طراحی الگوی تعیین راهبردهای معاملاتی سهام با رویکرد مبتنی بر آینده‌پژوهی، تحلیل بنیادی، مهندسی ویژگیها و الگوریتم‌ های یادگیری ماشین

سرمایه‌گذاران در بازار سهام همواره به دنبال روش های نوین و کارآمد جهت پیش بینی روند حرکت قیمت سهم و اتخاذ استراتژیهای معاملاتی مناسب بوده‌اند. این پژوهش با بهره‌گیری از مدلی مرکب از آینده پژوهی ، تحلیل بنیادی ، قواعد معاملاتی خبرگان و الگوریتم های یادگیری ماشین، الگویی جهت اتخاذ راهبردهای معاملاتی مناسب پیشنهاد می‌نماید. ابتدا با استفاده از نظر خبرگان وآینده پژوهی، سناریو های پیش روی بازار سهام طراحی و با انجام تحلیل بنیادی سبدی شامل شش سهم تشکیل می‌گردد . در مرحله بعد با استفاده از 7 الگوریتم یادگیری ماشین و داده های شرکت های منتخب در بازه زمانی 1393 تا 1398، مدلسازی جهت پیش بینی روند قیمت هر سهم منتخب صورت می‌گیرد. متغیرهای ورودی مدل شامل شاخص های تکنیکال، قواعد‌ تکنیکال، قواعد تابلوخوانی و داده‌های معاملاتی سهم می‌باشد. نتایج نشان می‌دهد، بکارگیری الگوی پیشنهادی برای سرمایه گذاری در بازار سهام بازدهی بالاتری را نسبت به شاخص کل بورس تهران ایجاد می‌نماید. همچنین بکارگیری راهبردهای معاملاتی کوتاه مدت مبتنی بر سیگنالهای مدل آموزش داده شده توسط الگوریتم تقویت گرادیان سبک (lgbm)، بازدهی بالاتری را در مقایسه با استراتژیهای خرید نگهداری و تکنیکال برای سبد سهام منتخب ارایه می‏دهد.

Developing Pattern for Determining Trading Strategies, with an approach based on Future study, Fundamental Analysis, Feature Engineering and Machine Learning Algorithms.

Investors in stock market, always seeking for novel and efficient methods to predict stocks price and make the appropriate trading strategies. This paper propose a pattern for implementing appropriate strategies with a model composed of future studies, Fundamental analysis, expert trading rules and machine learning algorithms. First with use of feature study and expert’s opinion, stock market scenarios designed and a portfolio consist of 6 fundamental stocks is built. In next step for each selected stocks a model for stock price movement prediction is developed by means of related stocks data from 1393 to 1398 and 7 machine learning algorithms. Model inputs includes, technical indicators, technical trading rules, stock sign reading rules and stocks trading data. Results show that implementing proposed composed model for investment in stock market led to greater performance compared with Tehran stock market index and implementing short term trading strategies based on the model trained with light gradient boosting machine (LGBM) algorithm cause better performance in comparison with Buy Hold and Technical trading Strategies.