نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان، ایران.

10.22105/dmor.2021.297810.1456

چکیده

هدف: این مقاله، در راستای ارائه مدلی برای شناسایی سودده­‌ترین نقاط عطف و یا نقاط عطف بهینه موجود در گذشته سری زمانی ابزار مالی، تدوین گردیده است. استراتژی معاملاتی سودده که به‌عنوان ابزاری برای کسب سود در بورس شناخته می­‌شود، استراتژای‌ای است که از نقاط معاملاتی سودده، شکل ‌گرفته شده باشد. نقاط معاملاتی، در ادبیات موضوع با نام نقاط عطف شناخته می‌­شوند. پیش‌بینی نقاط عطف ابزاری برای دستیابی به استراتژی معاملاتی سودده می‌­باشد. اولین گام برای پیش‌بینی نقاط عطف، شناسایی نقاط عطف موجود در گذشته سری زمانی ابزار مالی است. میزان سوددهی نقاط عطف شناسایی‌شده، تأثیری مستقیم بر میزان سوددهی نقاط عطف پیش‌بینی‌شده می­‌گذارد. به همین دلیل ادبیات موضوع، همواره در تلاش برای افزایش میزان سوددهی نقاط عطف مالی شناسایی‌شده، بوده است. بررسی کامل ادبیات موضوع توسط محققین نشان می‌­دهد که هیچ‌یک از روش­‌های موجود، قابلیت شناسایی سودده­‌ترین نقاط عطف مالی را ندارند.
روش‌شناسی پژوهش: این مقاله، مسئله شناسایی نقاط عطف سری زمانی ابزارهای مالی را در بستر برنامه‌ریزی پویا مدل‌سازی می‌کند و پس‌ازآن با استفاده از فرآیندی بازگشتی، به حل بهینه آن می­‌پردازد.
یافته‌: نتایج عددی حاصل از پیاده‌سازی مدل شناسایی پیشنهادی بر چهار شرکت فعال در بورس اوراق بهادار تهران، نشان می­‌دهد که این مدل، از قابلیت شناسایی نقاط عطف بهینه مالی برخوردار است.
اصالت/ارزش‌افزوده علمی: مقایسه عملکرد مدل پیشنهادی با تعدادی از بهترین روش­‌های شناسایی موجود در ادبیات موضوع، نشان‌دهنده کارایی مدل پیشنهادی در مسئله شناسایی نقاط عطف مالی است.

کلیدواژه‌ها

عنوان مقاله [English]

Detecting the Optimal Trading Strategy in the Stock Exchange, with the Application of Dynamic Programming

نویسندگان [English]

  • Fateme Yazdani
  • Mehdi Khashei
  • Seyed Reza Hejazi

Department of Industrial and Systems Engineering Department, Isfahan University of Technology, Isfahan, Iran

چکیده [English]

Purpose: This paper aims to propose a model for detecting the most profitable or the optimal Turning Points (TPs) existing in the history of the financial tool's time series. The profitable trading strategy, which is known as a tool for gaining profit in the Stock Exchange, is the strategy formed from the profitable trading points. Trading points, in the corresponding literature, are known as TPs. TPs prediction is a tool for the achievement of a profitable trading strategy. The first step for predicting TPs is to detect TPs existing in the history of the financial tool's time series. The profitability of the detected TPs has a direct effect on the profitability of the predicted TPs. Given this, the literature has always tried to increase the profitability of the detected financial TPs. A complete review of the literature, by researchers, indicates that none of the existing methods can detect the optimal financial TPs.
Methodology: This paper implements the problem of detecting TPs from the financial tool's time series, in the context of dynamic programming (DP) and then solves it optimally through a recursive procedure.
Findings: Numerical results obtained from the application of the proposed model to four companies listed on the Tehran Stock Exchange indicate that the proposed model can detect the optimal financial TPs.
Originality/Value: Originality in research mean what you are doing is from your own perspective although you may draw arguments from other research work to back up your arguments.

