สัญญาณซื้อขายหุ้นอัตโนมัติด้วยกลวิธีทางพันธุกรรมและการวิเคราะห์ทางเทคนิคสำหรับหุ้นไทย
Article Sidebar
Main Article Content
บทคัดย่อ
- ระบบที่นำเสนอในงานวิจัยนี้ สามารถตัดสินใจกลยุทธ์การซื้อขายในแต่ละวัน และทำกำไรสูงสำหรับหุ้นแต่ละตัว รูปแบบการสร้างการสนับสนุนการตัดสินใจซื้อขายได้ใช้การจบั ความรู้จากดัชนีชี้วัดทางเทคนิคสำหรับการทำการตัดสินใจ เช่น ซื้อ ถือ และขาย ระบบประกอบด้วยสองขั้นตอน: การกำจัดหุ้นทีไม่เข้าเกณฑ์น่าลงทุน และการสร้างระบบซื้อขายหุ้น ขั้นตอนแรกผ่านวิธีการได้ข้อมูลหุ้น 15 ตัวจากตลาด หลักทรัพย์แห่งประเทศไทยทีอยู่ในกลุ่มดัชนี เซ็ท 100 (SET 100) จากปี พ.ศ. 2557 - 2558 ขั้นตอนที่สองผลการทดลองแสดงว่าผลตอบแทนรายปีเทียบกับความเสี่ยง และอัตราส่วนผลกำไร ดีกว่ารูปแบบการ "ซื้อและถือ" สำหรับหุ้นแต่ละตัว และรูปแบบที่ใช้ขั้นตอนกลวิธีทางพันธุกรรมสำหรับการเลือกสัญญาณการซื้อขายที่เหมาะสมมีผลกำไรที่ดีกว่ารูปแบบอื่นๆ โดยเฉพาะอย่างยิ่ง TS17 ของ GA มีผลตอบแทนรายปีเทียบกับความเสี่ยงของกลุ่มสอน 422 วัน เป็น 0.54 และอัตราส่วนผลกำไรเป็น 23.2% สำหรับในข้อมูลทดสอบ 66 วัน มีผลตอบแทนรายปี เทียบกับความเสี่ยง เป็น 1.54 และอัตราส่วนผลกำไรเป็น 9.52% ซึ่งถือว่าผลลัพธ์นั้นเป็นที่น่าพอใจมาก และยังสามารถนำมาใช้เพื่อเพิ่มประสิทธิภาพในระบบการตัดสินใจซื้อขายระหว่างวันได้อีกด้วย
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
I/we certify that I/we have participated sufficiently in the intellectual content, conception and design of this work or the analysis and interpretation of the data (when applicable), as well as the writing of the manuscript, to take public responsibility for it and have agreed to have my/our name listed as a contributor. I/we believe the manuscript represents valid work. Neither this manuscript nor one with substantially similar content under my/our authorship has been published or is being considered for publication elsewhere, except as described in the covering letter. I/we certify that all the data collected during the study is presented in this manuscript and no data from the study has been or will be published separately. I/we attest that, if requested by the editors, I/we will provide the data/information or will cooperate fully in obtaining and providing the data/information on which the manuscript is based, for examination by the editors or their assignees. Financial interests, direct or indirect, that exist or may be perceived to exist for individual contributors in connection with the content of this paper have been disclosed in the cover letter. Sources of outside support of the project are named in the cover letter.
I/We hereby transfer(s), assign(s), or otherwise convey(s) all copyright ownership, including any and all rights incidental thereto, exclusively to the Journal, in the event that such work is published by the Journal. The Journal shall own the work, including 1) copyright; 2) the right to grant permission to republish the article in whole or in part, with or without fee; 3) the right to produce preprints or reprints and translate into languages other than English for sale or free distribution; and 4) the right to republish the work in a collection of articles in any other mechanical or electronic format.
We give the rights to the corresponding author to make necessary changes as per the request of the journal, do the rest of the correspondence on our behalf and he/she will act as the guarantor for the manuscript on our behalf.
All persons who have made substantial contributions to the work reported in the manuscript, but who are not contributors, are named in the Acknowledgment and have given me/us their written permission to be named. If I/we do not include an Acknowledgment that means I/we have not received substantial contributions from non-contributors and no contributor has been omitted.
เอกสารอ้างอิง
2. D. E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, 1989.
3. D. de la fuente, A. Garrido, J. Laviada and A. Gomez, “Genetic algorithms to optimise the time to make stock market investment,” In Proc. of Genetic and Evolutionary Computation Conference, 2006, pp. 1857-1858.
4. A. Hirabayashi, C. Aranha and H. Iba, “Optimization of the trading rule in foreign exchange using genetic algorithms,” In Proc. 2009 IASTED International Conference on Advances in Computer Science and Engineering, 2009.
5. M. A. H. Dempster and C. M. Jones, “A real-time adaptive trading system using genetic programming,” Quantitative Finance, vol. 1, pp. 397-413, 2001.
6. Matsui and H. Sato, “A comparison of genotype representations to acquire stock trading strategy using genetic algorithms,” In Proc. Adaptive and Intelligent Systems, pp.129-134, 2009.
7. F. Allen, R. Karjalainen, “Using genetic algorithms to find technical trading rules,” Journal of Financial Economic, Vol.51, pp. 245-271, 1999.
8. F. Fern´ andez-Rodr´ ıguez, C. Gonz´ alez-Martel, S. Sosvilla-Rivero. (2001) Optimisation of Technical Rules by Genetic Algorithms: Evidence from the Madrid Stock Market, Working Papers 2001-14, FEDEA, [Online]. Available: ftp://ftp.fedea.es/pub/Papers/2001/dt2001-14.pdf
9. S. Mahfoud, G. Mani, “Financial forecasting using genetic algorithms,” Journal of Applied Artificial Intelligence, vol. 10, pp. 573-565, 1996.
10. (2012) MATLAB Global Optimization Toolbox [Online]. Available: http//www.mathworks.com/products/globaloptimization/
11. (2012) MATLAB Mixed Integer Optimization Problems, [Online]. Available:https://www.mathworks.com/help/toolbox/gads/bs1cibj.html#bs1cihn.
12. สุรชัย ไชยรังสินันท์, “การวิเคราะห์ทางเทคนิค (Technical Analysis),” [อ อ น ไ ล น์] https://soft2.me/e-book-technicalanalysis. pdf, 2552.
13. C. Neely, P. Weller, R. Ditmar, “Is technical analysis in the foreign exchange market profitable? A genetic programming approach,” In Proc. Forecasting Financial Markets: Advances for Exchange Rates, Interest Rates and Asset Management, London, 1997.
