particle swarm optimization algorithm
در نشریات گروه مالی-
نشریه تحقیقات مالی، پیاپی 75 (پاییز 1403)، صص 509 -530هدفهدف این پژوهش، انتخاب بهترین شاخص های تکنیکال از منظر خبرگان بازار ارزهای دیجیتال، بهینه سازی عملکرد این شاخص ها توسط الگوریتم های بهینه سازی و در نهایت مقایسه عملکرد قواعد معاملاتی منتخب با یکدیگر از طریق استراتژی خرید و نگهداری است.روشدر این پژوهش با استفاده از روش ترکیبی کیفی کمی، قواعد معاملات تکنیکال برای دو رمزارز بیت کوین و اتریوم استخراج و بهینه سازی می شود و در ادامه، کارایی قواعد مستخرج با استراتژی خرید و نگهداری مقایسه می شود. در بخش کیفی، با تکنیک تاپسیس فازی و بر اساس نظر خبرگان بازار ارز دیجیتال، به انتخاب و رتبه بندی مهم ترین شاخص های تکنیکال پرداخته می شود. در بخش کمی، پیاده سازی قواعد معاملاتی مبتنی بر شاخص های منتخب برای بازه زمانی معین و بهینه سازی عملکرد این قواعد با الگوریتم فراابتکاری ازدحام ذرات انجام می شود. در نهایت، عملکرد شاخص ها در استراتژی های منتخب خبرگان و بهینه سازی شده با الگوریتم، به صورت متمایز و ترکیبی ارزیابی و مقایسه می شود.یافته هادر بخش کیفی، چهار شاخص میانگین متحرک نمایی، قدرت نسبی، ایچیموکو و میانگین متحرک هم گرایی واگرایی، به عنوان شاخص های برتر انتخاب شدند. بر اساس نتایج بخش کمی، بازده استراتژی های معاملاتی خبره محور مثبت و عملکرد اکثر آن ها نسبت به استراتژی خرید و نگهداری بهتر است. همچنین استراتژی های بهینه سازی شده با الگوریتم، به مراتب عملکرد بهتری نسبت به دو استراتژی خبره محور و خرید و نگهداری دارند.نتیجه گیریاستراتژی تکنیکال مناسب در معاملات با استفاده از الگوریتم های بهینه سازی می تواند میزان سودآوری معاملات رمزارز را به مقدار چشمگیری افزایش دهد. همچنین استراتژی حاصل از ترکیب چند شاخص تکنیکال، نسبت به یک شاخص، عملکرد بهتری دارد.کلید واژگان: الگوریتم بهینه سازی ازدحام ذرات، تاپسیس فازی، رمز ارز، روش ترکیبی کیفی-کمی، قواعد معاملات تکنیکیFinancial Research, Volume:26 Issue: 75, 2024, PP 509 -530ObjectiveThe purpose of this paper is to identify the most effective technical indicators in the cryptocurrency market, as viewed by market experts, optimize their performance using optimization algorithms, and ultimately compare the performance of the selected trading rules against each other and the buy-and-hold strategy.
MethodsIn this research, technical trading rules are extracted and optimized for trading two cryptocurrencies, i.e. Bitcoin and Ethereum, using a mixed qualitative-quantitative method. The efficiency of the extracted rules is evaluated and compared with the buy-and-hold strategy. In the qualitative phase, the most important technical indicators are selected and ranked based on the cryptocurrency experts’ view using the fuzzy TOPSIS technique. In the quantitative phase, the selected trading rules are implemented for a certain period and the parameters of the indicators are optimized using the grid search and particle swarm optimization (PSO) algorithm. Finally, the performance of the trading strategies selected by the experts and optimized using metaheuristic algorithms is evaluated and compared.
ResultsIn the qualitative part of this study, 18 technical indicators were selected as candidate indicators in cryptocurrency trading, using the results of related studies. The selected indicators were ranked based on a survey of thirteen cryptocurrency market experts using the snowball sampling method. Finally, four technical indicators were chosen as superior indicators, showing a significant difference compared to the other technical indicators. The selected indicators were the exponential moving average, relative strength index, Ichimoku, and moving average convergence divergence. In the quantitative part of the research, the expert-based trading rules were implemented for the Bitcoin and Ethereum markets from 2018/06/30 to 2020/06/30. According to our numerical results, most of the expert-based trading strategies are more profitable than the buy-and-hold strategy. Then, the parameters of the expert-based trading rules were optimized using two metaheuristic algorithms, namely grid search and particle swarm optimization. The implementation results showed that the trading strategies optimized by these algorithms outperform both the expert-based and the buy-and-hold strategies.
