واگرایی و کاربرد آن در تجزیه و تحلیل فنی

جدول 2 معاملات برای رویکرد GA و پارامترهای تعریف شده به عنوان قوانین تجارت

منبع (ها): توضیح خود

در دوره تجزیه و تحلیل ، نه (9) سیگنال خرید با سیگنال های فروش مربوطه و دوره های مختلف تصدی سرمایه گذاری در زمان بین 27 تا 195 روز دریافت شد. این تفاوت همچنین در بازده اسمی هر یک از این محدوده های نگهدارنده ارائه شده است که مقادیر آن از 7. 33 ٪ ، به 15. 16 ٪ را نشان می دهد. قوانین معاملاتی که توسط GA در طول دوره آموزش یافت می شود در جدول 2 ارائه شده است.

اگرچه پارامترهای نشانگر سنتی MACD فقط سه مورد است ، (خط متحرک بالاتر ، پایین حرکت و خط MACD ، جدول 2) ، استفاده از GA در این مطالعه امکان به دست آوردن دو پارامتر اضافی را دارد ، یعنی حد بالایی و حد پایین (جدول 2). این محدودیت ها اعتبار یا بی اعتبار بودن سیگنال های خرید یا فروش را که دریافت می شود تعیین می کند و با از بین بردن سیگنال ها هنگامی که تغییر روند قیمت هنوز بسیار مشخص نشده است ، امنیت بیشتری می بخشد. مقادیر دو پارامتر اضافی ، در این حالت ، حد بالایی برابر با 9 و حد پایین 5 بود ، همانطور که در جدول 2 نشان داده شده است. این محدودیت ها تعیین می کنند که یک سیگنال فروش فقط در هنگام عبور از خطوط MACD در نظر گرفته می شودو سیگنال MACD بالاتر از مقدار 9 نشانگر رخ می دهد ، در حالی که یک سیگنال خرید فقط در صورتی که عبور در یک نقطه پایین تر از مقدار 5 اتفاق می افتد ، معتبر خواهد بود.

ضرر متوقف شده و پارامترهای سود (6-9 در جدول 2) نیز در دستیابی به نتایج تحت GA نقش داشته است ، زیرا آنها پس از دریافت سیگنال های خرید یا فروش مربوطه ، طیف وسیعی از حرکت را به قیمت دارایی مالی تعیین می کنند ، که این امکان را می دهد. احتمال اینکه قیمت دارایی مالی پس از دریافت سیگنال خرید و قبل از اتمام معامله ، یا اینکه قیمت پس از دریافت سیگنال فروش و قبل از تکمیل فروش مربوطه ، به 5 ٪ بیشتر افزایش می یابد ، به 1 ٪ بیشتر کاهش یابد.

شکل 2 نتایج کاربرد سه استراتژی سرمایه گذاری را همزمان (TA ، GA و B&H) در دوره اعتبار سنجی GA (بین 07-01-2015 و 12-31-2017) از قوانین معاملاتی موجود در GA نشان می دهد. دوره آموزش.

شکل 2 همچنین نشان می دهد که در تاریخ 08-11-2015 سرمایه گذاری تحت سه استراتژی مورد تجزیه و تحلیل شروع می شود ، با مبلغ مساوی برای هر یک از آنها (5. 036. 790 دلار). پس از اتمام این سرمایه گذاری ، در 10-27-2017 ، ارزش تجمعی بالاتر GA (7. 658. 339 دلار) در مقایسه با دو استراتژی سرمایه گذاری دیگر (6. 701. 263 دلار برای استراتژی B&H و 5. 776. 270 دلار برای آن بدست می آید. استراتژی TA) ، همانطور که در شکل 2 نشان داده شده است.

