www.yarazmoon.com

تجزیه و تحلیل فنی شاخص بر اساس منطق فازیانجام در این مقاله یک تجزیه و تحلیل فنی )چکیده- برای آن از گران معامله که روش سه

) : بازار تمایالت تحلیل و تجزیه و اساسی تحلیل و تجزیه فنی، تحلیل و تجزیه کنند می استفاده بازار تحلیل تجزیه

شاخص بر اساس منطق فازی پیشنهاد شده است که بر خالف تکنیک های سنتی شاخص، یک مدل ریاضی کامال عینی ندارد، اما ذهن سرمایه گذار که ویژگی هایی مانند تمایل به ریسک دارد، را در نظر می گیرد. روش منطق فازی اجازه می دهد

تا یک سرمایه گذار غیر متخصص در یک بازار واقعی توانایی استدالل و تصمیم گیری داشته باشد. به طوری که یک شاخص اطالعات عمومی بازار مانند

سودآوری و نوسانات قیمت سهام را به عنوان ورودی می گیرد و خروجی خرید و فروش سیگنال می باشد. عالوه بر این برای ارائه ی فرمول دقیق شاخص ، در

این مقاله یک اعتبار سنجی ارائه شده است که باعث می شود از یک شبیه سازی ( استفاده شود که در آن رفتار و سود بدست آمدهmulti-agentپلتفرم چند عامله )

با شاخص های فازی مورد مقایسه قرارMA,RSI,MACDاز شاخص های سنتی گرفته اند.

کلمات کلیدی:بازار بورس-تجزیه و تحلیل فنی-شاخص های تکنیکی-منطق فازی-شبیه سازی

مقدمه بازارهای بورس)سهام( سیستم های پیچیده ای هستند که در آن تعداد زیادی از شرکت کنندگان با هدف به حداکثر رساندن سود خود یعنی تجارت سهام، با هم

1460(. بازار سهام برای اولین بار در جهان در 17و11مشارکت و تعامل می کنند) ولین بورس اوراق بهادار در دنیا در شهر آمستردام و توسط اولینایجاد شد. ا

. امروزه در میانشرکت چند ملیتی به نام »کمپانی هند شرقی هلند« پدیدار شد NASDAQ )بازار بورس نیویورک(،NYSEبازارهای سهام در جهان مهم ترین ها :

)بورس اوراق بهادار تهران(، و همچنینTSE)انجمن ملی نگهداری اوراق بهادار(، بازارهای سهام پاریس، آمستردام، لندن،مادرید، میالن و فرانکفورت را می توان نام برد. اصل حمایت از بازار سهام بسیار ساده است یعنی : خرید کم و فروش

باال اما تصمیم زمان و مقدار خرید و فروش ساده نیست. برای حل این مشکالت مجموعه ای از تکنیک ها پدید آمده اند: تجزیه و تحلیل نظری، که می تواند به

(. یک2عنوان مطالعه بازار با هدف پیش بینی صعود و سقوط روند بازار باشد ) روشی برایمورد خاص از این تجزیه و تحلیل ، تجزیه و تحلیل فنی است که

پیش بینی قیمت ها در بازار از طریق مطالعه وضعیت گذشته بازار است. در این عرضه وتحلیل از طریق بررسی تغییرات و نوسان های قیمت ها و حجم معامالت و

می توان وضعیت قیمت ها در آینده را پیش بینی کرد. این روش تحلیل در بازار تقاضا فلزات و دیگر طال و بازار بورس اوراق بهادارارزهای خارجی، بازارهای

1

www.yarazmoon.com

استفاده از استراتژی های سرمایه گذاری با تجزیهکاربرد گسترده ای دارد. گران بها وتحلیل فنی نیازمند استفاده از شاخص هایی با مدل ریاضی و آماری می باشد که

(. در این مقاله ما14و2از تاریخچه اطالعات سهام و حجم آن محاسبه شده اند) یک شاخص فنی پیشنهاد میکنیم که مانند شاخص سنتی از اطالعات عمومی سهام،

استفاده می کند و یک متغیر را در نظر می گیرد و سطح تمایل به ریسک شخصسرمایه گذار را اندازه گیری می کند.

