پژوهش يك سيستم معاملاتي سهام مبتني بر تركيب شش انديكاتور تكنيكال طراحي شده‌ است. براي تركيب اين انديكاتورها از شبكه عصبي مصنوعي استفاده شده‌‌ و بهينه‌سازي پارامترهاي اين انديكاتورها با الگوريتم فراابتكاري الهام‌ گرفته از پديده‌هاي نوري (اپتيك) مبتني بر تركيب محدب انجام شده‌است. در مدل ارائه‌شده با هدف بيشينه‌سازي نسبت شارپ اصلاح‌شده، پارامترهاي بهينه انديكاتورهاي تكنيكال با الگوريتم‌هاي اپتيك و ژنتيك به دست آمده‌است. در اين پژوهش از داده‌هاي درون‌روزي قيمت سهام استفاده شده و هزينه‌هاي معاملاتي لحاظ شده‌است. نتايج اين مدل با نتايج حاصل از به‌كار‌گيري پارامترهاي استاندارد انديكاتورها، نتايج حاصل از راهبرد خريد‌و‌نگه‌داري و نيز نتايج حاصل از به‌كار‌گيري الگوريتم ژنتيك براي بهينه‌سازي پارامتر انديكاتورها، در هر دو حالت روزانه و درون‌روزي مقايسه شده و به دليل كسب نسبت شارپ اصلاح‌شده بيشتر توسط مدل ارائه‌شده، در همه موارد برتري آن نشان داده‌شده‌است. همچنين در مقايسه نتايج در حالت‌هاي درون‌روزي و روزانه بر‌اساس معيار بازدهي پايان دوره بدون لحاظ هزينه‌هاي معاملاتي، در بيشتر موارد داده‌هاي درون‌روزي بازدهي بيشتري داشت لكن پس از لحاظ كردن هزينه‌هاي معاملاتي برتري در نتايج درون‌روزي مشاهده نمي‌شود. لذا كاهش هزينه معاملاتي براي افزايش انگيزه معامله‌گران در انجام معاملات درون‌روزي توصيه مي‌شود

In this paper a stock trading system based on the combination of six technical indicators is designed. The indicators are combined using an artificial neural network and their parameters are optimized using convex combination-based optics-inspired optimization (COIO) algorithm. In the proposed model the technical indicators’ optimized parameters are obtained using both COIO and genetic algorithms with the aim of maximization of modified Sharpe ratio. The presented paper uses stock intra-day prices as input data and considers the transaction costs. The designed strategy is compared against several other approaches including: using the indicators’ default parameters, buy and hold strategy and optimization using genetic algorithm, for both daily and intra-day prices and due to a greater modified Sharpe ratio for the proposed model, its superiority is shown in all cases. Moreover, in a comparison based on end- of- period returns, it is shown that without considering the transaction costs the results of the intra-day data beats the results of the daily data while no superiority is observed when considering the transaction costs. So reducing the transaction costs is recommended to motivate traders to trade on an intra-day basis.