شکل 2 مقایسه ای عملکرد تجمعی استراتژی های سرمایه گذاری GA ، B&H و TA

برای GA و استراتژی TA در برخی از بخش هایی از خطوط که روند آنها را منعکس می کند ، دامنه های افقی در جایی وجود دارد که هیچ ارزیابی یا کاهش ارزش سرمایه گذاری وجود ندارد ، زیرا مربوط به دوره هایی است که در آن فروش دارایی انجام شده است. پول از آن فروش تا زمانی که یک خرید جدید انجام شود برای نوسانات قیمت دارایی منعکس شده در حرکات رو به بالا و رو به پایین ارزش انباشته سرمایه گذاری نگه داشته می شود.

به طور کلی ، با پیشرفت زمان ، تعداد خرید و فروش معاملات برای GA و استراتژی TA افزایش می یابد ، که این امکان را می دهد تا ارزش انباشته سرمایه گذاری با روند استراتژی B&H متفاوت باشد. به همین ترتیب ، استراتژی TA تعداد بیشتری از معاملات (10 سیگنال خرید و 10 سیگنال فروش) را در مورد GA (9 سیگنال بخرید و 9 سیگنال بفروشید) ارائه داد. این امر به این دلیل است که استراتژی TA نسبت به حرکات رو به بالا و سقوط قیمت Nasdaq حساسیت بیشتری نشان می دهد. این به نوبه خود ، باعث می شود که با افزایش اندک در قیمت دارایی ، سیگنال های فروش تولید می شوند و ارزیابی های اضافی (با تداوم این افزایش حاصل می شود) ، همانطور که در 11-25-2016 و 05 اتفاق افتاده است.-2- 2017 هنگامی که سیگنال های فروش تحت استراتژی TA تولید شدند. با این حال ، پس از ریزش جزئی ، قیمت دارایی روند صعودی خود را حفظ کرد.

ارزش اولیه و ارزش نهایی جمع آوری شده سرمایه گذاری در هر یک از استراتژی ها در جدول 3 نشان داده شده است ، ارقامی که منجر به تعیین بازده اسمی در دوره تجزیه و تحلیل هر یک از آنها و همچنین هم ارزی آنها از نظر سالانه مؤثر می شوندنرخ ، برای داشتن یک رقم قابل مقایسه ، نه تنها در بین سه استراتژی مورد تجزیه و تحلیل بلکه با سرمایه گذاری در هر دارایی دیگری که می تواند به عنوان مرجع باشد. بنابراین ، 17. 13 ٪ است

جدول 3 عملکرد و عملکرد در معرض خطر استراتژی ها و پارامتر MACD

به دست آمده برای GA ، رقمی که به ترتیب بیش از 5 و 11 ٪ از استراتژی های B&H و TA فراتر می رود.

اگرچه پارامتر بیشترین علاقه به یک سرمایه گذار ، بازده سرمایه گذاری است ، چه از نظر ارزش تجمعی و چه از نظر درصد ، تجزیه و تحلیل سرمایه گذاری مالی فعلی نیاز به در نظر گرفتن همزمان بازده و ریسک فرض شده با هر سرمایه گذاری دارد. به همین دلیل ، نسبت عملکرد/ریسک به عنوان تقریب نسبت Socalled Sharpe مهم است ، که پاداش سرمایه گذار را برای ریسکی که او تصور می کند ، تعیین می کند. به این معنا ، ارزش بالاتری به عنوان محصول نسبت بازده/ریسک نشان دهنده جبران خسارت بالاتری در واحد ریسک فرضی است ، همانطور که مورد GA است ، که در مقایسه با استراتژی های سرمایه گذاری B&H و TA تفاوت 0. 0345 و 0. 0565 دارد. به ترتیب (جدول 3).