یکی دیگر از ویژگی های این شاخص این است که خروجی آن باینری است. مثال این سوال که آیا خرید و یا فروش داشته باشیم؟ جواب بله یا خیر می باشد. اما

یک سطح توصیه هم برای این تصمیمات فراهم می شود که سرمایه گذار آن را با یک حد آستانه تعریف شده مقایسه می کند و تعیین می کند که آیا اقدام به خرید یا فروش بکند یا نه. برای این منظور ما از یک مدل سنتی ریاضی استفاده نکرده ایم اما روش های هوش مصنوعی شناخته شده ای مشهور به منطق فازی هستند، که

اجازه می دهند مفاهیم زبانی که ممکن است مبهم، نادرست و سخت باشند (. ایده استفاده از هوش مصنوعی در تجزیه و تحلیل22و21نمایش داده شوند )

فنی جدید نیست در واقع چندین کار که با استفاده از ابزارها وجود دارد مانند شبکه(، الگوریتم ژنتیک و برنامه نویسی ژنتیک)15و6و1و13و8های عصبی مصنوعی )

(. با این حال مدل هایی بر اساس منطق فازی زیاد کار نشده4و19و12و5و9و16اند و بحث این مقاله اند.

.فرموالسیون)فرمول بندی(2 اگرچه چندین متغیر می تواند هنگام تصمیم گیری در مورد خرید و یا فروش در بازار سهام در نظر گرفته شود، ما در پیشنهاد خود برای ساده سازی فقط آن

دسته از متغیر هایی که مرتبط تر هستند و برای شرکت کنندگان غیر متخصص شهودی هستند را در نظر می گیریم.متغیر های انتخاب شده سود آوری و نوسانات

سهام به همراه تمایل به ریسک سرمایه گذار، می باشند. سودآوری و نوسانات است. در حالی"مناسب"سهام نشان می دهد که چه زمانی برای خرید یا فروش

که تمایل به ریسک سرمایه گذار، شامل ادراک ذهنی سرمایه گذار نسبت به پیشینه )پروفایل،مشخصات( ریسک خودش می باشد و هدف آن نشان دادن این

است که آیا سرمایه گذار با توجه به شرایط بازار در تصمیم گیری خرید یا فروش تا0مردد است یا نه.به منظور تعیین این متغیر ما تصمیم داریم یک بازه پیوسته از

را در نظر بگیریم، عدد نزدیک به صفر به معنای پروفایل محتاط )با احتیاط باید1 به معنای پروفایل دارای ریسک )خطرناک( است.1عمل کرد( و عدد نزدیک به

با توجه به اینکه فرآیند استدالل تصمیم فروش و یا خرید متفاوت است، این ها به طور مستقل از طریق سیستم استنتاج فازی مورد تجزیه و تحلیل قرار می

مجموعه فازی را برای متغیرهای ورودی نشان1گیرند .برای تصمیم خرید شکل ( .در حالی1c(،و تمایل به ریسک )1b(، نوسانات )1aمی دهد: سودآوری)شکل

2

www.yarazmoon.com

مجموعه فازی برای متغیر خروجی را نشان می دهد مثال پیشنهاد2که شکل سطح سیستم.

3

www.yarazmoon.com

4

www.yarazmoon.com

در این مجموعه ها مقادیر ارزش زبانی می توانند متغیرها را شامل شوند که هر منحنی نشانگر درجه عضویت مقدار عددی هر متغیر به هر یک از این مجموعه ها

است.مدل استدالل فرایند فروش به صورت زیر است:

اگر سرمایه گذار تمایل به ریسک کم تری دارد،احتمال خرید باالتری وجود دارد، اگر سود آوری باال و نوسانات کم است بنابراین هنگامی که رفتار قیمت پایدار است

سرمایه گذار هدفش سود امن است. از سوی دیگر اگر سرمایه گذار تمایل به ریسک باالیی دارد ممکن است خرید کند ولو اینکه مناظر نامشخص باشند. مثال ولو

اینکه سود آوری کم و نوسانات باالیی وجود داشته باشد اقدام به خرید می کند. این نوع شرکت کنندگان ممکن است در طول ناپایداری بازار ، ریسک را ترجیح دهند و منتظر سود باال بمانند. بدیهی است که این نگرش خطرناک ممکن است گاهی اوقات مزایایی داشته باشد ولی در برابر یک شرکت کننده محتاط ممکن

است مواردی را از دست بدهد. هدف ما از توضیحات قبلی این بود که یک چشم انداز کلی از استدالل فازی و مدل سازی داشته باشید و شرح قوانین به طور

تمام قوانین خرید را1کامل بیان نشد ،چون تعدا قوانین زیاد هستند. در جدول آورده ایم.

