بهینه‌سازی الگوریتم معاملات زوجی پربسامد با استفاده از تلفیق الگوریتم ژنتیک و کنترل فرایند آماری فازی

در پژوهش حاضر مسئله اصلی بهبود عملکرد الگوریتم معاملات زوجی پربسامد با استفاده از تلفیق الگوریتم ژنتیک و کنترل فرایند آماری فازی است. برای این منظور دو فرضیه توسعه داده شده است. جامعه آماری شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران هستند که نمونه آماری به‌واسطه نیاز به معاملات پربسامد از 50 شرکت برتر محدود شده و از این میان 33 سهم در 9 صنعت انتخاب شدند. پس از پیاده‌سازی سه روش پایه، کنترل فرایند آماری فازی و روش ترکیبی ژنتیک الگوریتم کنترل فرایند آماری فازی نتایج عملکرد روش‌ها با یکدیگر مقایسه شدند. نتایج نشان داد، در روش پایه 43.100% بازده، در روش کنترل فرایند آماری فازی 55.28% بازده و در روش ترکیبی ژنتیک الگوریتم کنترل فرایند آماری فازی میانگین بازده 63.59% کسب شده است. در آزمون تی صورت‌گرفته بین بازده حاصل از روش‌های پایه و کنترل فرایند آماری فازی و همچنین روش‌های پایه و روش ترکیبی ژنتیک الگوریتم کنترل فرایند آماری فازی تفاوت آماری معنی‌داری وجود دارد. بر اساس نتایج مدل کنترل فرایند آماری فازی و الگوریتم ژنتیک که افزایش قابل تاملی نسبت به مدل‌های پیشین در افزایش متوسط بازدهی داشته است.

Optimization of High-frequency Pair Trading Algorithm Using a Combination of Genetic Algorithm and Fuzzy Statistical Quality Control

In this study, the main problem is to improve the performance of the highfrequency pair trading algorithm by using a combination of genetic algorithm and fuzzy statistical quality control. For this purpose, two hypotheses have been developed. The statistical population is companies listed on the Tehran Stock Exchange, that statistical sample was limited to the top 50 companies due to the need for highvolume transactions, and 33 shares in 9 industries were selected. After implementing three basic methods, fuzzy statistical quality control and the combined genetic algorithmfuzzy statistical quality control method, the performance results of the methods were compared with each other. The results showed that in the basic method 43.10% return, in the fuzzy statistical quality control method 55.58% return and in the combined genetic algorithmfuzzy statistical quality control method the average return was 63.59%. In ttest, there is a statistically significant difference between the specific performance of the basic methods and fuzzy statistical quality control, as well as the basic methods and the combined geneticfuzzy statistical algorithm quality control. Based on the results of fuzzy statistical quality control model and genetic algorithm, which has a significant increase compared to previous models in increasing the average return.