استخراج قوانین معامله در بازار سهام با استفاده از محاسبات تکاملی دو سطحی

یکی از حوزه‌های پرکاربرد در بازارهای مالی، تولید قوانین تصمیم گیری به ‌منظور پیش‌بینی قیمت در بازارهای سهام است که این حوزه به دلیل کسب سود، همواره مورد توجه بسیاری از دانشگاهیان، سرمایه‌گذاران عادی و حرفه‌ای قرار گرفته است. هدف اصلی این مقاله، ارائه روشی تکاملی در جهت تولید قوانین تصمیم گیری معاملاتی است، که با اهمیت دادن به بهینه سازی پارامتر های موجود در قوانین، بتواند قوانینی موثر و معنادار برای معامله در بازار های مالی تولید کند. در این مقاله یک روش تکامل دو سطحی (stgp-pso)، مبتنی بر الگوریتم های تکاملی شامل الگوریتم برنامه نویسی ژنتیک همراه با محدودیت نوع داده (stgp) و الگوریتم بهینه سازی ازدحام ذرات (pso) جهت تولید قوانین تصمیم گیری در بازار های مالی ارائه شده است. در روش پیشنهادی، مدلی ارائه شده است که با تولید قوانین در یک سطح و بهینه سازی پارامتر های قوانین در سطح دیگر به صورت همروند بتواند قوانین سودآور و معناداری را در جهت تصمیم-گیری در بازار های مالی ارائه دهد. روش پیشنهادی بر روی 24 شرکت در شاخص s&p500 ارزیابی شده است. عملکرد روش تکاملی پیشنهادی، بر اساس معیار بازده و سود قوانین تولید شده، با استراتژی الگوریتم تکاملی تک سطحی stgp و استراتژی خرید و نگهداری ارزیابی و مقایسه شده است. بازده مدل پیشنهادی در مجموع 8 سهام با روند های صعودی، نزولی و خنثی، به ترتیب برابر با 353درصد، 112.6درصد و 143.4درصد در طول یک سال دوره تست بوده است. به طور کلی، سهام با روند صعودی و نزولی، نسبت به استراتژی های رقیب عملکرد بهتری داشتند، و در سهام با روند خنثی به تقریب برابر با استراتژی خرید و نگهداری و بهتر از استراتژی تک سطحی عمل کرده است.