روند استدالل فروش چندین تفاوت با استدالل خرید وجود دارد. در میان متغیرهای ورودی در نظر گرفته شده، متغیر سودآوری خالص و نوسانات قیمت در نظر

گرفته نشده اند. در عوض آن ها به عنوان یک تابع ارزش مورد انتظارشان اندازه ، رابطه بین مفهوم متوسطx1گیری می شود. متغیرهای درنظر گرفته شده:

سودآوری در آخرین دوره و سودآوری مورد انتظار در کوتاه مدت می باشد.معادله1.

5

www.yarazmoon.com

T ،زمان انتظار E ،حداکثر زمان انتظار Ri،سودآوری فعلی REسودآوری مورد نوسانات مورد انتظار درvE میانگین نوسانات، vi است که x1 شبیه x2انتظار.

.2کوتاه مدت.معادله

x1 )3مجموعه های فازی برای این متغیر در شکل نشان داده شده است.شکل . تمایل به ریسک و پیشنهاد سطح مجموعه ها مثل3b شکل x2 ( و 3aشکل

فرآیند استدالل خرید است.

با توجه به اینکه تصمیم فروش ساده نیست. در این مورد می توان گفت که سرمایه گذار در مورد اقدام به فروش می کند: یکی که مطلوب تر هم هست

قیمت مطرح شده سهام به یک مقدار مورد انتظار رسیده باشد که سرمایه گذار

6

www.yarazmoon.com

احساس راحتی کند. وضعیت دیگر که کم تر مورد نظر است زمانی رخ می دهد که قیمت سهام کاهش یابد و سرمایه گذار اقدام به فروش می کند با این دید که

بیشتر از این چیزی را از دست ندهد. بنابراین زمانی که نوسانات قیمت کم است سرمایه گذار زمان طوالنی تری را نگه می دارد)سهام را( ولی زمانی که نوسانات

زیاد است از ترس سقوط ناگهانی بیشتر اقدام به فروش می کند. تمام قوانین آمده است.2برای سیستم فروش استنتاج فازی در جدول

فرایندهای خرید و فروش و سطوح فازی چگونگی تغییر خروجی بر4در شکل سطح فازی را4aاساس ترکیب دو متغیر ورودی ،نشان داده شده است.شکل

سطح فازی برای استدالل فروش4bبرای استدالل خرید نشان می دهد و شکل را نشان می دهد. امکان نمایش تمام متغیرها وجود ندارد و ما فقط سودآوری و نوسانات نسبت به سطح پیشنهادی برای استدالل خرید را با ترک تمایل خرید با

تمایل ریسک0.5 با عدد x2 و x1 نشان دادیم. برای فروش 0.5مقدار متوسط را ترک می کنند.

7

www.yarazmoon.com

- آزمایشات و تجزیه و تحلیل38

www.yarazmoon.com

اعتبارسنجی شاخص ارائه شده، ما با استفاده از شبیه سازی پلتفرم چند عامله، استراتژی های سرمایه گذاری که ممکن است در بازار سهام واقعی رخ دهد را

ببینید(. داده های18و7بررسی می کنیم. )شرح مفصل این پلتفرم در مرجع پیکربندی شده در هر شبیه سازی بر اساس تعداد دروه )روز(، تعداد عوامل سرمایه گذاری و تعداد سهام، شبیه سازی شده است. برای هر سهام باید

اطالعات تاریخچه ای مانند حداقل قیمت، حداکثر قیمت، شروع قیمت گذاری، بسته شدن قیمت گذاری، متوسط قیمت، و حجم داد و ستد در طول یک دوره

