بهينه سازي ميانگين متحرك قيمت سهام در بورس اوراق بهادار تهران: رهيافت روش فرا ابتكاري الگوريتم ژنتيك بهبود دهنده ي تطبيق پذير

An Optimization of Moving Average Stock Price in Tehran Stock Exchange: Meta-heuristic approach Adaptive Improved Genetic Algorithm

براي پيش بيني قيمت سهام، ابزارهاي تكنيكال، مورد استفاده بوده و يكي از كاربردي ترين آنها، ميانگين هاي متحرك مي باشد. استفاده از دو ميانگين متحرك، متداول ترين روش براي يافتن نقاط خريد و فروش به موقع بوده كه نيازمند دو طول دوره هاي زماني مي باشد. طولهاي بهينه براي دو دوره زماني كوتاه مدت و بلند مدت براي هر سهم، با توجه به روند قيمتي اخير آنها، متفاوت است. يافتن اين طولهاي بهينه با روشهاي سنتي، هزينه بر بوده و معمولا به جواب بهينه سراسري نمي رسند. بهترين راه، استفاده از ابزارهاي هوشمند مانند الگوريتم ژنتيك است؛ الگوريتم ژنتيكي كه در اين تحقيق به كار رفته، الگوريتم ژنتيك بهبود دهنده تطبيق پذير(به اختصار ژبت) مي باشد كه خيلي سريع تر به جواب بهينه سراسري مي رسد. در اين تحقيق داده هاي شركتهاي برتر در صنايع مختلف بورس اوراق بهادار تهران از فروردين 1390 تا خرداد 1395 مورد ارزيابي قرار گرفته اند، نتايج نشان مي دهد كه با تنظيم دقيق پارامترها، الگوريتم به طولهاي بهينه ي دوره هاي زماني خواهد رسيد.

Predict the stock price is an important topic in financial markets. Is commonly use of technical tools in this area and one of them most functional, are moving averages. The use of two moving averages, the most common method to predict trends, which is in need of two periods. The optimal lengths for both short-term and long-term period for each stock, according to a recent trend, they are different. Find the optimal lengths with traditional methods of costly and often do not reach the global optimal answer. The perfect solution are using of smart tools such as genetic algorithms. Genetic algorithm have been used in this study, is Adaptive Improved Genetic Algorithm that much faster finds a global optimal answer. In this study, data's of the selected companies in diverse industries in Tehran Stock Exchange from April 2011 to March 2016 have been evaluated. The results show, when the algorithm reaches the optimal time period, which its parameters are correctly set.