ConclusionBased on the experimental results of this research, exponential moving average, relative strength index, Ichimoku, and moving average convergence-divergence trading rules are commonly used and proposed by cryptocurrency market experts. Moreover, the profitability of the well-known technical trading rules could be significantly improved using the grid search and particle swarm optimization algorithms. Also, trading strategies using the combination of several technical indicators always perform better than trading strategies with a single indicator. However, all technical analysis strategies are not necessarily more profitable compared to the buy-and-hold strategy. Using inappropriate technical strategies may not only be better than the buy and hold strategy, but sometimes it causes losses in cryptocurrency trading.Keywords: Cryptocurrency, Fuzzy Topsis, Hybrid Qualitative-Quantitative Method, Particle Swarm Optimization Algorithm, Technical Trading Rules -
با وجود این واقعیت که مدیریت سرمایه در گردش در درماندگی مالی نقشی محوری دارد؛ اما مطالعات انجام شده در این زمینه، تاکنون درک عمیقی از چگونگی تاثیرگذاری اطلاعات سرمایه در گردش بر درماندگی مالی را فراهم نکرده است؛ لذا هدف این پژوهش بررسی تاثیر اطلاعات سرمایه در گردش در پیش بینی درماندگی مالی بر مبنای ترکیب شبکه عصبی مصنوعی و الگوریتم تجمعی حرکت ذرات است. نمونه آماری متشکل از 120 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1387 تا 1398 است. بدین ترتیب، ابتدا 28 متغیر اثرگذار بر درماندگی مالی انتخاب و سپس با استفاده از روش رگرسیون لجستیک پیشرو مدل برآورد و 5 متغیر تاثیرگذار انتخاب گردید. در گام بعد، به منظور بررسی محتوای اطلاعاتی مدیریت سرمایه در گردش به مقایسه مدل پژوهش با توجه و بدون توجه به متغیر مدیریت سرمایه در گردش بر مبنای ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذرات پرداخته شده است. نتایج مقایسه دو مدل نشان داد توسعه مدل پژوهش، خطای آموزش شبکه عصبی با الگوریتم حرکت تجمعی ذرات را به مقدار 0641/0 کاهش می دهد. همچنین، با توسعه مدل پژوهش، از طریق وارد کردن متغیر مدیریت سرمایه در گردش، سطح زیرمنحنی راک به 6248/0 افزایش می یابد و در نتیجه، بر دقت مدل پژوهش تا 53/70 درصد افزوده می شود. همچنین نتایج، افزایش قدرت مدل توسعه یافته پژوهش را نشان می دهد؛ اما نتیجه آزمون ضعیف است و نشان می دهد مدل توسعه یافته پژوهش نیز در تفکیک شرکت ها به دو گروه درمانده و غیر درمانده مالی، کمابیش یک مدل تصادفی است.
کلید واژگان: سرمایه در گردش، درماندگی مالی، الگوریتم تجمعی حرکت ذراتThe purpose of this research is to investigate the information of circulation capital management information for predicting financial helplessness based on artificial neural networks and particle cumulative optimization algorithms. The statistical population of the research consists of 120 companies listed in Tehran Stock Exchange during the years 2008-2019. In order to achieve the goals of the research, first, by studying previous studies in the field of financial distress, 28 variables affecting financial distress and then, using the leading logistic regression model, the estimated model and 5 variables were selected. Then, in order to verify the information of the information management information in circulation, comparing the research model with attention and regardless of the circulation of circulation management based on the combination of artificial neural networks and the optimization of the cumulative particle movement. The results of the two models based on the combination of artificial neural networks and the optimization algorithm of cumulative particle movement showed that the development of the research model reduced the error of neural network training with the cumulative particle movement algorithm to 0.0641. Also, with the development of the research model, the subcutaneous level of Rock increases to 6,248 and, consequently, the research model is added to 70.5%. This result shows the effectiveness of the entry of capital management in the research model.
