پیش بینی سیگنال معاملات سهام با استفاده از شبکه های پتری رنگی و الگوریتم ژنتیک (مطالعه موردی: بازار بورس تهران)

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 ژنتیکشبکه پتری رنگی در تولید سیگنال درست در مقایسه با روشهای شبکه های عصبی، درخت تصمیم و رگرسیون خطی است.

Prediction of Stock Trading Signal Using Colored Petri Nets and Genetic Algorithm (Case study: Tehran Stock Exchange)

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: fundamentalanalysisbased methods and technicalanalysisbased 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 shortterm. Most of the both methods use Artificial Intelligence (AI) techniques such as data mining and metaheuristic 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 stateoftheart methods, in terms of classification correctness.