طراحی یک سیستم معاملاتی خودکار با استفاده از شبکه عصبی پیچشی

در سال‌های اخیر مقالات و پژوهش‌های زیادی در زمینه‌ی استفاده از روش‌های یادگیری ماشینی و معاملات الگوریتمی در بازارهای مالی به منظور کسب بازدهی منتشر شده است. هدف این پژوهش ایجاد یک سیستم معاملاتی خودکار با استفاده از پردازش تصویر به وسیله‌ی شبکه عصبی پیچشی است. بدین منظور، در ابتدا پس از دریافت داده‌های مورد نیاز برای سهام منتخب، 28 اندیکاتور تحلیل تکنیکال انتخاب و مقادیر هر کدام به صورت جداگانه برای هر سهم محاسبه شد. سپس سری‌های زمانی این اندیکاتورها به تصاویر 2 بعدی تبدیل شده و در نتیجه برای هر داده روی سری زمانی قیمت سهم، یک تصویر دو بعدی با ابعاد 28×28 ساخته‌ شد. پس از برچسب‌گذاری هر تصویر با یکی از برچسب‌های خرید، فروش و نگهداری، این تصاویر به شبکه عصبی پیچشی وارد شدند. همچنین برای بررسی بازدهی و ریسک سیستم ارائه شده، یک روش برای خرید و فروش بر اساس نتایج مدل در زمان گذشته معرفی شده است. نتایج پژوهش نشان می‌دهد که در 80% موارد، این روش بازدهی بیشتری نسبت به استراتژی مرسوم خرید و نگهداری کسب کرده است. همچنین همواره از نظر معیارهای ریسک انحراف معیار و بیشترین افت بهتر عمل می‌کند. همچنین، نتایج نشان‌دهنده‌ی تاثیر زیاد کارمزد معاملات بورس اوراق بهادار تهران بر روی بازدهی مدل است. به گونه‌ای که مدل چند برابر سود کسب شده را برای پرداخت کارمزد از دست می‎دهد.

Designing an Automated Trading System Using Convolutional Neural Network

In recent years, many articles and researches have been published on the use of machine learning methods and algorithmic trading in financial markets in order to earn returns. The aim of this study is to create an automated trading system using image processing by convolutional neural network. For this purpose, initially, after receiving the data required for the selected stocks, 28 technical analysis indicators were selected and the values of each were calculated separately for each stock. Then the time series of these indicators were converted to 2D images, and as a result, for each data on the time series of the stock price, a 2D image with dimensions of 28 x 28 was created. After labeling each image with one of the buy, sell, or hold labels, these images entered the convolutional neural network. Also, to evaluate the return and risk of the proposed system, a method for buying and selling based on the results of the model in the past has been introduced. The results show that in 80% of cases, this method is more effective than the buy and hold strategy. It also always performs better in terms of standard deviation risk and maximum drawdown. Also, the results show the high impact of trading commission on the Tehran Stock Exchange on the return of the model. In such a way that the model loses many times the profit earned for the payment of the commission.