ثابت ارائه شود. مهم است که این موضوع روشن شود که حتی اگر دو عامل دقیقا یک پیکربندی را داشته باشند به این معنا نیست که آن ها در یک زمان تصمیم گیری کنند بلکه برای هر عامل جنبه های مختلف مانند تعداد دوره هایی که برای محاسبه

متغیرهای ورودی استفاده شده اند نیز در نظر گرفته می شوند. دوره )برای120 حالت مختلف شبیه سازی شده است. هر یک طی 5در مجموع

روز در بازار کلمبیا با اطالعات تاریخچه ای60 ماه (، دو سهام تغذیه طی 4 مقایسه بهره وری شاخص ارائه شدهبرای ..PFBCOLOM4واقعی، شامل شکالت و

عامل برای هر سناریو مورد410در برابر دیگر شاخص های فنی شناخته شده، با100 )دو میانگین متحرک موزون(، DWMA با 100استفاده قرار گرفته است:

RSA با 100 )قدرت نسبی شاخص(، و MACD/میانگین متحرک همگرایی ( واگرایی( برای شاخص ارایه شده.

با تمایل0،10 با تمایل ریسک 10 عامل شامل: 110برای شاخص پیشنهادی ،یک سطح آستانه برای1 با تمایل ریسک 10 و به همین ترتیب تا آخر 0.1ریسک

برای تمام عوامل. اگر سطح پیشنهادی سیستم فازی بیشتر از0.7خرید و فروش آستانه شد،سیستم باعث یک سیگنال خرید یا فروش می شود،بسته به هر مورد.

آمده است که در ان از لحاظ کمی،3نتایج بدست آمده به طور خالصه در جدول سود بدست آمده توسط عوامل و رابطه ی آن ها با رفتار سهام نشان داده شده است. برای این تجزیه و تحلیل سودآوری تنها به تفاوت بین عامل توازن سهام در

پایان شبیه سازی در مقایسه با توازن سهام اولیه اشاره شده است. به عنوان مشاهده3مثال هزینه عملیات مد نظر نیست.این موارد را می توانید در جدول

کنید که در اغلب موارد عوامل در نهایت کسانی که از شاخص پیشنهادی استفاده کرده اند، به طور متوسط سود بیشتری را بدست می آورند. میزان معامالت در

طول شبیه سازی از مقدار میانگین بزرگتر است و همچنین تنوع ۀ�ن بیشتر است، که در بازار واثعی با توجه به اینکه هر معامله هزینه به همراه دارد ،مزیت محسوب

عامل در مقایسه با کسی که از شاخص پیشنهادی استفاده110نمیشود. سود سناریو بر5کرده است، و میانگین سود و انحراف معیار برای همه ی عوامل در

نشان داده شده است. می توان مشاهده5اساس تمایل به ریسکشان در شکل کرد که، به تناسب افزایش تمایل به ریسک میانگین سودآوری رشد خواهد داشت

9

www.yarazmoon.com

)البته نه دقیقا خطی(. با این حال رفتار سودآوری با تمایل به ریسک باال پایدار)با ثبات( خواهد شد. این لزوما به این معنا نیست که تمایل باالی ریسک سود بیشتری را حاصل می کند، اما میانگین سود آوری و تمایل به ریسک متناسب هستند، و این

یک واقعیت در اکثر بازارهای پر ریسک می باشد. سناریو ادامه دهیم ولی این بار می خواهیم ببینیم چگونه5اجازه دهید ما با همان

وMمیانگین سود عواملی که در شاخص پیشنهادی استفاده می شوند با تغییر تمایل به ریسک ثابت ،تغییر خواهند کرد.

برای این کار همان شرایط قبلی شبیه سازی را در نظر می گیریم.

