سیستم معاملات تطبیق الگوی بر اساس الگوریتم Warping Time Time

ساخت وبلاگ

بازار آینده نقش مهمی در محافظت و گمانه زنی سرمایه گذاران دارد. اگرچه مدل ها و ابزارهای مختلفی برای تجارت در زمان واقعی ایجاد شده اند ، اما تحقق سود با پردازش و تجارت تعداد زیادی از داده های زمان واقعی دشوار است. این مطالعه یک استراتژی معاملات آتی شاخص در زمان واقعی را ارائه می دهد که از داده های سری آتی KOSPI 200 INDEX استفاده می کند. ما یک الگوی تطبیق سیستم (PMTS) را بر اساس یک الگوریتم پیچش پویا زمان ایجاد می کنیم که الگوهای حرکت داده های بازار را در صبح به رسمیت می شناسد و استراتژی پاکسازی بعد از ظهر را تعیین می کند. ما 13 و 27 الگوی نماینده را اتخاذ می کنیم و شبیه سازی ها را با محدوده های مختلف پارامترها برای یافتن موارد بهینه انجام می دهیم. نتایج تجربی ما نشان می دهد که PMTS استراتژی های معاملاتی پایدار و مؤثر با فرکانس های تجاری نسبتاً کم ارائه می دهد. سرمایه گذاران بازار مالی با استفاده از PMT ها قادر به ایجاد استراتژی های سرمایه گذاری کارآمدتر هستند. به این معنا ، سیستم توسعه یافته در این مقاله به کارآیی بازارهای مالی کمک می کند و به دستیابی به رشد اقتصادی پایدار کمک می کند.

1. معرفی

بحران مالی جهانی 2007-2008 (GFC) در اثر عوامل بسیاری ایجاد شده است اما یکی از دلایل اصلی گسترش بیش از حد دارایی های مالی از جمله مشتقات است [1،2،3]. بازارهای پیشرو مالی جهان شامل آینده های اصلی شاخص سهام مانند S& P 500 ، Nasdaq 100 ، DJIA ، FTSE Russel 100 ، Nikkei 225 و Kospi 200 است. از جمله آنها ، آینده و گزینه های Kospi 200 بزرگترین بازار تجارت از زمان قبل از آن بوده است. GFC تا اواسط 2010s [4]. به عنوان یک داده های سری زمانی واحد ، آینده شاخص ، که مقدار زیادی از داده ها را در نتیجه معاملات در مقیاس بزرگ تولید می کند ، به طور گسترده ای برای تجزیه و تحلیل آماری استفاده شده است [5،6]. در سالهای اخیر ، از داده های کاوی و روشهای یادگیری ماشین برای بررسی بازار آینده استفاده می شود.

داده های سری زمانی مجموعه ای از داده های مشاهده ای است که از نظر زمانی از اکثر حوزه های علمی و تجاری تولید می شود [7]. بسیاری از محققان در زمینه های مختلف از داده های سری زمانی برای تحقیقات خود استفاده کرده اند [8،9]. داده های سری زمانی در بازارهای مالی از ویژگی های منحصر به فردی در مقایسه با زمینه های دیگر مانند الکتروکاردیوگرام برخوردار هستند [10]. در داده های سری قیمت سهام ، سرمایه گذاران در بازارهای سهام الگوهای مختلف سرمایه گذاری را نشان می دهند. آنها را می توان به عنوان سرمایه گذاران که تجزیه و تحلیل اساسی و تحلیل فنی را اتخاذ می کنند ، طبقه بندی شوند. تحلیلگران اساسی با استفاده از شاخص های اقتصادی جهانی ، صنعت و تجارت تصمیمات سرمایه گذاری می گیرند. از طرف دیگر ، با فرض اینکه رفتار گذشته قیمت سهام بر قیمت آینده تأثیر می گذارد ، تحلیلگران فنی تصمیمات سرمایه گذاری را بر اساس قیمت های تاریخی یا الگوهای حرکت قیمت با استفاده از شاخص های پیچیده می گیرند. بر این اساس ، تحلیلگران فنی از روشهای تجزیه و تحلیل الگوی برای تجزیه و تحلیل نمودارهای قیمت سهام برای تصمیمات تجاری استفاده می کنند [12]. بسیاری از مطالعات در مورد تجزیه و تحلیل فنی برای تطبیق الگوی انجام شده است [13،14،15،16،17]. این تجزیه و تحلیل الگوی روشی برای پیش بینی قیمت سهام با بررسی الگوهای خاص مشاهده شده در نمودار قیمت سهام گذشته و تأیید وجود الگوهای مشابه در قیمت فعلی سهام است [18].

