خانه / مقالات انگلیسی با ترجمه / حسابداری و اقتصاد / مقاله ترجمه شده مدل سازی فازی از تجارت سهام با شمعدان فازی

مقاله ترجمه شده مدل سازی فازی از تجارت سهام با شمعدان فازی

مقالات مرتبط با این موضوع
مقالات انگلیسی ترجمه شده حسابداری

مقالات انگلیسی ترجمه شده مدیریت

مقالات ترجمه شده مدیریت مالی

مقالات ترجمه شده منطق فازی

مقالات ترجمه شده بازار بورس

دانلود رایگان مقاله بیس انگلیسی خرید و دانلود ترجمه ی مقاله انگلیسی

کد محصول: H310

قیمت فایل ترجمه شده: ۳۳۰۰۰ تومان

تعداد صفحه انگلیسی: ۱۳

سال نشر: ۲۰۱۸

تعداد صفحه ی ترجمه فارسی: ۲۸ صفحه WORD

عنوان فارسی:

مقاله ترجمه شده حسابداری ۲۰۱۸ : مدل سازی فازی از تجارت سهام با شمعدان فازی

عنوان انگلیسی:

Fuzzy modeling of stock trading with fuzzy candlesticks

چکیده فارسی

این مقاله روشی را برای شناسایی الگوهای شمعدانی در یک سیستم تجارت سهام با استفاده از منطق فازی پیشنهاد می‌کند . رویکرد فازی باعث می شود تا ابهام و عدم قطعیت ویژگی های الگوریتم را در نظر بگیریم. حتی بیشتر ، استفاده از قوانین فازی به آن اجازه می‌دهد تا این عدم قطعیت را در یک سیستم تصمیم‌گیری تجاری اضافه شود که نه تنها به سرمایه‌گذار در زمان سرمایه گذاری بلکه در میزان سرمایه‌گذاری توصیه می کند. به این ترتیب ، سیستم هوشمند به متخصصان کمک می‌کند تا از دانش خود ، یعنی قوانین مبتنی بر شمعدان ، به روشی طبیعی‌تر و واقعی‌تر از استاندارد براساس قوانین واضح استفاده کنند.

ما در مقاله ی خود این روش را با تولید یک سیستم تجاری فازی که از سه الگوی شمعدانی شناخته‌شده استفاده می‌کند ، نشان داده‌ایم . عملکرد این سیستم تجارت سهام هوشمند در دو پورتفولیو ( اوراق بهادار ) بازارهای سهام مختلف , Nasdaq – ۱۰۰ و Eurostoxx مورد آزمایش قرار گرفته‌است و در مقایسه با همتای ترد و استراتژی خرید و نگهداری کلاسیک مقایسه شده‌است . سیستم تجاری مبتنی بر شمعدان فازی ما نه تنها شناسایی الگوی با توجه به نسخه ترد آن را بهبود می‌بخشد ، بلکه نتایج امیدوارکننده‌ای نیز از زمان نمایش یک رفتار پایدارتر در بازارها ارایه می‌دهد ، و سود بیشتری را در یک روش کم‌خطر نسبت به دیگر سیستم‌های تجاری مدنظر قرار می‌دهد .

کلید واژه ها: تجارت فازی،منطق،شمعدان،پیش بینی،الگو شناسی،بازار سهام

مقدمه

بازارهای مالی، سیستم های پیچیده ای هستند که تحت تاثیر بسیاری از عوامل اقتصادی؛ سیاسی و روانشناختی قرار دارند و مشخصه آن ها عدم روابط خطی درونی است. آگاهی از زمان و نحوه سرمایه گذاری در بازارهای سهام، تصمیم دشواری برای تجار است. تجارت نیازمند دانش، تحلیل بازار و تجربه زیاد است. امروزه در بازارها متغیرها، شاخص ها و الگوهای زیاد و متفاوتی وجود دارد که باید پیش از تصمیم گیری مالی در فاصله کوتاه زمانی، تحلیل شوند.

تحلیل کمی و فنی تجارت مالی با استفاده از ابزارهای آماری و ریاضی به سرمایه گذاران کمک می کند تا در زمان بهینه برای انجام کار و پایان کار تصمیم گیری کنند. گرچه رویکردهای سنتی گسترش زیادی یافته اما روش های جدید در حوزه های محاسبات هوشمند از قبیل پردازش نرم و یادگیری ماشین با هم ادغام شدند تا اطلاعات مالی را تحلیل کنند. این روش ها متناسب با مشخصه های بازارهای سهام هستند از جمله پویایی، پیچیدگی، غیرخطی بودن و نوسان.

