آمار
| تعداد نشریات | 29 |
| تعداد شماره‌ها | 431 |
| تعداد مقالات | 4,216 |
| تعداد مشاهده مقاله | 6,796,812 |
| تعداد دریافت فایل اصل مقاله | 5,043,868 |
پیش بینی سیگنال معاملات سهام با استفاده از شبکه های پتری رنگی و الگوریتم ژنتیک (مطالعه موردی: بازار بورس تهران) | ||
| پژوهشنامه مدیریت اجرایی | ||
| مقاله 7، دوره 11، شماره 21، شهریور 1398، صفحه 205-227 اصل مقاله (1.3 M) | ||
| نوع مقاله: فناوری(سیستم اطلاعاتی مدیریت، مدیریت دانش، برون سپاری، سیاستگذاری فناوری، انتقال فناوری، اکوسیستم فناوری، تجاری‌سازی فناوری، فناوری‌های پیشرفته، . . . ) | ||
| شناسه دیجیتال (DOI): 10.22080/jem.2020.17593.3034 | ||
| نویسندگان | ||
| علی قربانی1؛ محمود یحیی زاده فر* 2؛ سید علی نبوی چاشمی3 | ||
| 1دانشجوی دکتری مدیریت، دانشگاه آزاد اسلامی واحد بابل، بابل، ایران | ||
| 2استاد گروه مدیریت بازرگانی دانشگاه مازندران، بابلسر، ایران | ||
| 3مدیریت بازرگانی، دانشگاه آزاد اسلامی بابل، بابل، ایران | ||
| تاریخ دریافت: 22 آبان 1398، تاریخ بازنگری: 25 آذر 1398، تاریخ پذیرش: 05 بهمن 1398 | ||
| چکیده | ||
| اتخاد تصمیم در خصوص زمان خرید یا فروش سهام مساله ای چالش برانگیز برای سرمایه گذاران جهت افزایش سود و کاهش زیان در بازار سهام است. پیش بینی روند حرکت قیمت سهام و کشف نقاط تغییر جهت روند با استفاده از تحلیل تکنیکی، بدلیل کاهش تکرر تغییرات داده ها در کوتاه مدت، معمولا روشی است که نزد تحلیلگران نسبت به روشهای پیش بینی قیمت با تکیه بر تحلیل بنیادین، ارجحیت دارد. در این مقاله یک روش ترکیبی از الگوریتم ژنتیک و شبکه های پتری رنگی برای مدلسازی شبیه سازی و پیش بینی سیگنال خرید/فروش معاملات سهام ارائه می شود. قوانین معاملات سهام با استفاده از الگوریتم ژنتیک بر اساس بیشینه کردن میزان سوددهی تعیین می شود که روی داده های 162 شرکت پذیرفته شده در بازار بورس تهران در بازه زمانی 1 فروردین 1395 تا 1 فروردین 1397 اعمال می شود. نتایج ارزیابی ها حاکی از برتری روش ترکیبی ژنتیک-شبکه پتری رنگی در تولید سیگنال درست در مقایسه با روشهای شبکه های عصبی، درخت تصمیم و رگرسیون خطی است. | ||
| کلیدواژه‌ها | ||
| پیش بینی سیگنال؛ معاملات سهام؛ الگوریتم ژنتیک؛ شبکه های پتری رنگی؛ تحلیل فنی | ||
| عنوان مقاله [English] | ||
| Prediction of Stock Trading Signal Using Colored Petri Nets and Genetic Algorithm (Case study: Tehran Stock Exchange) | ||
| نویسندگان [English] | ||
| Ali Ghorbani1؛ Mahmood Yahyazadehfar2؛ S. Ali Nabavichashmi3 | ||
| 1PhD student, Department of financial management, Babol branch Islamic Azad University, Babol, Iran | ||
| 2Professor, Department of Management, Faculty of Economics and Administrative Science, University of Mazandaran, Babolsar, Iran. | ||
| 3Department of Business, Islamic Azad University, Babol Branch, , Babol, Iran | ||
| چکیده [English] | ||
| Deciding when to buy or sell stocks is a challenging problem for investors to increase incoming and decrease loss in stock market. Methods of predicting stock market in literature fall into two main categories: fundamental-analysis-based methods and technical-analysis-based methods. Predicting the trend of stock price movements and detecting changes of trend direction using technical analysis is generally preferred by analyzers in comparison with price prediction methods using fundamental analysis, due to data frequency reduction and less data variations in short-term. Most of the both methods use Artificial Intelligence (AI) techniques such as data mining and meta-heuristic approaches. AI based approaches suffer disadvantage of expert interaction necessity. In this paper a hybrid method of Genetic Algorithm (GA) and Colored Petri Nets (CPN) is proposed to model, simulate and predict buy/sell stock trading signals. CPN is a formal modeling language which supports mathematical simulation and markup language programming that reduces the necessity of human expert interaction in prediction approach. Stock trading rules are extracted from historical data of 162 companies in Tehran stock exchange weekly gathered from April 2016 till April 2018 using GA to maximize earning per share. Simulation results demonstrate that proposed method outperforms other state-of-the-art methods, in terms of classification correctness. | ||
| کلیدواژه‌ها [English] | ||
| Stock trading, signal prediction, Genetic Algorithm (GA), Colored Petri Nets (CPN), technical analysis | ||
| مراجع | ||
|
Abu-Mostafa, Y. S., & Atiya, A. F. (1996). Introduction to financial forecasting. Applied Intelligence, 6(3), 205-213. Chang, P. C., Fan, C. Y., & Liu, C. H. (2008). Integrating a piecewise linear representation method and a neural network model for stock trading points prediction. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 39(1), 80-92. Chang, P. C., Liao, T. W., Lin, J. J., & Fan, C. Y. (2011). A dynamic threshold decision system for stock trading signal detection. Applied Soft Computing, 11(5), 3998-4010. Chen, Y., & Hao, Y. (2018). Integrating principle component analysis and weighted support vector machine for stock trading signals prediction. Neurocomputing, 321, 381-402. Fallahpour, S., Gol Arazi, Gh. & Fotourehchian, N. (2013). Predicting movement of stock price trend using support vector machine based on genetic algorithm in Tehran Securities exchange. Financial researches, 15(2), pp. 269-288. (in Persian). Fat, R., Mic, L., Kilyen, A. O., Santa, M. M., & Letia, T. S. (2016). Model and method for the stock market forecast. In 2016 IEEE International Conference on Automation, Quality and Testing, Robotics (AQTR) (pp. 1-5). IEEE. Festa, P. (2014). A brief introduction to exact, approximation, and heuristic algorithms for solving hard combinatorial optimization problems. In 2014 16th International Conference on Transparent Optical Networks (ICTON) (pp. 1-20). IEEE. Gharoie Ahangar, R., Yahyazadehfar, M. & Pournaghshban, H. (2010). The comparison of methods artificial neural network with linear regression using specific variables for prediction stock price in Tehran stock exchange. International journal of computer science and information security, 7(2). Pp. 38-46. Holland, John H (1975). Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor. Huang, Q., Kong, Z., Li, Y., Yang, J., & Li, X. (2018). Discovery of trading points based on Bayesian modeling of trading rules. World Wide Web, 21(6), 1473-1490. Jensen, K. (2013). Coloured Petri nets: basic concepts, analysis methods and practical use (Vol. 1). Springer Science & Business Media. Jothimani, D., & Yadav, S. S. (2019). Stock trading decisions using ensemble-based forecasting models: a study of the Indian stock market. Journal of Banking and Financial Technology, 1-17. Khan, B. T., Javed, N., Hanif, A., & Raja, M. A. (2017). Evolving technical trading strategies using genetic algorithms: A case about Pakistan stock exchange. In International Conference on Intelligent Data Engineering and Automated Learning (pp. 335-344). Springer, Cham. Lu, Z., Long, W., & Guo, Y. (2018). Extreme Market Prediction for Trading Signal with Deep Recurrent Neural Network. In International Conference on Computational Science (pp. 410-418). Springer, Cham. Mabu, S., Hirasawa, K., Obayashi, M., & Kuremoto, T. (2013). Enhanced decision making mechanism of rule-based genetic network programming for creating stock trading signals. Expert Systems with Applications, 40(16), 6311-6320. Moradzadeh fard, M., Darabi, R. & Shah’alizadeh, R. (2014). Integrating artificial intelligence techniques for proposing stock price prediction model. Financial accounting and Auditing researches, 6(24), pp. 89-101. (in Persian). Motameni, H. & Farzai, S. (2017). Petri nets, extensions and applications. Olum-Rayaneh publication, Babol. Iran. Naik, N., & Mohan, B. R. (2019). Optimal Feature Selection of Technical Indicator and Stock Prediction Using Machine Learning Technique. In International Conference on Emerging Technologies in Computer Engineering (pp. 261-268). Springer, Singapore. Peterson L. (1981). Petri net theory and the modeling of systems. Prentice-Hall. | ||
|
آمار تعداد مشاهده مقاله: 887 تعداد دریافت فایل اصل مقاله: 519 |
||