Keywords: Working Capital, Financial Distress, particle swarm optimization algorithm -
ماهیت فعالیت های تجاری و سرمایه گذاری به گونه ای است که کسب بازدهی مستلزم تحمل ریسک است. انتخاب سبد سهام عمل دشوار و سختی است که سرمایه گذار خود را در مقابل انتخاب زیاد و گوناگونی می بیند که باید یکی از آن ها را به عنوان بهترین روش انتخاب کند. پژوهش حاضر به مساله بهینه سازی سبد سهام با توجه به ارزش در معرض خطر بر مبنای الگوریتم هوشمند آتش بازی و مقایسه آن با الگوریتم انبوه ذرات از روش شبیه سازی تاریخی با استفاده از نرم افزارMATLAB می پردازد. تنظیم پارامترهای الگوریتم های فراابتکاری به روش تاگوچی با استفاده از نرم افزارMINITAB انجام شد. در این پژوهش از اطلاعات سهام شرکت های پذیرفته شده در بورس اوراق بهادار که اطلاعات قیمت و بازده نقدی آن ها بین سال های 1396 تا شهریور 1399 ثبت شده است و مطابق ماده 141 قانون تجارت مشمول تعلیق نیستند، استفاده شد. جهت پایایی پژوهش از آزمون دیکی فولر تعمیم یافته و آزمون فیلیپس پرون استفاده شد. برای ارزیابی دقت مدل ارزش در معرض خطر از آزمون نسبت شکست کوپیک، آزمون استقلال کریستوفرسن و آزمون ترکیبی استفاده شده است. همچنین مقایسه ای نیز بین مدل ها توسط آزمون لوپز صورت گرفت. زمان اجرای الگوریتم انبوه ذرات نسبت به الگوریتم آتش بازی در هر سه سطح اطمینان کمتر بوده است اما سرعت همگرایی الگوریتم آتش بازی نسبت به الگوریتم انبوه ذرات در همه سطوح بیشتر بوده است. یافته های پژوهش نشان داد که مدل ارزش در معرض خطر با استفاده از الگوریتم آتش بازی علی رغم زمان اجرای بیشتر به علت سرعت همگرایی بهتر و رتبه بالاتر آزمون لوپز از اعتبار مناسب تری جهت بهینه سازی سبد سهام برخوردار است.
کلید واژگان: سبد بهینه، ارزش در معرض خطر، الگوریتم آتش بازی، الگوریتم انبوه ذراتThe nature of business and investment activities is such that earning a return requires risk tolerance. Choosing a stock portfolio is a difficult and difficult task that the investor sees in the face of the many and varied choices that she must choose as one of the best methods. The present study deals with the problem of stock portfolio optimization according to the Value at Risk based intelligent fireworks algorithm and compares it with Particle Swarm Optimization algorithm with the historical simulation method using MATLAB software. The parameters of meta-heuristic algorithms were adjusted by Taguchi method using MINITAB software. Not suspended, used. For reliability of the study, generalized Dickey-Fuller test and Phillips-Prone test were used. To evaluate the accuracy of the Conditional Value at Risk model, the kupiec proportion of failure test, Christoffersen independence test and Conditional coverage test are used. A comparison was also made between the models by Lopez test. The execution time of the Particle Swarm Optimization was less than that of the fireworks algorithm at all three levels of confidence, but the convergence speed of the fireworks algorithm was faster than that of the Particle Swarm Optimization at all levels. Findings showed that the Value at Risk model using the fireworks algorithm, despite the longer execution time due to better convergence speed and higher rank of Lopez test has a more appropriate validity for stock portfolio optimization.
Keywords: Optimal Portfolio, Value at Risk, Fireworks' Algorithm, particle swarm optimization algorithm -
Stock prices in each industry are one of the major issues in the stock market. Given the increasing number of shareholders in the stock market and their attention to the price of different stocks in transactions, the prediction of the stock price trend has become significant. Many people use the share price movement process when com-paring different stocks while investing, and also want to predict this trend to see if the trend continues to increase or decrease over time. In this research, stock price prediction for 1170 years -company during 2011-2016 (a six-year period) of listed companies in stock exchange has been studied using the machine learning method (Chaid rule-based algorithm and Particle Swarm Optimization Algorithm). The results of the research show that there is a significant relationship between earnings per share, e / p ratio, company size, inventory turnover ratio, and stock returns with stock prices. Also, particle swarm optimization (pso) algorithm has a good ability to predict stock prices.
