در اين مدل هوش مصنوعی در بازار فارکس براي تمامي سهام ها، يك مدل SVM طراحی شـده اسـت. بـه طـوری كـه تعـداد متغيرهای ورودي نهايی را الگوريتم ژنتيک مشخص كرده اسـت. در ايـن مـدل تمـام 44 متغيـر به منزله ورودی عمل مي كنند. ولی نه برای SVM ،بلكه براي الگوريتم ژنتيک.

بعد از وارد شدن 44  متغير به الگوريتم ژنتيک، بر اساس آنچه كه گفته شد، يك تابع برای آن لحـاظ شـده كه در مدل ياد شده، الگوريتم هر بار كه يك كرومـوزم از يـك نسـل را بررسـي مـي كنـد، متغيرهاي لحاظ شده به وسيلة آن كروموزم را هر تعداد كه باشند، با SVM  مورد آزمون قرار داده، خطاي آن را به دست مي آورد و از طریق آن كروموزم نسبت مـي دهـد.

بعـد از آزمـودن كروموزم ها در هر نسل از الگوريتم ژنتيك، بهترين برازش ها كه برابر با كمترين خطاهـا هسـتند، انتخاب شده و به نسل بعد انتقال مي يابند. در خلال اين كار، براي توليد نسل بعدي از روش هاي جهش و تقاطع نيز استفاده شده است. گفتني است، پارامترهاي كنترلي الگوريتم ژنتيك با آزمون و خطا توسط هوش مصنوعی در بازار فارکس به دست آمده است.

 درنهايت بعد از سپري شدن چندين تكرار و توليد نسل هاي بعـدي، بـر اساس پارامترهاي كنترلي توقف تكرار، الگوريتم ژنتيك متوقـف می شود. بهتـرين كرومـوزم را كـه دربردارندة تعدادي از متغيرها بوده و تـا آن لحظـه از تكـرار الگـوريتم محاسـبه شـده، مشـخص مي شود.

الگوريتم ژنتيک بر پایه ی هوش مصنوعی به زبان ساده

 به طور كلي در این مدل هوش مصنوعی در بازار فارکس، SVM  به كمك الگوريتم ژنتيك، از 44 متغير ورودي، تعـدادي از آنها را كه براي پيش بيني روند حركتي قیمت سهام انتخاب شده. بدين صورت مـدل مورد نظر را بهينه سازي مي كند و متغيرهايي را كه به منزلة سـيگنال منفـي عمـلكـرده و باعـث عملكرد نامناسب مدل پيش بيني و كاهش دقت پيش بيني می شود، از فرآيند تحلیل پيش بينـي حذف می شوند.

پس از طراحي مدل ها و پيش بيني نتايج با دو روش مدل تركيبي و SVM سـاده و محاسـبة ميزان خطاي دو روش، به مقايسة دقت پيش بيني اين روش ها پرداخته شده اسـت. از آنجا كـه در این مقاله از مدل دسته بندي استفاده شده، يك مقياس براي مقايسة دقت پيش بيني به دست آمد كه خطاي كل پيش بيني ناميده ميشود.

در بررسی الگوریتم ژنتیک در بازار های بورسی و هوش مصنوعی در بازار فارکس، از روش نمونه گيري حذفي سيستماتيك يا روش غربال (يـا همـان روش قضـاوتي) استفاده شده است. براي انتخاب سهام هاي مورد نظر دو نكته مد نظر قرار گرفتـه شده است:

1. تعداد روزهاي معاملاتي سهام ها زياد باشد؛ اين امر سبب مي شود كه آموزش بهتري به الگوريتم بدهيم.
2. سهام ها از گروه هاي ناهمگن باشند تا از اين طريق بتـوان بـه ديـد كلـي از نحـوة پيش بيني بازار بورس ايران دست يافت.

نقش هوش مصنوعی در بازار فارکس و بورس!!!

مقايسة خطاي كل پيش بيني براي هر دو روش SVM و SVM-GA ،نشـان داد مـدل تركيبـي SVM-GA  قويتر از مدل SVM عمل كرده است و پيش بيني را با خطاي كمتـري انجـام داده است.

نتايج حاكي از قابليت پيش بيني مدل تركيبي براي روزهاي منفي بـازار بـود. بـه طـوركلي، دقت پيش بيني مدل تركيبي در مقايسه با مدل SVM ساده، پنج درصد بالاتر به دست آمد. نتايج ديگري نيز از پژوهش به دست آمد كه برگرفته از الگوريتم ژنتيـك بـود.

در حالي كـه مـدل بـا 44 ورودي به پيش بيني مي پرداخت، الگوريتم ژنتيك برپایه ی هوش مصنوعی در بازار فارکس، نشان داد كه برخي از نماگرها استفاده بيشـتري داشته و پركاربرد تر از نماگرهاي ديگر بوده اند. بر همين اساس نماگر R %ويليامز با 27 بار تكرار در بين داده هاي مورد بررسي، بيشترين تكرار را داشته است و بعد از آن نوسـان نمـاي مومنتـوم چاند، استوكاستيك K %و D %با 24 بار در ردههاي بعدي قـرار گرفتنـد. گفتنـي اسـت، متغيـر ورودي قيمت بالا با يازده بار تكرار، كمترين تكرار را در بين 44 متغير داشته است.

با توجه به اينكه نتايج پژوهش حاضر برتري روش تركيبي را نسبت بـه SVM سـاده نشـان داد، پس ميتوان استفاده از SVM-GA را به جاي SVM توصيه كرد.

از آنجا كه در بسـياري از پژوهش ها، از مدل SVM در تركيب با روش هاي ديگـر اسـتفاده شـده و برتـري روش تركيبـي نسبت به SVM ساده به تأييد رسيده؛ استفاده از روش تركيبـي بـا الگـوريتم هـاي ديگـر بـراي بهينه سازي مدل و نيز تركيب با مدل هاي شبكة عصبي و عصبي فازي، ميتواند نتايج بهتـري را در پيش داشته باشد.

پيشنهاد مي شود، در بررسي و تحليل تكنيكال سهام از شاخص هایی استفاده شود كه براي هـر سهام در نمونة آماري پژوهش با مدل تركيبي به دست آمد.  پيشنهاد مي شود، در بررسي تكنيكال سهام از نماگر R %ويليامز بيشتر استفاده شود.  همچنین توصیه مي شود براي دست يافتن به نتيجة بهتر، مدل ها براي دادهايي با روزهاي معاملاتي بالا به كار گرفته شوند.

همچنين در پژوهش هاي آینده مي توان تركيب SVM با الگوريتم هاي بهينه سازي ديگر، مانند كلوني مورچگان، كلوني زنبورها، روش بهينه سازي ازدحام ذرات و… را بررسي كرد.

نحوة انتخاب نماگرها، تعداد آنها و كاربرد شان در بـازار سـرماية ايـران بررسـي شـود و درنهايت، به همراه نماگرها، از متغيرهـاي ديگـري چـون شـاخص هـاي كـلان اقتصادي استفاده شود.