بهینه سازی استراتژی سرمایه گذاری با استفاده از آنالیزهای فنی و مدل سازی پیش بینی کننده در بازارهای نوظهور

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بهینه سازی استراتژی سرمایه گذاری با استفاده از آنالیزهای فنی و مدل سازی پیش بینی کننده در بازارهای نوظهور

عنوان لاتین

Investment Strategy Optimization Using Technical Analysis and Predictive Modeling in Emerging Markets

این پژوهش به بررسی اثربخشی آنالیزهای فنی و مدل سازی پیش بینی کننده برای تعریف استراتژی های بهینه در سرمایه گذاری با شاخص های سهام در بازارهای نوظهور می پردازد. استراتژی های معاملاتی بر پایه شاخص های فنی مختلف و میانگین های متحرک و نوسانات ارزش و بازده شاخص های سهام تعیین می گردند. قوانین معاملاتی ساده با استفاده از دو میانگین متحرک ایجاد می گردند – یک دوره طولانی مدت و یک دوره کوتاه مدت، و میانگین متحرک واگرا (MACD) و شاخص قدرت نسبی (RSI). شاخص های فنی انتخابی در تعریف مدل پیش بینی کننده بر پایه حداقل مربع پشتیبانی از ماشین های بردار (LS-SVM) تعیین می گردند. یک طبقه بندی LS-SVM برای پیش بینی شاخص های سهام مورد استفاده قرار می گیرد که خروجی حاصل از سیگنال های باینری می تواند در تعیین استراتژی های تجاری مورد استفاده قرار بگیرد. با مقایسه نتایج حاصل از روش های آماری سنتی و مدل پیشنهادی LS-SVM، می توان چنین نتیجه گیری کرد که تکنیک های یادگیری ماشینی و مدل های غیر خطی روش های مناسب تر و متداول تری در بازارهای مالی هستند. با مقایسه استراتژی های خرید و استراتژی های تجاری فنی، می توان به این نتیجه رسید که استفاده از LS-SVM در تصمیم گیری های بازارهای مالی می تواند برای به حداکثر رساندن سودآوری در سرمایه گذاری کمک کند.

This research examines the efficacy of technical analysis and predictive modeling in defining the optimal strategy for investing in the stocks indices of emerging markets. Trading strategies are set regarding different technical indicators based on moving averages and volatility of the value and returns on stock indices. Simple trading rules are generated using two moving averages - a long period and a short period moving average, and Moving Average Convergence-Divergence (MACD) and Relative Strength Index (RSI). Selected technical indicators are used as features in defining predictive model based on Least Squares Support Vector Machines (LS-SVMs). A LS-SVM classifier has been used in order to predict trend of the stock indices’ value whereby the obtained outputs of the LS-SVM model are binary signals that can be used for defining the trading strategy. Comparing the results obtained from traditional statistical methods for predicting the trend of financial series and proposed LS-SVM model, it can be concluded that machine learning techniques capture the non-linear models which are dominant in the financial markets in more adequate way. Outperforming the results of Buy & Hold strategy and technical trading strategies, application of LS-SVM in decision making process on investing on the financial market significantly can contribute to maximization of profitability on investment.