چکیده:
امروزه در بازارهای مالی حجم و سرعت معاملات افزایش چشم‌گیری یافته‌است و دچار تغییر و تحولات گسترده‌ای شدهاست. تعیین استراتژی مناسب برای خرید و فروش در بورس اوراق بهادار وقتی با روندهای افزایشی وکاهشی یا نوسانی مواجه هستند بسیار مهم می‌باشد .لذا برای انتخاب یک استراتژی مناسب، استفاده از مدل‌های پیچیده فراابتکاری استفاده می‌شود. در این تحقیق تلاش می-شـود تا با توسعه روش جدید انتخاب و بهینه‌سازی پرتفوی سهام مبتنی بر الگوریتم یادگیری جمعی و ژنتیک به منظور انتخاب بهترین استراتژی معاملاتی برای کسب بازدهی بیشتر و ریسک کمتر استفاده کرد. برای پیش بینی بازده و دریافت سیگنال خرید از ترکیب الگوریتم ماشین بردار پشتیبان شش کلاسه(SVM) و برای بهینه‌سازی قواعد معاملاتی از الگوریتم پویای ژنتیک استفاده شدهاست. برای بهبود دقت طبقه‌بندی بازده در این تحقیق از روش‌های یادگیری جمعی شامل Bagging، یکی از الگوریتم‌های مبتنی بر Ensemble Learning استفاده شده است .داده‌های مربوط به هر سهم و متغیرهای بنیادی، در یک بازه زمانی روزانه بین سالهای 1390 تا 1399 به عنوان داده‌های آموزش و آزمون استفاده می‌شود. نتایج بدست آمده درمقایسه با روش‌های سنتی نتایج امیدوارکننده‌ای داشته‌است.
The volume and speed of transactions in financial markets has increased significantly and has undergone extensive changes nowadays. Facing with increasing, decreasing or fluctuating trends in the stock market, determining the right trading strategy is very important. Therefore, complex meta-heuristic models are used for choosing a suitable strategy. In this research, an attempt is made to develop a new method of selecting and optimizing the stock portfolio based on the ensemble learning algorithm and genetics in order to select the best trading strategy to achieve greater returns and less risk. A combination of a six-class support vector machine (SVM) algorithm is used to predict returns and receive a buying signal; besides, a dynamic genetic algorithm is used to optimize trading rules. In this study, collective learning methods including Bagging, one of the algorithms based on Ensemble Learning, have been used to improve the accuracy of classification of returns. Data related to each share and fundamental variables in a daily time interval between years 1390 to 1399 is used as training and test data. The obtained results, comparing to traditional methods, are promising.
خلاصه ماشینی:
توسعه يک رويکرد جديد يادگيري جمعي براي انتخاب پرتفوي سهام با استفاده از ماشين بردار پشتيبان چند کلاسه و الگوريتم ژنتيک نسرين باقري مزرعه ١ تاريخ دريافت مقاله : ١٤٠٠/٠٦/٢٥ تاريخ پذيرش مقاله : ١٤٠٠/٠٧/٢٩ امير دانشور٢ مهدي معدنچي زاج ٣ چکيده امروزه در بازارهاي مالي حجم و سرعت معاملات افزايش چشم گيري يافته است و دچار تغيير و تحولات گسترده اي شده است .
در اين تحقيق تلاش ميشـود تا با توسعه روش جديد انتخاب و بهينه سازي پرتفوي سهام مبتني بر الگوريتم يادگيري جمعي و ژنتيک به منظور انتخاب بهترين استراتژي معاملاتي براي کسب بازدهي بيشتر و ريسک کمتر استفاده کرد.
براي بهبود دقت طبقه بندي بازده در اين تحقيق از روش هاي يادگيري جمعي شامل Bagging، يکي از الگوريتم هاي مبتني بر Ensemble Learning استفاده شده است .
سيستم معاملاتي پيشنهادي در اين تحقيق از دو مجموعه داده مختلف براي بررسي ارزندگي سهم هاي بورس ايران (از ابتداي سال ١٣٩٠ تا پايان سال ١٣٩٩) به منظور شبيه سازي استفاده شده است .
لذا در اين تحقيق براي پيش بيني و طبقه بندي بازده ماه آينده سهم و دريافت سيگنال خريد جهت تشکيل پرتفوي از ماشين بردار پشتيبان و الگوريتم طبقه بندي کننده Bagging که يکي از الگوريتم هاي مبتني بر Ensemble Learning استفاده شده و بر اساس تعريف قواعد معاملاتي و بهينه نمودن آن ها بر اساس ويژگيهاي تعريف شده با الگوريتم ژنتيک ، بيشترين بازدهي با حداقل ريسک (افت سرمايه ) در مقايسه با استراتژي خريدونگهداري بيشترين بازدهي براي سال ١٣٩٩ به دست آمده است .
(
, 
, 
)