5. بحث و نتیجه گیری

به عنوان یکی از مطالعات پیشگام در زمینه آموزش قوانین فنی توسط GA ، رویکرد مبتنی بر GP که به دنبال آن آلن و کرجالینن (1999) با یافته های ما در تضاد است. اول ، در مطالعه آلن و کرجالینن ، هیچ شاخص فنی به صورت موقت انتخاب نشده یا به صورت اگزوژن پیشینی مشخص شده است. حتی اگر ، یک بازه زمانی گسترده تر از داده های تاریخی (1928-1995) در آلن و کرجالینن (1999 ، داده های تحت سقوط بازار سهام (معروف به دوشنبه در تاریخ 19 اکتبر 1987) نیز مورد مطالعه قرار گرفت. قوانین معاملات آموخته شده نه تنها می تواند واکنشهای بازار را در طول تصادف به تصویر بکشد (شاخص S&P 500 20. 5 ٪ از دست داده است) ، بلکه مهمتر از آن فراز و نشیب های قبل و پس از آن. شواهد این توسط گزارش زمان Snipper Market (1987) ارائه شده است. اینکه عدم توانایی در مورد آموزش های آموخته شده برای پاسخگویی به میزان معینی برای چنین رکودهای شدید در مورد تصادف بازار 1987 می تواند یک عامل مؤثر در عدم وجود قوام در بازده بیش از حد در آلن و کرجالین باشد (1999. از آنجا که قوانین معاملات داده های روزانه استفاده می شود ،تأثیر این رکودها در بازار در سال 1987 احتمالاً می تواند تأثیرات عمده ای در روند یادگیری داشته باشد تا در نهایت منجر به ناسازگاری بازده اضافی در آزمون خارج از نمونه شود ، همانطور که توسط یافته های آنها نشان داده شده است.

یک بینش گسترده تر از عملکرد کلی شاخص کامپوزیت NASDAQ به ما کمک می کند تا پیامدهای احتمالی را در مورد اینکه چرا عملکرد خوب NASDAQ در فعالیت قیمت ممکن است برای فرآیند یادگیری الگوریتم مطلوب باشد ، به ما کمک می کند ، زیرا این نشان از مهمترین اعتماد به روند قیمت تاریخی دارد. شاخص NASDAQ با نزدیک به 60 سال (از فعالیت های آغاز شده) از ده بار 500 S&P بهتر عمل کرده است (بازده تجمعی 258 ٪ در برابر 94 ٪ S&P 500) در طی دو دهه گذشته تنها (SLEN ، 2019). قیمت های تاریخی تحت مطالعه ما شامل داده هایی در بازه زمانی 2013-2017 بود که بیشتر واگرایی در سود تجمعی بین این دو شاخص رخ داده است ، یعنی از ابتدای سال 2015 به روز (SLEN ، 2019). علاوه بر این ، نوسانات NASDAQ منهای S&P 500 نوسانات در دوره تجزیه و تحلیل گزارش کرده است که (Þ) 2. 61 ٪ (و 33/333 تا 2019) به طور متوسط با بازده اضافی (Þ) 5. 91 ٪ به طور متوسط برای NASDAQ در مدت مشابه بالاتر است.(و 5. 59 ٪ تا 2019) در مقایسه با S&P 500 ، طبق گفته SLEN ، (2019). این امر می تواند به نظر برسد که ویژگی NASDAQ در داشتن 400 شرکت کمتر به نظر می رسد که توانایی قرار گرفتن در معرض بیشتر افراد موجود در شاخص را در برابر افراد S&P 500 و در نتیجه ، رانندگی به نوسانات بالاتر برای شاخص NASDAQ دارد. این واقعیت که نوسانات بالاتر همانطور که در شاخص NASDAQ مشاهده می شود ، مطمئناً یک ویژگی خوب برای فعالیت قیمت در شاخص دارد (با توجه به اینکه نوسانات با استفاده از انحراف استاندارد بازده روزانه محاسبه می شود و نشانه ای از حرکات قیمت بالا/پایین) نیز ممکن است کمک کندبرای توضیح تا حدودی بازده برتر و مداوم در مطالعه ما حتی پس از هزینه های معامله در مقایسه با یافته های آلن و کرجالینن (1999).

مطالعه در اولین مورد از نتایج ما در مورد سودآوری قوانین تجارت آموخته شده بر استراتژی های B&H ، مطالعه توسط مارتین و همکاران.(2018) در مورد تولید قوانین معاملاتی بر اساس شاخص های فنی S&P 500 از طریق یک روش مبتنی بر اصلاحات GA نشان داد که B&H می تواند به طور منطقی توسط استراتژی GP اجرا شده مورد ضرب و شتم قرار گیرد. با این حال ، مارتین و همکاران.(2018) وابستگی به زمان عملکرد الگوریتم نیز مشهود بود. ویژگی وابستگی ارجاع شده از استفاده از رویکردهای GABASED نشان داد که در محدوده 78-90. 5 ٪ در موارد بهبود یا ضرب و شتم B&H قوانین تولید شده را نشان می دهد. با توجه به بازه زمانی نسبتاً کوتاه مجموعه داده های ما برای تجزیه و تحلیل (2013- 2017) در مقایسه با آنچه در مارتین و همکاران تجزیه و تحلیل شده است.(2018) ، ممکن است استنباط کنیم که بیش از وابستگی به موقع که معمولاً در مارتین و همکاران مشاهده می شود.(2018) عملکرد برتر از شاخص در بازه زمانی مطالعه ما احتمالاً ممکن است نقش تعیین کننده ای در فرآیند یادگیری الگوریتم داشته باشد و از تأثیرات حداکثر رساندن عملکرد ما (بازده) پشتیبانی کند ، و در نتیجه ، تأثیر مثبتی در بیشتر مبتنی بر GA داشته استرویکرد بیش از گزینه های B&H و فقط فنی. عملکرد برتر از شاخص در بازه زمانی مطالعه ما احتمالاً ممکن است نقش تعیین کننده ای در فرآیند یادگیری الگوریتم داشته باشد و از تأثیرات حداکثر رساندن عملکرد ما (بازده) پشتیبانی کند ، و در نتیجه ، تأثیر مثبتی بر رویکرد مبتنی بر GA بر روی رویکرد GA داشته استگزینه های B&H و فقط فنی. علاوه بر این ، میزان وابستگی به زمان (در صورت وجود) احتمالاً به دلیل طول مجموعه داده های محدود تحت مطالعه ما در مقایسه با مارتین و همکاران ، نمی تواند کاملاً رونمایی شود.(2018) مطالعه.

نتایج ما شواهدی از عملکرد برجسته در بازده بیش از حد از قوانین تجارت آموخته شده به دنبال استراتژی مبتنی بر GA در مقایسه با بازده B&H و TA نشان می دهد و این سؤالات را ایجاد کرده است. اول ، آیا این امکان وجود دارد که رویکرد مبتنی بر GA در یادگیری قوانین تجارت برای بازده بیش از حد (ضرب و شتم B&H و TA) پس از هزینه های معامله در هنگام استفاده در شاخص سهام خوب ساختار یافته مانند NASDAQ 100؟ما به شدت اعتقاد داریم که در صورت داشتن هرگونه تأثیر طول داده های ما (پنج سال) بر فرآیند یادگیری الگوریتم ، این بازه زمانی نماینده پیش فرض در طی دو دهه گذشته شاخص Nasdaq 100 مورد مطالعه است. با این حال ، بر اساس یک شاخص سهام خاص خاص (NASDAQ 100) در بازه زمانی تجزیه و تحلیل (همانطور که در بالا گفته شد و توسط SLEN ، 2019 پشتیبانی شد) ، مطمئناً تنظیم دقیق پارامترها در نشانگر فنی (بهترین مقادیر) توسط الگوریتم GAاین امر منجر به حداکثر رساندن بازده نیز نسبت به یک TA سنتی به نظر می رسید ، و این در تغییر استراتژی B&H نشان می دهد که GA باعث تقویت مثبت تنظیم شده توسط TA می شود. این درها را برای سایر مطالعات در مورد بازه های زمانی طولانی باز می کند ، شاید از جمله بازار خرس ایالات متحده 2007-2009 با فراز و نشیب های تلفظ شده و مجموعه داده های تاریخی مختلط تر برای فرآیند یادگیری قادر به عدم تعادل در روند قیمت سهام باشد. برای پاسخ به سؤال اصلی ، یافته ها نشان می دهد که تنظیم دقیق پارامترهای فنی برای تجارت سودآور تحت استراتژی های مبتنی بر GA امکان پذیر است.