یک الگوریتم برای تشخیص الگوی کارآمد از داده های سری زمانی برای ساخت یک سیستم معاملاتی بر اساس تشخیص الگوی مورد نیاز است. از روش فاصله اقلیدسی یا روش هوش مصنوعی برای یافتن الگوی مشابهی برای قیمت سهام استفاده شده است [19،20،21]. هو و همکاران.[22] مدلی را ارائه داد که یک استراتژی سرمایه گذاری با استفاده از یک الگوریتم روند تکاملی کوتاه مدت و بلند مدت است. De Oliveira ، Nobre و Zarate [23] همچنین الگویی را برای پیش بینی قیمت سهام در بازار برزیل ارائه دادند ، که تجزیه و تحلیل اساسی و فنی را با استفاده از شبکه های عصبی مصنوعی ترکیب می کند. توسعه سیستم شامل پیش بینی سری زمانی مالی FX Market ، که ترکیب یک سیستم استنتاج فازی مبتنی بر شبکه و ذرات رفتاری کوانتومی بهینه سازی و پیش بینی روند بازار با استفاده از الگوهای نمودار است [11]. پاتل و همکاران.[24] همچنین با مقایسه چهار مدل پیش بینی کننده مانند شبکه های عصبی مصنوعی ، ماشین های بردار پشتیبانی ، جنگل های تصادفی و خلیج های ساده ، مدلی را برای پیش بینی روند در بازارهای مالی ارائه داد. همچنین مطالعاتی وجود دارد که نشان می دهد کارآیی الگوریتم های پیچش زمان پویا برای مشکل بازیابی توالی های زمانی چند اتصالی مشابه داده های سری زمانی مالی [25]. روش پیشنهادی مبتنی بر الگوریتم Warping Time Dynamic ، الگوی مورد استفاده به عنوان الگوی تطبیق الگوی را از پیش تعیین می کند [26]. این مطالعات بر بهینه سازی و کارآیی در تشخیص الگوی متمرکز شده است. با این حال ، با بررسی شباهت الگوهای موجود در بازار آینده ، یک مطالعه در مورد تجارت سیستم در نقطه زمان بهینه تجارت وجود دارد. این استراتژی تجارت به الگوریتم های تشخیص الگوی کارآمد مانند پیچ و تاب زمان پویا نیاز دارد [27]. در میان آنها ، تنها چند مطالعه از الگوریتم Warping Time Time برای معاملات آتی استفاده می کنند [28،29،30].

هدف از این تحقیق ساخت یک سیستم معاملات تطبیق الگوی (PMT) است که الگوی بهینه شده الگوی نماینده پیشنهادی را در داده های سری زمانی استخراج می کند و تجارت را برای یافتن نقطه خروج بهینه انجام می دهد. برای این هدف ، ما یک سیستم تجارت الگوریتم را پیشنهاد می کنیم که با الگوریتم Naïve Dynamic Time Warping (DTW) با الگوی سری زمانی داده های آتی شاخص با الگوی نماینده مطابقت داشته باشد. با پیشرفت این آزمایش ، ما موقعیت های مختلفی را در قراردادهای آتی در نظر می گیریم مانند هنگام برقراری تماس حاشیه ، نقدینگی و نوسانات افزایش می یابد ، روند معاملات که وارد محاسبه تجارت داخلی می شوند و معاملات درست قبل از بسته شدن بازار خروج می شوند ، تغییر می کند.، برای یافتن نقطه خروج بهینه تجارت. نتایج تجربی ما استراتژی های ورود و خروج معاملات پایدار و مؤثر را با فرکانس های تجاری نسبتاً کم نشان می دهد.

