به کارگیری روشی مبتنی بر گراف برای شناسایی نقاط عطف بهینه سری زمانی مالی
Publish place: Financial Research Journal، Vol: 24، Issue: 1
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 205
This Paper With 21 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFR-24-1_002
تاریخ نمایه سازی: 31 خرداد 1401
Abstract:
هدف: اتخاذ استراتژی معاملاتی سودده، یکی از دغدغه های سرمایه گذاران بازار مالی است. این استراتژی، بر پایه نقاط معاملاتی یا نقاط عطف سودده شکل می گیرد و لازمه دستیابی به آن، پیش بینی نقاط عطف است. گام نخست در راستای پیش بینی نقاط عطف، شناسایی نقاط عطف موجود در گذشته سری زمانی است. میزان سوددهی نقاط عطف پیش بینی شده، به میزان سوددهی نقاط عطف شناسایی شده بستگی دارد. به همین دلیل، ادبیات موضوع همواره در راستای ارتقای عملکرد روش های شناسایی نقاط عطف یا افزایش میزان سوددهی نقاط عطف شناسایی شده، تلاش کرده است. با این حال تا جایی که می دانیم، هیچ یک از روش های موجود، قابلیت شناسایی سودده ترین نقاط عطف یا نقاط عطف بهینه را ندارد. مقاله حاضر، با هدف برطرف سازی این شکاف تحقیقاتی تدوین شده است. روش: مدل پیشنهادی در این مقاله، با پیاده سازی مسئله شناسایی نقاط عطف در بستر گراف و حل آن با جست وجوی طولانی ترین مسیر، نقاط عطف بهینه را شناسایی می کند. یافته ها: مدل پیشنهادی، بر خلاف روش های شناسایی موجود در ادبیات، قابلیت شناسایی نقاط عطف بهینه موجود در گذشته سری زمانی مالی را دارد. نتیجه گیری: به منظور نشان دادن عملکرد مدل پیشنهادی، ابتدا مدل روی بازارهای بورس نزدک و نیویورک پیاده سازی و نتایج آن با بهترین مدل های شناسایی موجود در ادبیات موضوع مقایسه شد. نتایج به دست آمده، برتری عملکرد مدل پیشنهادی را نسبت به سایر مدل ها نشان می دهد.
Keywords:
Authors
فاطمه یزدانی
کارشناس ارشد، گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان، اصفهان، ایران.
مهدی خاشعی
استادیار، گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستم ها، دانشگاه صنعتی اصفهان، اصفهان، ایران.
سید رضا حجازی
استاد، گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستم ها، دانشگاه صنعتی اصفهان، اصفهان، ایران.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :