فرايندهای تركيبی تصميم ماركوف درباره الگوريتم‌ های ژنتيك براي فرمول بندي استراتژی های تجاری بازارهای سهام

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

فرايندهای تركيبی تصميم ماركوف درباره الگوريتم‌ های ژنتيك براي فرمول بندي استراتژی های تجاری بازارهای سهام

عنوان لاتین

Incorporating Markov decision process on genetic algorithms toformulate trading strategies for stock markets

با ورود نرخ‌هاي سود پايين، سرمايه‌گذاران وارد بازار سهام شدند تا بازدهي بيشتري را جستجو كنند. هرچند، بي‌ثباتي بازار سهام ثابت شده است، و فقط افراد كمي از سرمايه‌گذاران بازدهي بيشتري بدست مي‌آورند وقتي در زمان درست داد و ستد مي‌كنند، اغلب سرمايه‌گذاران شاخص‌هاي فني را بكار مي‌برند تا وقت بازار را تعيين كنند. هرچند استفاده از شاخص‌هاي فني با مشكلاتي مثل شاخص انتخاب، استفاده از تناقض به جاي شاخص شباهت مرتبط است. سرمايه گذاران براي تاكيد بر شاخص‌هاي فني مشكلاتي دارند تا در سرمايه‌گذاري بازار سهام تصميم بگيرند. اين تحقيق فرايند تصميم ماركوف و الگوريتم‌هاي ژنتيك را به منظور يك چارچوب تحليلي جديد تركيب مي‌كند و سيستم پشتيباني تصميم را براي طراحي استراتژي‌هاي بازار سهام توسعه مي‌دهد. اين بررسي خصوصيات پيش بيني و قابليت‌هاي آناليز زمان واقعي فرايندهاي تصميم ماركوف را بكار مي‌برد تا تصميمات به موقع بگيرد. انتخاب سهام و تخصيص سرمايه رمزگذاري رشته‌اي را بكار مي‌برد تا استراتژي‌هاي مختلف سرمايه‌گذاري براي الگوريتم‌هاي ژنتيك را بكار برد. قابليت‌هاي تحقيقي موازي الگوريتم‌هاي ژنتيك بكار گرفته مي‌شود تا بهترين استراتژي سرمايه گذاري را مشخص كند. گذشته از اين، وقتي سرمايه‌گذاران فاقد پول و سهام كافي باشند، ساختار اين مطالعه مي‌تواند تراكنشاتي را از طريق تراكنشات اعتباري تكميل كند. اين آزمايشات تاييد مي‌كنند كه مدل ارائه شده در اين تحقيق مي‌تواند پاداش بيشتري به نسبت معيارهاي ديگر توليد كند.

With the arrival of low interest rates, investors entered the stock market to seek higher returns. However,the stock market proved volatile, and only rarely could investors gain excess returns when trading in realtime. Most investors use technical indicators to time the market. However the use of technical indica-tors is associated with problems, such as indicator selection, use of conflicting versus similar indicators.Investors thus have difficulty relying on technical indicators to make stock market investment decisions.This research combines Markov decision process and genetic algorithms to propose a new analyticalframework and develop a decision support system for devising stock trading strategies. This investiga-tion uses the prediction characteristics and real-time analysis capabilities of the Markov decision processto make timing decisions. The stock selection and capital allocation employ string encoding to expressdifferent investment strategies for genetic algorithms. The parallel search capabilities of genetic algo-rithms are applied to identify the best investment strategy. Additionally, when investors lack sufficientmoney and stock, the architecture of this study can complete the transaction via credit transactions.The experiments confirm that the model presented in this research can yield higher rewards than otherbenchmarks.