دوم، آیا قوانین معاملاتی آموخته شده مبتنی بر GA با استفاده از MACD با پارامترهای آن در بهترین مقادیر برای بازده اضافی مثبت، به طور کلی قابل اجرا هستند؟یقیناً برای هرگونه فرض عمومیت، به غیر از موارد ذکر شده، عوامل محدودکننده دیگری نیز وجود دارد. این واقعیت که به حداکثر رساندن بازده تابع هدف از یک فرآیند بیشینه‌سازی ناشی می‌شود، نشان می‌دهد که پارامترهای شاخص موجود در مطالعه ما لزوماً بهینه نیستند. اگرچه ممکن است یک مجموعه داده بزرگ‌تر برای رویکرد مبتنی بر الگوریتم ژنتیک برای عمیق‌تر کردن یادگیری قوانین معاملاتی ضروری باشد، اما نمی‌توانیم نتیجه بگیریم که آیا قوانین تجارت آموخته‌شده در مطالعه ما همچنان به همان شیوه عمل می‌کنند و نتایج قابل مقایسه ارائه می‌دهند یا خیر، و در نهایت،اثبات احمقانه برای کاربرد نامشخص در بازار. با این حال، این کار ممکن است پایه‌ای برای مطالعات آینده در مورد قوانین معاملاتی در حال تحول توسط GA با استفاده از بازه‌های زمانی گسترده تحلیل در شاخص‌های بازارهای نوظهور باشد که در آن فرآیند یادگیری قوانین معاملاتی می‌تواند با گرفتن نوسانات بالاتر و در نتیجه بازده مورد انتظار بالاتر که معمولاً با آن‌ها مرتبط است مورد بهره‌برداری قرار گیرد. بازارها (کوهرس و همکاران، 2006).

سوم، آیا شاخص فنی یک انتخاب معنادار برای راه اندازی مبتنی بر فنی (GA و فقط فنی) برای یک نتیجه سودآور است؟اگر ویژگی‌های بالقوه شاخص‌های دنبال‌کننده روند را در نظر بگیریم، این نوع شاخص‌ها در سنجش قدرت روندها خوب هستند و در نهایت، نشانه‌ای مطمئن از جهت گیری حرکت روند را ارائه می‌دهند. برای بازاری با روندهای قوی (با عملکرد بهتر در بازه زمانی تحلیل مانند مورد ما با NASDAQ 100)، به نظر می‌رسد شاخص‌های پیرو روند (مانند MACD، TA) در بهترین حالت خود عمل می‌کنند و ممکن است به طور گسترده‌تری در GA مورد بهره‌برداری قرار گیرند.

یافته های مطالعه ما ذاتاً دارای معایب مشخصه GA است.

راه حل یافت شده برای بازده حداکثر شده (از پارامترهای بهینه شده) فقط نتایج نزدیک به بهینه را نشان می دهد. تأیید بهینه بودن برای این نتایج (از یک رویکرد مبتنی بر GA) به ویژه دشوار است زیرا راه حل با استفاده از تکنیک های مرسوم از نظر محاسباتی امکان پذیر نخواهد بود. این جنبه به پاسخ به این سوال کمک می کند که آیا رویکرد GA ما خود بی عیب و نقص است و به عنوان یک معیار برجسته است. از سوی دیگر، سؤال دیگری در رابطه با مقایسه عملکرد بین رویکرد ما به کار گرفته شده در بازارهای سهام توسعه یافته و تثبیت شده مانند بازارهای سهام ایالات متحده (معیار) و بازارهای کمتر بالغ مانند آمریکای لاتین و آسیا مطرح می شود. مطالعه ما نشان داد که GA با بهبود قابل ملاحظه بازده در "معیار" B&H نتیجه‌گیری می‌کند و این دری را برای تحقیقات در جهات مختلف باز می‌کند.

ابتدا، نگاه کنید که چگونه چارچوب الگوریتمی با شرایط بازار محلی (به عنوان مثال نوسانات بالا و هزینه های مبادله ای) با وجود بین المللی شدن روزافزون بازارها ضروری است. با این حال، با توجه به کاهش در دسترس بودن اطلاعات در این بازارها و کیفیت گاه مشکوک اطلاعات، غیرقابل تردید است که اجرای استراتژی های GA در بازارهای نوظهور منجر به افزایش قدرت پیش بینی سرمایه گذاران محلی شود. دوم، وابستگی متقابل ناشناخته (اگر چنین است) بین داده ها و رویه جالب است که بررسی شود تا مشخص شود که آیا دقت بالای روش GA مستقل از رویه های مربوط به نحوه تقسیم داده ها برای اهداف آموزشی و اعتبار سنجی است یا خیر.

عبدل باست ، م. ، عبدل درست ، ل. و سانگایا ، ا. (2018) ، "الگوریتم های متهوریستی: یک بررسی جامع" ، اطلاعات محاسباتی برای داده های بزرگ چندرسانه ای در ابر با برنامه های مهندسی. doi: 10. 1016/b978-0-12-813314-9. 00010-4.[پیوندها]

Agudelo Aguirre ، A. A. ، Rojas Medina ، R. A. و Duque Mendez ، N. D. (2020) ، "یادگیری ماشین در بورس سهام از طریق شاخص میانگین واگرایی همگرایی متحرک (MACD)" ، مدیریت سرمایه گذاری و نوآوری های مالی ، جلد. 17 شماره 4 ، صص 44-60 ، doi: 10. 21511/IMFI. 17 (4) . 2020. 05.[پیوندها]

Allen ، F. and Karjalainen ، R. (1999) ، "استفاده از الگوریتم های ژنتیکی برای یافتن قوانین تجارت فنی" ، مجله اقتصاد مالی ، جلد. 51 شماره 2 ، صص 245-271 ، doi: 10. 1016/s0304-405x (98) 00052-x.[پیوندها]

Anggono ، A. and Herlanto ، A. (2019) ، "استراتژی سرمایه گذاری مبتنی بر میانگین حرکت نمایی و خط برگشت" ، بررسی تحقیقات یکپارچه تجارت و اقتصاد ، جلد. 8 شماره E ، صص 153-161.[پیوندها]

Bauto ، J. ، Canelas ، A. ، Neves ، R. and Horta ، N. (2018) ، "Sax/GA موازی برای تطبیق الگوی مالی با استفاده از GPU NVIDIA" ، سیستم های خبره با برنامه ها ، جلد. 105 شماره 5 ، صص 77-88 ، doi: 10. 1016/j. ESWA. 2018. 03. 026.[پیوندها]

Drezner ، Z. and Drezner ، T. (2020) ، "انتخاب والدین با الهام از بیولوژیکی در الگوریتم های ژنتیکی" ، Annals of Research Operations ، Vol. 287 ، صص 161-183 ، doi: 10. 1007/S10479-019-03343-7.[پیوندها]

Dubinskas ، P. and Urbsiene ، L. (2017) ، "بهینه سازی نمونه کارها سرمایه گذاری با استفاده از یک الگوریتم ژنتیکی" ، Ekonomika ، جلد. 96 شماره 2 ، صص 66-78 ، doi: 10. 15388/ekon. 2017. 2. 10998.[پیوندها]

Faijareon ، C. and Sornil ، O. (2019) ، "در حال تحول و ترکیب شاخص های فنی برای تولید استراتژی های معاملاتی" ، مجله فیزیک ، جلد. 1195 شماره 1 ، صص 66-78 ، doi: 10. 1088/1742-6596/1195/1/012010.[پیوندها]

Farias ، N. ، Silva ، J. and Sobeiro ، A. (2017) ، "بررسی ادبیات تجزیه و تحلیل فنی در بورس سهام" ، بررسی سه ماهه اقتصاد و امور مالی ، جلد. 66 ، صص 115-126 ، doi: 10. 1016/j. qref. 2017. 01. 014.[پیوندها]