در تحلیل فنی، روش های مختلفی برای ارزیابی تجارت و مبادلات وجود دارد، روش های اصلی و اولیه با سری زمانیِ قیمت های تسهیمی (سری های زمانی نمونه در فراوانی داده شده) و کندل استیکس ژاپنی (شکل۱) آغاز می شوند. کندل استیکس (شکل۱) یک روش مجازی است که رفتار بازار را با ۴ ارزش نشان می دهد و فصل یا دوره تجاری را تشریح می سازد: باز، بسته، بالا و پایین. آن ها یک نمونه با راه حل کارآمد برای رفتار سری های زمانی انبوه پیشنهاد می دهند، ضمن اینکه از تکنیک های کاهش ابعاد استفاده کرده و مانع ایجاد مسائلی با داده های مالی فراوان می شوند، مسائلی همچون فضاسازی موقت غیرمعمول، الگوهای جاری، تقارن قیمت ها و وابستگی پیچیده (ملوسکی، جانویسک، کالتا و ارلوسکی، ۲۰۱۵).

کندل استیکس ژاپنی نه تنها یک نمونه گرافیکی است بلکه ابزاری است که براساس الگوهای کندل استیکس به تصمیم گیری های حوزه سرمایه گذاری جهت می دهد (نیسون، ۲۰۰۱). وجود الگوهای کندل استیکس، باعث پیش بینی جهت قیمت و نقاط تغییر بازار می شود. این روش، مفهومی و ذهنی است اما اغلب مبتنی بر قوانین دقیقی است که هیچگونه عدم اطمینانی را راه نمیدهد. بنابراین، از منطق فازی می توان برای بهبود سیستم های تجاری استفاده کرد ضمن اینکه این روش، طیفی از مفاهیم و تکنیک ها را برای دانشی که غیرقطعی یا مبهم است ارائه می دهد.

Abstract

This paper proposes a methodology to detect candlestick patterns in a stock trading system using fuzzy logic. The fuzzy approach make possible to account for the vagueness and uncertainty of the pattern features. Even more, the use of fuzzy rules allows it to include that uncertainty into a trading decision system that not only advises the investor on when but also on how much capital to invest. In this way, the intelligent system helps the experts to use their knowledge, i.e. the candlestick-based rules, in a more natural and realistic way than the standard one based on crisp rules. In the paper we have illustrated this methodology with the generation of a fuzzy trading system that uses three well-known candlestick patterns that have been fuzzified.

The performance of this intelligent stock trading system is tested in two portfolios of different stock markets, Nasdaq-100 and Eurostoxx, and it is compared against its crisp counterpart and the classical Buy-and-Hold trading strategy. Our fuzzy candlestick-based trading system not only improves the pattern recognition with respect to its crisp version, but it also provides promising results since it exhibits a more stable behavior in the markets analyzed, and obtains more profits in a less risky way than the other trading systems considered

Keywords: Trading Fuzzy logic Candlesticks Forecasting Pattern recognition Stock market

۱. Introduction

Financial markets are complex systems influenced by many in- terrelated economic, political and psychological factors and char- acterized by inherent nonlinearities. Knowing when and how to invest in stock markets is a difficult decision to make by traders. Trading requires knowledge, a thorough analysis of the markets and a great experience. Nowadays, there are many markets, differ- ent variables, indicators, patterns, etc., that must be analyzed be- fore taking a financial decision in a short interval of time. Technical and quantitative analysis in financial trading use mathematical and statistical tools to help investors to decide on the optimum moment to initiate and close orders. While these traditional approaches have served their purpose to some extent, new methods from the computational intelligence field such as soft computing and machine learning have emerged to analyze fi- nancial information. These methods seem more appropriate to deal with the characteristics of stock markets, namely: dynamic, com- plex, non-linear, and volatile. In technical analysis, there are different methods to represent the trading evolution, the main ones being the raw time series of all the observed share prices (time series sampled at a given frequency), and the Japanese candlesticks (see Fig. 1 ). Candlesticks

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Time limit is exhausted. Please reload the CAPTCHA.