Keywords: stock price, particle swarm optimization algorithm, Chaid rule-based algoritm -
نشریه بورس اوراق بهادار، پیاپی 41 (بهار 1397)، صص 121 -152هدف این پژوهش، ارائه یک مدل انتخاب بهینه سبد سهام چند دوره ای بر اساس ارزش در معرض ریسک با وجود هزینه های معاملاتی است. سبد سهام چند دوره ای به سرمایه گذار این امکان را می دهد که در فواصل زمانی مشخص، محتویات سبد را مورد بازنگری قرار داده و متناسب با اطلاعات جدید، آن را تعدیل کند. نمونه ای به صورت ده سبد پنج سهمی به صورت تصادفی از شرکت های حاضر در بورس اوراق بهادار تهران در طی سال های 1393-1388 که با احتساب بازده بدون ریسک سالیانه (20 /0) میانگین بازده سه ماهه آنها از 1 /0 بیشتر می باشد، انتخاب گردید. مدل ارائه شده به کمک دو الگوریتم ژنتیک پیوسته و تجمعی ذرات مورد بهینه سازی قرار گرفته است. برای سنجش میزان کارایی نتایج دو الگوریتم، از معیار ارزش در معرض ریسک استفاده شد. نتیجه پژوهش حاکی از کارایی بالاتر نتایج حاصل از الگوریتم تجمعی ذرات نسبت به الگوریتم ژنتیک می باشد.کلید واژگان: الگوریتم ژنتیک، الگوریتم تجمعی ذرات، ارزش در معرض ریسک، سبد سهام چند دوره ایThe purpose of this study is to provide an optimal selection model for multi-round equity portfolios based on the value of exposed risk periods, with transaction costs. Multi-stock portfolios allow the investor to revise the contents of the basket over time and adjust it to fit new information. For sample, ten portfolios of five shares were randomly selected from companies listed in Tehran Stock Exchange during the years of 1388-1393, which, with an annual risk-free return (20%), average quarterly returns of more than 0.1, were selected. The proposed model is optimized using two continuous and cumulative particle genetic algorithms. In order to measure the efficiency of the results of the two algorithms, a risk-based value criterion has been used and the result of the research suggests higher efficiency of the results of the particle cumulative algorithm compared to the genetic algorithm.Keywords: Value at Risk , Multi Period Portfolio , Genetic Algorithm , Particle Swarm Optimization Algorithm
-
مسئله ی انتخاب سبد سهام بهینه، یافتن روشی بهینه برای تخصیص مقدار ثابتی سرمایه به مجموعه ای از دارایی های موجود است که با هدف داشتن حداکثر بازده مورد انتظار و در عین حال حداقل ریسک ممکن، صورت می گیرد.در این پژوهش، نشان داده می شود که یک سرمایه گذار با وجود سهم ریسکی، چگونه می تواند دارایی اش را برای رسیدن به سود مشخص با حداقل ریسک بین این سهام پخش کند.چنین سبد سهامی، یک سبد سهام کارا نامیده می شود. برای این منظور، با بررسی الگوریتم های فراابتکاری ژنتیک، رقابت استعماری و ازدحام ذرات و در نظر گرفتن قیدهای اساسی در مسئله سرمایه گذاری، از این روش های کاربردی برای حل مسئله بهینه سازی سبد سهام استفاده می کنیم. ارزش سبد سرمایه و ریسک آن، به عنوان اهداف بهینه سازی و معیار ارزش در معرض ریسک مشروط، به عنوان سنجه ریسک به کار برده شده است. نتایج عملی برای حل مسئله بهینه سازی سبد سرمایه در بازار بورس اوراق بهادار تهران، با انتخاب 20 شرکت از میان 30 صنعت فعال تر موجود، همراه با اعتبارسنجی آن ها به دست آمده است. هدف کمک به سرمایه گذاران برای انتخاب هرچه بهتر و عملی تر سهام مختلف و در نتیجه سرمایه گذاری موثر است.کلید واژگان: سبد سهام، ارزش در معرض ریسک مشروط، الگوریتم ازدحام ذرات، الگوریتم ژنتیک، الگوریتم رقابت استعماریThe optimal portfolio selection problem to find an optimal way to allocate a fixed amount of capital to a set of available assets which aims to maximize expected returns and minimize risk at the same time, to take place. In this Study is shown that an investor with n risky share, how to reach certain profits with minimal risk. Such a portfolio, efficient portfolio is called. For this purpose, the study of evolutionary algorithms, Genetic Algorithm, Imperialist Competitive Algorithm and Particle Swarm Optimization algorithm, also with regard to the basic constraints on the investment, we use these practical methods to solve the portfolio optimization problem. Practical results for the portfolio optimization problem in the Tehran Stock Exchange, of the30 company's active in the industry with the selection of20companies along with their validation, is obtained. Aims to help investors better and more practical to select different stocks and thus is an effective investment.Keywords: Portfolio, Conditional Value at Risk, Particle Swarm Optimization Algorithm, Genetic Algorithm, Imperialist Competitive Algorithm