10

www.yarazmoon.com

11

www.yarazmoon.com

در بازهMاما تنها عواملی که از شاخص پیشنهادی در اینجا گنجانده شده اند، تغییر استفاده شدهM امی می باشد.در مجموع برای هر 0.1( و گام های 0.9 0.1ی )

در نظر گرفته شده است. این0.7 و برای هر عامل تمایل به ریسک 10مقدار واقعیت وجود دارد که این تمایل به ریسک بزرگترین مقدار میانگین سود را در

6تجزیه و تحلیل قبلی حاصل می کند. خالصه ای از این نتایج شبیه سازی در شکل آمده است. می توان مشاهده کرد که به تناسب افزایش آستانه، میزان معامالت کاهش می یابد، که دلیل منسجمی برای کاهش تصمیم به خرید و یا فروش می

باشد. با توجه به میانگین سود آوری می توان مشاهده کرد که تمایل به رسیک تا افزایش می یابد و از آنجا به بعد شروع به سثوط می کند. در این مورد 0.4

دیده می شود، تفاوت0.8آستانه مطلوب برای یک تعادل بین دو معیار در اطراف با توجه به باالترین سود بدست آمده توسط عوامل زیاد نیست در حالی که میزان

معامالت به طور قابل توجهی کاهش می یابد.

12

www.yarazmoon.com

- نتیجه گیری4 در این مقاله یک شاخص فنی ارائه شده است که بر خالف شاخص های سنتی اس

و صرفا یک مدل ریاضی هدف مورد نظر نیست، بیلکه عوامل ذهنی مانند مشخصات )پروفایل( ریسک سرمایه گذار نیز در نظر گرفته می شود. این شاخص

ویژگی های یک شاخص فنی مثال رفتار گذشته و حال سهام )اساسا قیمت( را برآورده می کند، و خروجی توصیه هایی برای تعیین زمان خرید و با فروش سهام

می باشد. روش مورد استفاده برای شاخص،منطق فازی با هدف رساندن یک صص به بازار )با توجه به پروفایل و مشخصاتش( به شیوهسرمایه گذار غیر متخ

ای دقیق می باشد. منطق فازی از این جهت مفید است که برای مفاهیمی با باماهیت مبهم که نمایش آن ها با مدل های ریاضی سخت است، مناسب می باشد.

به منظور اثر بخشی شاخص پیشنهادی جدید، ما یک پلتفرم چندعامله را شبیه یازس کردیم که در چندین شبیه سازی از اطالعات تاریحچه ای دو تا از مهم ترین

بازارهای سهام کلمبیا برای استدالل عوامل بهره برده ایم.در شبیه سازی یک مقدار ثابت از عوامل برای تصمیم گیری در شاخص پیشنهادی جدید استفاده کردیم

مقایسه کردهMACD و RSIو روش خود را با شاخص های شناخته شده مانند ایم. بعد از اجرای شبیه سازی مشخص شد که افرادی که از شاخص پیشنهادی

استفاده کرده اند نسبت یه شاخص سنتی سود بیشتری داشته اند.با این حال آن دسته از عواملی که بزرگنرین میزان معمامالت را دارند یک نقطه ضعف محسوب می شود چون هر معامله در سناریوی واقعی هزینه ای دارد. همچنین مشخص شد

که برای دو متغیر با عوامل در شاخص جدید استفاده شده تنوع بیشتری وجود دارد. با این حال یک رفتار مورد انتظار بستگی به تمایل ریسک سرمایه گذار

دارد.آخرین تحلیل مربوط به آستانه بود که نشان می دهد چگونه مقدار آستانه بر میانگین سودآوری و میزان معامالت تاثیر می گذارد. نتیجه این شد که آستانه

بود. در آینده0.8مطلوب که باعث تعادل بهینه سازی این دو معیار می شد حدود متغیرهای ورودی بیشتری به سیستم فازی گنجانده خواهد شد. عالوه بر این قصد

داریم پروفایل سرمایه گذار به واقعیت نزدیک تر باشد. همچنین تصمیم داریم برای غنی سازی روند تصمیم گیری از انواع دیگر تجزیه و تحلیل مانند تجزیه و تحلیل

اساسی نیز استفاده کنیم.مراجع

[1] Abraham, A., N.S. Philip and P. Saratchandran, Modeling chaotic behavior of stock indices usingintelligent paradigms, Neural, Parallel and Scientific Computations 11 (2003), 143–160.[2] ´Alvarez, A., “An´alisis burs´atil con fines especulativos: un enfoque t´ecnico moderno,” Ed. Limusa,M´exico, 2007.

