سیگنالهای معاملاتی

رامین عسکریان 2021-06-6

0 181 3 دقایق

- نمودار جفت ارز AUDCAD در شکل زیر دارای روند نزولی می باشد. قله های قیمت در کانال نزولی مشخص شده اند.اندیکاتور MACD نیز در زیر خط صفر قرار دارد و مؤید روند نزولی می باشد.

طراحی یک مدل هوشمند جهت تعیین سیگنال های معاملات سهام با رویکرد داده کاوی

یکی از مهمترین مسائل در بازارهای مالی مدرن یافتن راههای کارآمد برای تلخیص و تجسم کردن اطلاعات بازار بورس می‌باشد. با حجم انبوه سیگنالهای معاملاتی از داده‌هایی که در بازار بورس تهران در هر لحظه ایجاد می‌گردد برای بررسی روابط میان داده‌ها و دست یافتن به اطلاعات نهفته آنها که تاثیر قابل ملاحظه‌ای در تصمیمات سرمایه-گذاران دارد به مدل‌هایی دست یافتیم. با استفاده از کلان داده‌های ارزشمند تولید شده توسط بازار سهام با استفاده از روش خوشه بندی افرازی و به کمک الگوریتم k-means به تعیین نقاط سیگنال معاملات سهام ‌پرداخته شده است. در این پژوهش از داده های صنایع خودرو و فرآورده های نفتی طی سال 1387 تا 1396 که با کمک بیست شاخص تکنیکی مدل سازی انجام پذیرفت. نتایج این پژوهش نشان داد که مدل مورد استفاده در شناسایی و پیش بینی سیگنال‌های فروش صادره در نقاط حداکثری دارای عملکرد قابل توجهی بوده و با دقت قابل قبولی قابل پیش بینی می‌باشند. در واقع این سیگنالها دارای خطای کمتری بوده و بهتر پیش‌بینی گردیده است.

کلیدواژه‌ها

مراجع

[1] Timmermann, A., & Granger, C. W. (2004). Efficient market hypothesis and forecasting. International Journal of forecasting, 20(1), 15-27.

[3] Skabar, A., & Cloete, I. (2002). Neural networks, financial trading and the efficient markets hypothesis. Australian Computer Science Communications, 24(1), 241-249.سیگنالهای معاملاتی

[4] Enke, D., & Thawornwong, S. (2005). The use of data mining and neural networks for forecasting stock market returns. Expert Systems with Applications, 29, 927–940.

[7] Kumar, M., & Thenmozhi, M. (2006). Forecasting stock index movement: A comparison of support vector machines and random forest.

[8] Hsu, C. M. (2011). A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming. Expert Systems with Applications, 38(11), 14026-14036.

[9] Vrahatis, M. N., Boutsinas, B., Alevizos, P., & Pavlides, G. (2002). The new k-windows algorithm for improving the k-means clustering algorithm. Journal of Complexity, 18(1), 375–391.

[10] Allen, F., Karjalainen, R., (1999), using genetic algorithms to find technical trading rules, Journal of Financial Economics, 51, 245-271.

[11] Kuo, R. J., Chen, C. H., & Hwang, Y. C. (2001). An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network. Fuzzy sets and systems, 118(1), 21-4

[12] Kuo, R. J., Liao, J. L., & Tu, C. (2005). Integration of ART2 neural network and genetic K-means algorithm for analyzing Web browsing paths in electronic commerce. Decision سیگنالهای معاملاتی Support Systems, 40(2), 355–374.

[13] Padmanabhan, B., & Tuzhilin, A. (2002). Knowledge refinement based on the discovery of unexpected patterns in data mining. Decision Support Systems, 33, 309–321.

[14] S.R. Nanda, B. Mahanty, M.K. Tiwari.(2010).Clustering Indian stock market data for portfolio management.Expert Systems with Applications ,37 ,8793–8798.

[16] Ballings, M., Van den Poel, D., Hespeels, N., & Gryp, R. (2015). Evaluating multiple سیگنالهای معاملاتی classifiers for stock price direction prediction. Expert Systems with Applications, 42(20), 7046-705.

بی ثباتی در سیگنالهای معاملاتی بازار کریپتو

بازارهای کریپتو روز سه شنبه به افت خود ادامه دادند. برخلاف ریزش‌های قبلی، خوش‌بینی با تعداد اندک معاملات در کف قیمت صورت گرفت که نتوانست برآیند بازار را به خوش بینی در کوتاه مدت گرایش بدهد. رفتار معامله گران نشان سیگنالهای معاملاتی می دهد که فعلا بازارها بی ثبات باقی خواهند ماند. صبر در شرایط فعلی مهم ترین استراتژی سرمایه گذاران خواهد بود.