-
مسئله ی انتخاب سبد سهام بهینه، یافتن روشی بهینه برای تخصیص مقدار ثابتی سرمایه به مجموعه ای از دارایی های موجود است که با هدف داشتن حداکثر بازده مورد انتظار و در عین حال حداقل ریسک ممکن، صورت می گیرد.در این پژوهش، نشان داده می شود که یک سرمایه گذار با وجود سهم ریسکی، چگونه می تواند دارایی اش را برای رسیدن به سود مشخص با حداقل ریسک بین این سهام پخش کند.چنین سبد سهامی، یک سبد سهام کارا نامیده می شود. برای این منظور، با بررسی الگوریتم های فراابتکاری ژنتیک، رقابت استعماری و ازدحام ذرات و در نظر گرفتن قیدهای اساسی در مسئله سرمایه گذاری، از این روش های کاربردی برای حل مسئله بهینه سازی سبد سهام استفاده می کنیم. ارزش سبد سرمایه و ریسک آن، به عنوان اهداف بهینه سازی و معیار ارزش در معرض ریسک مشروط، به عنوان سنجه ریسک به کار برده شده است. نتایج عملی برای حل مسئله بهینه سازی سبد سرمایه در بازار بورس اوراق بهادار تهران، با انتخاب 20 شرکت از میان 30 صنعت فعال تر موجود، همراه با اعتبارسنجی آن ها به دست آمده است. هدف کمک به سرمایه گذاران برای انتخاب هرچه بهتر و عملی تر سهام های مختلف و در نتیجه سرمایه گذاری موثر است.کلید واژگان: سبد سهام، ارزش در معرض ریسک مشروط، الگوریتم ازدحام ذرات، الگوریتم ژنتیک، الگوریتم رقابت استعماریThe optimal portfolio selection problem to find an optimal way to allocate a fixed amount of capital to a set of available asset swhich aims to maximize expected returns and minimize risk at the same time, to take place. In this Study is shown that an investor with n risky share, how to reach certain profits with minimal risk. Such a portfolio, efficient portfolio is called. For this purpose, the study of evolutionary algorithms, Genetic Algorithm, Imperialist Competitive Algorithm and Particle Swarm Optimization algorithm, also with regard to the basic constraints on the investment, we use these practical methods to solve the portfolio optimization problem. Practical results for the portfolio optimization problem in the Tehran Stock Exchange, of the30 company' sactivein the industry with the selection of20companies along with their validation, is obtained. Aims to help investors better and more practical to select different stocks and thus is an effective investment.Keywords: Portfolio, Conditional Value at Risk, Particle Swarm Optimization Algorithm, Genetic Algorithm, Imperialist Competitive Algorithm
-
انتظارات مربوط به سود اثرات قابل ملاحظه ای بر تصمیمات مدیران و سرمایه گذاران دارد. یکی از معیار هایی که امروزه به عنوانشاخص سود آوری شرکت ها مورد توجه قرار می گیرد، مفهوم سود هر سهم است. سود هر سهم آثار عمده ای بر قیمت سهام شرکت ها نیز دارد. از اینرو پیش بینی سود هر سهمهم برای سرمایه گذاران و هم برای مدیران از اهمیت بسزایی برخوردار است. هدف از انجام این پژوهش، مدل بندی پیش بینی سود هر سهم شرکت های پذیرفته شده در بورس اوراق بهادار تهران،با استفاده از ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذراتبر مبنای مدل های تک متغیره و چند متغیره است. بدین منظور از اطلاعات مربوط به 114 شرکت از شرکت های پذیرفته شده در بورس اوراق بهادار تهران، طی سال های 1380 تا 1389 استفاده شده است.نتایج این پژوهش نشان می دهدکهمدل تک متغیره بادقت 78.5% ومدل چند متغیره با دقت 91.7% سود هر سهم را پیش بینی می نماید.کلید واژگان: سود هر سهم، الگوریتم بهینه سازی حرکت تجمعی ذرات، متغیر های بنیادی حسابداری، شبکه های عصبی مصنوعیExpectations about earning have significant effects on managers and investors decisions. Today, one of the measures that are takenin to consideration as an indicator ofcompaniesprofitability is the concept of earningpershare.Also earningper share has major effectson stock price of companies. Hence, forecastingearning per shareisof great importance forbothinvestorsandmanagers. The aimof thisstudy is to modelearning pershareforecast of listed companies in Tehran Stock Exchange(TSE) by using the combination ofartificial neural networksand particle swarm optimizationalgorithmbased onunivariate andmultivariate models. To do this,the data of114 companies among the existing listed onesinTehran Stock Exchange was usedduring1380-1389(2001-2010).The results showed that univariate model with 78.5% accuracy and multivariate models with 91.7% accuracy, forecast earning per share.Keywords: Earning Per Share, Particle Swarm Optimization Algorithm, Fundamental Accounting Variables, Artificial Neural Networks
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.