13

www.yarazmoon.com

[3] Chen, W.H., J.Y. Shih and S. Wu, Comparison of support-vector machines and back propagation neuralnetworks in forecasting the six major asian stock markets, International Journal of Electronic Finance1 (2006), 49–67.[4] Cheung, W.M. and U. Kaymak, A fuzzy logic based trading system. In Proceedings of the ThirdEuropean Symposium on Nature inspired Smart Information Systems (2007), St. Julians, Malta.[5] Dempster, M. and C. Jones, A real-time adaptive trading system using genetic programming,Quantitative Finance 1 (2001), 397–413.[6] Egeli, B., M. ¨ Ozturan, and B. Badur, Stock Market Prediction Using Artificial Neural Networks, InProceedings of the 3rd International Conference on Business (2003), Honolulu, Hawaii.[7] Escobar, A., J. Moreno and S.F. M´unera, Modelo de simulaci´on de una subasta de doble punta medianteel paradigma multi-agente. In Proceedings of the Fourth Colombian Computing Conference (4CCC2009), Medell´ın, Colombia.[8] Fern´andez-Rodr´ıguez, F., C. Gonz´alez-Martel and S. Sosvilla-Rivero, On the Profitability of TechnicalTrading Rules Based on Artificial Neural Networks: Evidence from the Madrid Stock Market, EconomicsLetters 69 (2000), 89–94.[9] Fyfe, C., J. Marney and H. Tarbert, Technical analysis versus market efficiency: A genetic programmingapproach, Applied Financial Econonomics 9 (1999), 183–191.[10] Ince, H. and T.B. Trafalis, Short term forecasting with support vector machines and application to stockprice prediction, International Journal of General Systems 37-6 (2008), 677–687.[11] Johnson, N.F., P. Jefferies and P.M. Hui, “Financial Market Complexity,” Oxford U. Press, N.Y., 2003.[12] Kendall, G. and Y. Su, The Co-evolution of Trading Strategies in a Multi-agent Based Simulated StockMarket Through the Integration of Individual Learning and Social Learning, In Proceedings of IEEE2003 Congress on Evolutionary Computation (2003), 2298–2305.[13] Kim, K. and I. Han, Genetic algorithms approach to feature discretization in artificial neural networksfor the prediction of stock price index, Expert Systems with Applications 19-2 (2000), 125–132.

[14] Kirkpatrick, C.D. and J.R. Dahlquist, “Technical analysis: The complete resource for financial markettechnicians,” Financial Times Press, Upper Saddle River, 2007.[15] Lam M., Neural network techniques for financial performance prediction: integrating fundamental andtechnical analysis, Decision Support Systems 37-4 (2004), 567–581.[16] Li, J. and E.P.K. Tsang, Improving technical analysis predictions: an application of genetic

14

www.yarazmoon.com

programming, In Proceedings of The 12th International Florida AI Research Society Conference (1999),Orlando, Florida, 108–112.[17] Llacay, B. and G. Peffer, Simulaci´on realista de los mercados financieros con sistemas multi-agentes(Working paper), Diposit Digital de la UB (Spain) (2008), URL: http://hdl.handle.net/2445/4821.[18] Moreno, J., A. Escobar and S. M´unera, Modelaci´on de la Bolsa de Valores de Colombia: Unaaproximaci´on desde los agentes de software, Tendencias en Ingenier´ıa de Software e InteligenciaArtificial 3 (2009), 159–166.[19] Potvin, J.Y., P. Soriano and M. Vall´ee, Generating trading rules on the stock markets with geneticprogramming, Computers & Operations Research 31-7 (2004), 1033–1047.[20] Wang, H. and A.S. Weigend, Data mining for financial decision making, Journal Decision SupportSystems 37-4 (2004), 457–460.[21] Zadeh, L.A., Fuzzy Algorithms, Information and Control 12 (1968), 94–102.[22] Zadeh, L.A, Fuzzy logic = Computing with words, IEEE Transactions on Fuzzy Systems 4 (1996),103–111.A. Escobar et al. / Electronic Notes in Theoretical Computer Science 292 (2013) 27–37 37

15