ترجمه یک مدل تجاری آبشاری دو سطحی خرید تحت پوشش، مبتنی بر محاسبات تکاملی

توضیحات

 عنوان فارسی: یک مدل تجاری آبشاری دو سطحی خرید تحت پوشش، مبتنی بر محاسبات تکاملی

عنوان انگلیسی مقاله ترجمه شده:

A Two-Level Cascade Evolutionary Computation Based Covered Call Trading Model

یک مدل تجاری آبشاری دو سطحی خرید تحت پوشش، مبتنی بر محاسبات تکاملی

 

چکیده

در این تحقیق، یک مدل تجاری آبشاری دو سطحی سهام، ارائه شده است. در سطح اول، سیگنال های خرید / فروش با استفاده از بهینه سازی پارامترهای شاخص فنی RSI با روش های محاسبات تکاملی ایجاد شده اند. سپس با استفاده از پارامترهای انتخاب شده، در سطح دوم، معاملات واقعی با استفاده از یک استراتژی بهینه خرید تحت پوشش، انجام می شوند. مجددا بهینه سازی با محاسبات تکاملی پیاده سازی شده است. در این مطالعه خاص، الگوریتم های ژنتیک (GA) و بهینه سازی جمعیت ذرات (PSO) به عنوان روش های محاسبات نرم برای بهینه سازی انتخاب شده اند. از داده های مربوط به اختیارات معامله و مقادیر نزدیک تاریخی پایان روز برای S&P 500 Spider و 4 صندوق دیگر قابل معامله (EWZ، XLE، IWM، XLF) بین سال های 2005 تا 2009 استفاده شده است. سیستم با استفاده از داده های بین سال های 2005 و 2008 آموزش داده شده ؛ تست با داده های سال 2009 انجام شده است. نتایج نشان می دهد که مدل پیشنهادی، عملکرد بهتری نه تنها نسبت به استراتژی خرید و نگهداری، بلکه نسبت به خرید و فروش صندوق قابل معامله به تنهایی و بدون اختیارات معامله[1]، دارد. در کارهای آتی، داده های مختلف سهام / صندوق قابل معامله[2] و استراتژی های اختیارات ترکیبی مختلف به جهت شناسایی کارایی تکنیک های مختلف، مشمول این مدل خواهند شد.

کلمات کلیدی: معاملات سهام؛ تجزیه و تحلیل فنی؛ RSI؛ معاملات تحت اختیار؛ خرید تحت پوشش؛ الگوریتم ژنتیک (GA)؛ بهینه سازی جمعیت ذرات (PSO)؛ محاسبات تکاملی.

• مقدمه

مدتی است که از روش های محاسبات نرم برای پیش بینی بازار سهام و ایجاد استراتژی های موفق تجاری استفاده می شود [6]. با این حال با دسترسی به ابزارهای مالی بیشتر، مانند اوراق مشتقه (اختیارات معامله، پیش فروش ها و غیره) بر روی پلتفرم های تجاری آنلاین، افراد، علاوه بر افراد حرفه ای بازار، در حال حاضر قادر به پیاده سازی استراتژی های معاملاتی پیچیده نیز می باشند. حتی اگر این ابزارهای جدید بتوانند برای اعمال نفوذ و/ یا مصون سازی به منظور کاهش احتمال خطر سهام استفاده شوند، باز هم باعث ایجاد پیچیدگی های اضافی در مسئله ی توسعه ی استراتژی خواهند شد.

این تحقیق، درصدد یک مدل تجاری پیچیده با استفاده از یک استراتژی بهینه خرید تحت پوشش است. این مدل شامل دو سطح می باشد؛ در سطح اول، تصمیم گیری پیرامون زمان خرید و فروش انجام می شود، به عنوان مثال نقاط آمادگی سیگنال خرید / فروش توسط GA و PSO محاسبه می شوند. در سطح دوم، قسمت اختیار خرید از استراتژی خرید تحت پوشش، بهینه سازی شده به طوری که بهترین گزینه برای به حداکثر رساندن سود انتخاب شده است. در بخش 2 و 3، GA و PSO به ترتیب به طور خلاصه معرفی شده اند. بخش 4 مدل پیشنهادی را توصیف می کند و نتایج در بخش 5 می باشند، نتیجه گیری و بحث در ذیل بخش 6 آمده اند.

• الگوریتم ژنتیک (GA)

الگوریتم ژنتیک یک روش بسیار محبوب در میان الگوریتم های تکاملی است. این الگوریتم راه حل ها را تحت عنوان کروموزوم ها و پارامترهای راه حل را تحت عنوان ژن ها نمایش می دهد. هر کروموزوم، یک راه حل کاندید برای مسئله در فضای جستجو است. گروه کروموزوم ها، جمعیت نامیده می شود. کیفیت یک کروموزوم توسط یک تابع شایستگی، ارزیابی می شود. بهترین کروموزوم در جمعیت، کروموزومی است که نتیجه ی تابع شایستگی  را بسته به مسئله، حداقل و یا حداکثر می کند. برای به دست آوردن بهترین کروموزوم، الگوریتم، نسل های جدید را از کروموزوم های فعلی تولید می کند. در هر نسل، روش های تکامل طبیعی بر روی کروموزوم های شروع کننده (والدین) انجام شده و کروموزوم های فرزند به دست می آیند. روش های تکامل عبارتند از انتخاب (انتخاب کروموزوم ها به عنوان والدین از جمعیت فعلی)، همبری (به دست آوردن یک کروموزوم جدید از دو کروموزوم والد) و جهش (تغییر تصادفی برخی از ژن ها بر روی یک کروموزوم).