Fu ، T. ، Chung ، C. P. و Chung ، F. (2013) ، "اتخاذ الگوریتم های ژنتیکی برای تجزیه و تحلیل فنی و مدیریت نمونه کارها" ، رایانه ها و ریاضیات با برنامه ها ، جلد. 66 شماره 10 ، صص 1743-1757 ، doi: 10. 1016/j. camwa. 2013. 08. 012 [پیوندها]

Gold ، S. (2015) ، "زنده ماندن شش قانون معاملات فنی محبوب در تعیین سیگنال های خرید و فروش مؤثر" ، مجله تحقیقات مالی کاربردی ، جلد. 2 ، صص 8-29 ، doi: 10. 2478/SBE2019-0054.[پیوندها]

Gupta-Bhattacharya ، N. ، Aganvd ، V. and Sachedeva ، J. (2014) ، "تأثیر عوامل اقتصادی و جمعیتی بر سرمایه گذاری بازار سهام در هند" ، مجله مدیریت آسیای جنوبی ، جلد. 21 ، صص 72-99.[پیوندها]

هلند ، جی. (1975) ، سازگاری در سیستم های طبیعی و مصنوعی ، دانشگاه میشیگان پرس ، آن آربور.[پیوندها]

Hsieh ، W. W.(2009) ، روشهای یادگیری ماشین در علوم محیطی. شبکه های عصبی و هسته ، انتشارات دانشگاه کمبریج ، کمبریج.[پیوندها]

ابراهیم ، م. (2011) ، "سطح و نوسانات قیمت سهام و سرمایه گذاری کل: پرونده تایلند" ، بررسی اقتصادی جهانی ، جلد. 40 شماره 4 ، صص 445-461 ، doi: 10. 1080/1226508x. 2011. 626155. [پیوندها]

ایوانوفسکی ، ز. ، ایوانوسکا ، ن. و ناراسانوف ، ز. (2017) ، "دقت تجزیه و تحلیل فنی در بورس مقدونیه" ، مجله اقتصاد UTMS ، جلد. 8 شماره 2 ، صص 105-118 ، موجود در: http://hdl. handle. net/10419/195299.[پیوندها]

Jacobsen ، L. and Kanber ، B. (2016) ، الگوریتم های ژنتیکی در اصول جاوا ، اسپرینگر ، نیویورک.[پیوندها]

کوهرس، جی.، کوهرس، ن. و کوهرس، تی (2006)، "ویژگی های ریسک و بازده بازارهای سهام توسعه یافته و در حال ظهور: شواهد اخیر"، نامه های اقتصادی کاربردی، جلد. 13 شماره 11، صص 737-743، doi: 10. 1080/13504850500407210.[لینک ها]

Kumar, N., Mohapatra, S. and Sandhu, G. (2013)، "اهمیت تحلیل فنی و بنیادی و سایر عوامل استراتژیک در سهام هند"، بررسی مدیریت: مجله بین المللی، جلد. 8 شماره 1، صص 38-75.[لینک ها]

مارتین، سی، کوینتانا، دی و ایساسی، پی (2018)، "تکامل استراتژی های معاملاتی با ساختارهای انعطاف پذیر: مقایسه پیکربندی"، محاسبات عصبی، جلد. 331, doi: 10. 1016/j. neucom. 2018. 11. 062.[لینک ها]

Metaxiotis، K. و Psarras، J. (2004)، "سهم شبکه های عصبی و الگوریتم های ژنتیک در حمایت از تصمیم گیری تجاری: اسطوره دانشگاهی یا راه حل عملی؟"، تصمیم مدیریت، جلد. 42 شماره 2، ص 229-242، doi: 10. 1108/00251740410518534.[لینک ها]

Metghalchi، M. and Garza-Gomez، X. (2013)، "استفاده از قوانین تجاری فنی برای پیش بینی حرکت کلی قیمت سهام"، مجله بین المللی مدیریت، جلد. 30 شماره 2، صص 678-691.[لینک ها]