تعدادی از ابزارهای مالی که در بازارهای مالی معامله می شوند وجود دارند و تعداد زیادی از مدل ها یا تکنیک ها برای استراتژی های سرمایه گذاری کارآمد تهیه شده اند. بنابراین ، ابزارهای مالی و تکنیک های سرمایه گذاری و همچنین سرمایه گذاران نقش مهمی در کارآیی بازارهای مالی دارند. به خوبی شناخته شده است که کارآیی بازارهای مالی نقش مهمی در حفظ رشد اقتصادی داشته است. سرمایه گذاران بازار مالی می توانند با استفاده از PMTS استراتژی های سرمایه گذاری کارآمدتری را انجام دهند. به این معنا ، به نظر می رسد سیستم توسعه یافته در این مقاله به کارآیی بازارهای مالی کمک می کند و از این رو در حفظ رشد اقتصادی نقش دارد.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 مفهوم بازارهای آینده ، مفهوم الگوریتم های پیچش زمان پویا و روش پنجره کشویی را معرفی می کند. در بخش 3 ، مباحث شامل استاندارد سازی داده های آتی شاخص های روزانه خام استخراج شده ، الگوی معاملاتی پویا به همراه تجزیه و تحلیل پویا زمان پیچش برای تشخیص الگوی زمان واقعی و ورود پیشنهادی معاملات و شبیه سازی خروجی است. بخش 3. 4 روش آزمایش های انجام شده را شرح می دهد و در مورد نتایج تجربی بحث می کند. بخش 4 نتایج را تفسیر می کند و جهت تحقیقات آینده را نشان می دهد.

2. مواد و روشها

2. 1بازار آتی

بازار آینده بازاری برای معاملات آتی است که یکی از مشتقات بسیاری است. ارزش مشتقات به سایر دارایی ها به نام دارایی های اساسی مانند کالاها ، سهام ، اوراق قرضه ، شاخص ها و نرخ بهره متکی است. به عبارت دیگر ، هنگامی که ارزش دارایی های زیرین تغییر می کند ، تغییر می کند. قبل از تأسیس بازارهای آتی ، قراردادهای پیش رو معامله شده است تا از خطر مربوط به ارزش دارایی اساسی جلوگیری شود. هنگامی که کسی نیازی به داشتن دارایی اساسی در حال حاضر ندارد اما در آینده به آن احتیاج دارد ، می تواند با یک طرف مقابل که قیمت و تاریخ تحویل دارایی اساسی را ارائه می دهد ، یک قرارداد پیش رو داشته باشد. با توجه به ریسک اعتباری ذاتی در قرارداد رو به جلو ، بازارهای آتی با استاندارد سازی معاملات و از بین بردن ریسک اعتباری ایجاد شده است.

بازار آینده در ابتدا برای کمک به شرکت کنندگان در بازار طراحی شده بود که از قرار گرفتن در معرض خطر نوسانات قیمت جلوگیری کنند. در سالهای اخیر ، نقش محافظت از ریسک توسط قراردادهای آتی برجسته تر شده است. به عنوان مثال ، اگرچه معاملات آتی kospi 200 به عنوان یک سرمایه گذاری با بازده بالا شناخته می شود ، اما هدف اصلی سرمایه گذاری در آینده شاخص سهام ، جلوگیری از خطر مربوط به قیمت سهام است. دارایی زیرزمینی شاخص سهام یک شاخص قیمت سهام است که یک محصول نامشهود است و از این رو نمی توان آن را به طرف مقابل قرارداد خریداری یا تحویل داد. سرمایه گذاران در آینده شاخص وقتی پیش بینی می شود بازار گاو نر از موقعیت طولانی برخوردار است و وقتی بازار خرس در آینده پیش بینی می شود ، موقعیت کوتاهی دارند. بر این اساس ، سرمایه گذاران در آینده شاخص می توانند در صورت پیش بینی صحیح ، سود را در هر دو بازار گاو و خرس درک کنند. به عبارت دیگر ، آنها باید جهت نوسانات قیمت سهام را به طور دقیق پیش بینی کنند. آنها به سختی می توانند با پاسخ سریع با تصمیمات سرمایه گذاری بصری و کیفی بر اساس تجربه تجارت گذشته ، سود کسب کنند. در واقع ، استراتژی های معاملاتی کمی و سیستماتیک که از استراتژی های سرمایه گذاری آتی موجود و داده های سری زمانی گذشته استفاده می کنند ، برای سودآوری لازم است. تهیه یک روش کمی برای تعیین مفیدترین موقعیت های تجاری و زمان بندی آینده شاخص برای تحقق بازده بالا ضروری است.