روش های تکامل برای تولید راه حل های جدید و فائق آمدن بر مسئله ی حداکثر محلی استفاده می شوند. همبری، تولید یک راه حل کاندید جدید را با ترکیب ژن های والدین آن فراهم می کند. برای بهبود روند انتخاب والد، الگوریتم ما از نرخ نخبه گرایی استفاده می کند که بدین معناست که بهترین کروموزوم ها بدون تغییر به نسل بعدی منتقل می شوند، بنابراین کیفیت جمعیت و احتمال ایجاد نسل های بهتر، بهبود می یابد. جهش، به منظور فائق آمدن بر مسئله ی حداکثر محلی، به صورت تصادفی مقدار یک ژن را تغییر می دهد. تغییرات تصادفی بر روی کروموزوم ها ممکن است منجر به تولید راه حل های بهتر شود. نرخ جهش به طور کلی یک عدد کوچک است، چرا که چنانچه بزرگ انتخاب شود، الگوریتم تبدیل به یک جستجوی تصادفی می شود. جزئیات مربوط به چگونگی اجرای الگوریتم ژنتیک را می توانید در [5] ببینید.

اندازه ی یک جمعیت، عامل مهم دیگری است، چرا که احتمال پیدا کردن زودتر یک راه حل عملی با اندازه جمعیت افزایش می یابد. از سوی دیگر، الگوریتم با افزایش اندازه جمعیت، آهسته تر می شود؛ در این مطالعه، اندازه جمعیت 1000 انتخاب شده است. نرخ نخبه گرایی 0.01 انتخاب شده، که بدین معنی­ست که در هر تکرار، 1 درصد از بهترین کروموزوم ها بدون تغییر باقی خواهند ماند. در این مطالعه، نرخ جهش 0.05 انتخاب شده است.

در این تحقیق، از الگوریتم ژنتیک برای بهینه سازی پارامترهای شاخص  RSIو پارامترهای تجاری اختیار معامله استفاده شده است. در عین حال، الگوریتم تکاملی دیگری، بهینه سازی جمعیت ذرات (PSO) نیز به صورت موازی پیاده سازی شده و نتایج عملکرد، مقایسه شده اند.

• بهینه سازی جمعیت ذرات (PSO)

PSO یک روش بهینه سازی است که برای اولین بار توسط کندی و ابرهارت در سال 1995 معرفی شد [1]. این روش بهینه سازی از حرکات پرندگان، اینکه چگونه در یک مکان جمع می شوند، الهام گرفته شده بود. روش PSO اخیرا در مسائل بهینه سازی مالی مانند بهینه سازی سبد سهام [2] و قیمت گذاری سهام طبق طرح اختیار سهام استفاده می شود [3]. در این مطالعه، ما از PSO برای بهینه سازی پارامترهای مربوط به سودآوری با معامله طبق طرح اختیار سهام استفاده کرده و نتایج را با نتایج GA مقایسه نموده ایم.

در جمعیت ذرات، ذرات، راه حل های کاندید هستند و جمعیت، نشان دهنده ی تمام راه حل های ممکن است. همه ی ذرات یا راه حل های کاندید، یک موقعیت (xi)، یک سرعت (vi) و یک بهترین موقعیت (pi) دارند. این مقادیر، برداری هستند که شامل اعداد حقیقی می باشند. در بردارهای موقعیت، مقادیر، همان پارامترها هستند و بردار سرعت، اطلاعات مربوط به اینکه ذره چگونه می تواند در فضای جستجو حرکت کند را نگه می دارد. موقعیتی که تابع هزینه را حداقل می کند، بهترین موقعیت ذره است. تعداد پارامترها برابر با اندازه ی بردار است. همه ی مقادیر، مرزهایی دارند که بسته به مسئله و پارامترها تغییر می یابند. همچنین یک تابع هزینه وجود دارد که برای تصمیم گیری در مورد اینکه راه حل تا چه حد خوب است، استفاده می شود. هدف این الگوریتم، به حداقل رساندن تابع هزینه است.

حرکت ذرات در فضای جستجو با استفاده از فرمول 1 و 2 محاسبه می شود. w، وزن اینرسی است که معمولا دارای مقدار 1 و یا 0.9 می باشد. مقدار سرعت یک ذره، توسط پارامترها داده شده است. اگر مقادیر سرعت بالا داده شوند، پس از آن موقعیت ذرات بسیار متفاوت خواهد بود. این موضوع ممکن است باعث یک پرش از روی یک راه حل کارآمد شود. از سوی دیگر، اگر مقادیر اعداد کوچکی انتخاب شوند، ذرات از موقعیت خود به اندازه کافی دور نخواهند شد و زمان جستجو، طولانی تر خواهد شد

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.

سفارش ترجمه مقاله

به منظور سفارش ترجمه تخصصی مقالات خود بر روی کلید زیر کلیک نمایید.

سفارش ترجمه تخصصی