مقدم، ع. ح، مقدم، م. ح. و اسفندیاری، م. (1395)، «پیش بینی شاخص بورس با استفاده از شبکه عصبی مصنوعی»، مجله علوم اقتصادی، مالی و اداری، ش. 21، ص 89-93، doi: 10. 1016/j. jefas. 2016. 07. 002.[لینک ها]

مورفی، جی. (1999)، تحلیل تکنیکال مرکادوس مالی، موسسه مالی نیویورک، بارسلونا.[لینک ها]

ناروال، K. P.، Sheera، V. P.، Mittal، R. و Soriya، S. (2018)، "رابطه ریسک و بازده برای سرمایه گذاری های بازار سهام: مطالعه شاخص نوسانات ضمنی ژاپن (VXJ)"، مجله جنوب آسیامدیریت، جلد. 25 شماره 1، صص 1-19.[لینک ها]

Redelinghuys, P. (2019)، "شناخت سیگنال خرید از فروش"، موجود در: https://bit. ly/3g10Hr8 (دسترسی در 16 فوریه 2020) [ پیوندها ]

Rosillo, R., de la Fuente, D. and Brugos, J. (2013)، "تحلیل فنی و بورس اسپانیا"، اقتصاد کاربردی، جلد. 45 شماره 12، صص 1541-1550، doi: 10. 1080/00036846. 2011. 631894. [ پیوندها ]

سزر، او. ب.، اوزبای اوغلو، ع. م. و داگدو، ای. (2017)، "یک سیستم معاملاتی سهام مبتنی بر شبکه عصبی مصنوعی با استفاده از تحلیل تکنیکال و چارچوب داده های بزرگ"، مجموعه مقالات ACM کنفرانس جنوب شرقی، صفحات 223-226، doi: 10. 1145/3077286. 3077294.[لینک ها]

Slen، F. (2019)، Nasdaq-100 نوسانات بالاتر از S&P 500، خدمات اطلاعات جهانی، موجود در: https://www. shorturl. at/aqER7 (دسترسی 09 نوامبر 2020).[لینک ها]

Snipper Market Timing (1987)، "The market Crash of 1987"، موجود در: https://snipermarkettiming. com/stock-market-crash-1987/ (دسترسی در 10 نوامبر 2020).[لینک ها]

سورنسن، ک. (2015)، "متاابت - استعاره آشکار"، معاملات بین المللی در تحقیقات عملیاتی، جلد. 22، ص 3-18، doi: 10. 1111/itor. 12001.[لینک ها]

Terence, T., Wing, N. and Venus, K. (2014)، "بازبینی عملکرد نوسانگرهای MACD و RSI"، مجله ریسک و مدیریت مالی، جلد. 7 شماره 1، ص 1-12، doi: 10. 3390/jrfm7010001.[لینک ها]

وانگ، جی و کیم، جی (2018)، "پیش بینی روند قیمت سهام با استفاده از MACD بهینه سازی شده توسط نوسانات تاریخی"، مسائل ریاضی در مهندسی، جلد. 2018، صفحات 1-12، doi: 10. 1155/2018/ 9280590. [ پیوندها ]

Zhang، J. و Maringer، D. (2016)، "استفاده از یک الگوریتم ژنتیک برای بهبود یادگیری تقویتی مکرر برای معاملات سهام"، اقتصاد محاسباتی، جلد. 47، ص 551-567، doi: 10. 1007/ s10614-015-9490-y [ پیوندها]

دریافت: 11 ژوئن 2020;پذیرش: 24 مه 2021

این یک مقاله با دسترسی آزاد است که تحت شرایط Creative Commons Attribution License توزیع شده است

Av. Alonso de Molina 1652, Surco, Lima-Perú Apartado postal 1846, Lima 100, Perú Telfs.: (51-1) 317-7200 / (51-1) 712-7200 فکس: (51-1) 345-1328