یک سرمایه گذار در یک بازار آتی به عنوان پرچین طبقه بندی می شود که از ریسک جلوگیری می کند و یک دلال که به دنبال سود است [31،32،33،34،35]. پرچین موقعیتی را برای محافظت از ریسک قیمت سهام در نظر می گیرد و موقعیت را تا تاریخ تسویه حساب می کند ، در حالی که یک دلال تمایل دارد هر زمان که بتواند سود کسب کند ، موقعیت خود را پاک کند. بازار معاملات آتی یک سیستم حاشیه ای برای جلوگیری از ریسک اعتباری به دلیل تأثیر اهرم بر روی دارایی های اساسی دارد. این شامل حاشیه اولیه ، حاشیه نگهداری و حاشیه اضافی است. حاشیه اولیه حداقل 15 ٪ از ارزش قرارداد است و برای ورود به یک قرارداد آینده جدید باید پرداخت شود. حاشیه نگهداری حداقل 10 ٪ از ارزش قرارداد است و باید برای برگزاری قرارداد آتی حفظ شود. اگر سطح حاشیه پایین تر از حاشیه نگهداری باشد ، به دلیل نوسان قیمت آتی ، باید حاشیه اضافی پرداخت شود. پرداخت حاشیه اضافی توسط شرکت های کارگزاری که به آن تماس حاشیه ای گفته می شود ، اطلاع داده می شود. اگر تماس حاشیه ای ایجاد شود و حاشیه اضافی پرداخت نشود ، مبادله با انجام یک تجارت معکوس ، خودسرانه موقعیت برجسته را پاک می کند.

2. 2پیچ و تاب زمان پویا

الگوریتم Warping Time Dynamic (DTW) به عنوان یک روش کارآمد برای اندازه گیری شباهت بین دو دنباله داده های سری زمانی شناخته می شود (شکل 1). به طور شهودی ، توالی ها به صورت غیرخطی پیچیده می شوند تا با یکدیگر مطابقت داشته باشند. DTW اثرات اعوجاج را به دلیل حرکت وابسته به زمان با استفاده از یک تحول الاستیک داده های سری زمانی به حداقل می رساند تا مراحل مشابه بین الگوهای مختلف را در طول زمان تشخیص دهد. حتی اگر یک رابطه تغییر شکل بین دو دنباله مختلف از داده های سری زمانی وجود داشته باشد ، DTW بیشترین شباهت ها را بین آنها تعیین می کند [7]. از آنجا که DTW در دهه 1960 معرفی شد [36] ، این الگوریتم برای تشخیص کلمه گفتاری [37،38] ، تشخیص ژست [39] ، ادراک رفتاری [40] ، داده کاوی و خوشه بندی سری زمانی [25،41 ، استفاده شده است. 42،43].

هدف DTW مقایسه دو سری زمانی x = (1 رازهاي معامله گران موفق...

ما را در سایت رازهاي معامله گران موفق دنبال می کنید

برچسب : نویسنده : سید مهدی موسوی بازدید : 54 تاريخ : چهارشنبه 2 فروردين 1402 ساعت: 19:32