کلیدواژه‌ها [English]

  • Turning Points (TPs) Detection
  • Dynamic Programming (DP)
  • Trading Strategy
  • Financial Tool
Baktash, E., Amoushahi, B., & Behdad, M. M. (2014). Ranking organizations on the basis of intellectual capital indices by applying DEA: a case study of petrochemical companies listed on Tehran Stock Exchange. Journal of applied research on industrial engineering1(2), 59-73.
Bellman, R. (1953). An introduction to the theory of dynamic programming (first Ed). RAND Corporation.
Bramante, R., Facchinetti, S., & Zappa, D. (2019). Online detection of financial time series peaks and troughs: a probability‐based approach. Statistical analysis and data mining: the ASA data science journal, 12(5), 426-433.
Brock, W., Lakonishok, J., & LeBaron, B. (1992). Simple technical trading rules and the stochastic properties of stock returns. The journal of finance, 47(5), 1731-1764.
Chang, P. C., Fan, C. Y., & Liu, C. H. (2008). Integrating a piecewise linear representation method and a neural network model for stock trading points prediction. IEEE transactions on systems, man, and cybernetics, part C (applications and reviews)39(1), 80-92.
Chang, P. C., Liao, T. W., Lin, J. J., & Fan, C. Y. (2011). A dynamic threshold decision system for stock trading signal detection. Applied soft computing11(5), 3998-4010.
Chang, P. C., Liu, C. H., Fan, C. Y., Lin, J. L., & Lai, C. M. (2009, September). An ensemble of neural networks for stock trading decision making. International conference on intelligent computing (pp. 1-10). Springer, Berlin, Heidelberg.
Chen, X., & He, Z. J. (2015, June). Prediction of stock trading signal based on support vector machine. 2015 8th International conference on intelligent computation technology and automation (ICICTA) (pp. 651-654). IEEE.
Dash, R., & Dash, P. K. (2016). A hybrid stock trading framework integrating technical analysis with machine learning techniques. The journal of finance and data science2(1), 42-57.
Grillenzoni, C. (2012). Evaluation of recursive detection methods for turning points in financial time series. Australian & New Zealand journal of statistics54(3), 325-342.
Grillenzoni, C. (2014). Sequential smoothing for turning point detection with application to financial decisions. Applied stochastic models in business and industry30(2), 132-140.
Huang, H., Pasquier, M., & Quek, C. (2009). Financial market trading system with a hierarchical coevolutionary fuzzy predictive model. IEEE transactions on evolutionary computation13(1), 56-70.
Kaiser, R., & Maravall, A. (2012). Measuring business cycles in economic time series (Vol. 154). Springer Science & Business Media.
Kayal, A. (2010, October). A neural networks filtering mechanism for foreign exchange trading signals. 2010 IEEE international conference on intelligent computing and intelligent systems (Vol. 3, pp. 159-167). IEEE.
Khalifa, H. (2019). A study on investment problem in chaos environment. Journal of applied research on industrial engineering6(3), 177-183.
Lin, N., Xu, W., Zhang, X., & Lv, S. (2014). Can web news media sentiments improve stock trading signal prediction?. Proceedings of the 19th Pacific Asia conference in information systems (PACIS 2015) (pp. 200). Singapore.
Luo, L., You, S., Xu, Y., & Peng, H. (2017). Improving the integration of piece wise linear representation and weighted support vector machine for stock trading signal prediction. Applied soft computing56, 199-216.
Marsh, I. W. (2000). High‐frequency Markov switching models in the foreign exchange market. Journal of forecasting19(2), 123-134.
Martikainen, T., Perttunen, J., Yli-Olli, P., & Gunasekaran, A. (1994). The impact of the return interval on common factors in stock returns: evidence from a thin security market. Journal of banking & finance18(4), 659-672.
Nadafi, Z., & Pourali, M. R. (2020). The effect of stock liquidity on companies future investment: a study of the Iranian capital market. Innovation management and operational strategies, 1(3), 269-286. (In Persian). DOI: 10.22105/IMOS.2021.272228.1031
Oladimeji, I. W. (2016). Forecasting shares trading signals with finite state machine variant. Multidisciplinary engineering science and technology3(4), 4488-4493.
Qi, M., & Maddala, G. S. (1999). Economic factors and the stock market: a new perspective. Journal of forecasting18(3), 151-166.
Rasoulzadeh, M., & Fallah, M. (2020). An overview of portfolio optimization using fuzzy data envelopment analysis models. Journal of fuzzy extension and applications1(3), 188-197.
Tang, H., Dong, P., & Shi, Y. (2019). A new approach of integrating piecewise linear representation and weighted support vector machine for forecasting stock turning points. Applied soft computing78, 685-696.
Terasvirta, T., Tjostheim, D., & Granger, C. W. (2010). Modeling nonlinear economic time series. OUP Catalogue.
Vander Wiel, S. A. (1996). Monitoring processes that wander using integrated moving average models. Technometrics38(2), 139-151.
Zhu, M., & Wang, L. (2010, July). Intelligent trading using support vector regression and multilayer perceptrons optimized with genetic algorithms. The 2010 international joint conference on neural networks (IJCNN) (pp. 1-5). IEEE.