پلتفرم های فارکس

نوسانگر تصادفی

نحوه افزودن تصادفی به نمودار

بررسی مقایسه ای اثربخشی اندیکاتورهای تحلیل تکنیکال از نوع روند با نوسان گر تصادفی در تحلیل اوراق بهادار شرکت های دارویی مقاله

مقدمه:هدف اصلی سرمایه گذاران حداکثر کردن سود و منفعت اکتسابی می باشد، لذا معرفی بهینه ترین روش جهت انجام معاملات برای سرمایه گذاران از اهمیت ویژه ای برخوردار است. با توجه به استقبال سرمایه گذاران به روش های تحلیل تکنیکی، این تحقیق به مقایسه نوسانگر تصادفی اندیکاتورهای هشدار دهنده معاملات از نوع روند با اندیکاتورهای نوع نوسان گر پرداخته تا نشان دهد کدام یک از این دو دسته از اندیکاتورها، بازدهی بیشتری را نصیب سرمایه گذاران می نمایند. روش پژوهش: این تحقیق کاربردی - پس رویدادی با جمع آوری داده های کمی مورد نیاز به روش کتابخانه ای به آزمون مقایسه دو روش تحلیل تکنیکی پرداخته است. پژوهش در حوزه مالی و بازار سرمایه با تمرکز بر بورس اوراق بهادار تهران در دوره زمانی از ابتدای سال 1391 تا پایان سال 1392 انجام شده است. جامعه تحقیق شامل کلیه شرکت های دارویی بود که قبل از شروع دوره تحقیق در بورس اوراق بهادار تهران پذیرش شده باشند و شامل 467 شرکت می شود. به منظور مقایسه میانگین بازدهی حاصل از دو نوع مختلف اندیکاتورهای روش تکنیکی از روش آزمون مقایسه زوجی استفاده شد. یافته ها: بین دو میانگین بازدهی، رابطه معنی داری وجود داشت (0.034=p). منفی بودن حد بالا و حد پایین نیز به این معنی است که بازدهی حاصل از اندیکاتورهای نوسان گر منفعت بیشتری را نسبت به بازدهی حاصل از اندیکاتورهای روند نصیب سرمایه گذاران می نماید. نتیجه گیری: اندیکاتورهای نوسان گر بازدهی بیشتری را نسبت به اندیکاتورهای روند بدست می دهند که با توجه به آن استفاده از اندیکاتورهای نوسان گر در معاملات بازدهی بیشتری را نصیب سرمایه گذاران می نماید.بررسی مقایسه ای اثربخشی اندیکاتورهای تحلیل تکنیکال از نوع روند با نوسانگر تصادفی در تحلیل اوراق بهادار شرکت های دارویی با توجه به استقبال سرمایه گذاران به روش های تحلیل تکنیکی ، در این تحقیق به مقایسه اندیکاتورهای هشدار دهنده معاملات از نوع روند با اندیکاتورهای نوع نوسانگر پرداخته ایم تا نشان دهیم کدام یک از این دو دسته از اندیکاتورها ، بازدهی بیشتری را نصیب سرمایه گذاران نوسانگر تصادفی می نمایند. با توجه به این که هدف اصلی سرمایه گذاران حداکثر کردن سود و منفعت اکتسابی می باشد ، لذا معرفی بهینه ترین روش جهت انجام معاملات برای سرمایه گذاران از اهمیت ویژه ای برخوردار است . این تحقیق که از نظر هدف کاربردی و از نظر روش تحقیق توصیفی و از نوع مقایسه ای می باشد با مطالعه اطلاعات گذشته که سبب پس رویدادی شدن ماهیت پژوهش شده است با جمع آوری جمع آوری داده های کمی مورد نیاز به روش کتابخانه ای به آزمون مقایسه این دو روش تحلیل تکنیکی پرداخته ایم که در نتیجه آن با سطح اطمینان 95 درصد ، اندیکاتورهای نوسانگر بازدهی بیشتری را نسبت به اندیکاتورهای روند بدست می دهند که با توجه به آن استفاده از اندیکاتورهای نوسانگر در معاملات بازدهی بیشتری را نصیب سرمایه گذاران می نماید.

Introduction:The main objective of investors to maximize profits is acquired، thus introducing the optimum method for transactions for investors is of great importance. In spite of investors to methods of technical analysis، this study compares the early warning indicators of transactions of the type of oscillator dealt with indicators to show which of these two categories of the indicators، gained a greater return on invest. Methods:The research، by collecting quantitative data needed to compare two methods of technical analysis was conducted to test library. Research in the field of finance and capital markets with a focus on Tehran Stock Exchange in the period from the beginning of 1391 until the end of 1392 is done. The samples include all pharmaceutical companies that was before the start of the study period in the Tehran Stock Exchange is accepted and included 467 companies. To compare the efficiency of two different types of indicators paired test method technique was used. Findings:Between the average return، there was a significant relationship (p = 0.034). Negative-the-top (1082/1) and lower (2418/23) also means that yields more profit than the return of trend indicators provides investors the benefit Conclusion:Oscillator indicators more efficiently than by trend indicators that according to it، the Oscillators are trading higher yields to investors will benefit. Comparative study of effectiveness of technical analysis indicators with type of trend with accidental oscillator in securities analysis pharmaceutical companies Abstract: with due attention to investors’ interest to technical methods، in this study we proceed to compare dealing warner indicators with type of trend with oscillator type indicators in order to show that which of them has more efficiency for investors. The main purpose of investors is gaining more benefit، hence introducing the optimum method for dealing has a special importance for them. This investigation for purpose of objective is applying and for purpose of method is descriptive-comparative and studying of past information lead nature of investigation post-happening. The results show that with a 95% safety level، oscillator indicators have more efficiency than trend indicators and so using oscillator indicators get more benefit to investors in dealings.

خلاصه ماشینی:

تهرانی و اسماعیلی (1391) تحقیقی را در مورد مقایسه شاخص‌های نوسانگر تصادفی تحلیل تکنیکی با استراتژی خرید و نگهداری انجام دادند که در آخر به این نتیجه دست یافتند که تنها در صورت استفاده از شاخص‌های تحلیل تکنیکی نوسانات به صورت ترکیبی و ادغام آنها با یکدیگر می‌توان بازدهی بالاتری نسبت به روش خرید و نگهداری کسب نمود. (شکل 1) با توجه به این که ابزارهای متنوعی در تجزیه و تحلیل تکنیکال وجود دارد،‌ ما بر اساس مدل‌هایی که از استقلال بیشتری نسبت به سایر ابزارها برخوردار بوده و به تنهایی قادر به نشان دادن نقاط ورود و خروج به سهم می‌باشند،‌ مدلی استخراج نموده‌ایم که طبق آن،‌ سه سطح اصلی برای تجزیه و تحلیل تکنیکی در نظر گرفته شده نوسانگر تصادفی است که سطح سوم آن به دو نیم سطح جداگانه تقسیم می‌شود. درآزمون ادعای تحقیق نیز با توجه به غیرمستقل بودن نمونه و این که به دنبال مقایسه میانگین بازدهی حاصل از دو نوع مختلف اندیکاتورهای روش تکنیکی می‌باشیم و داده‌های ما پیوسته هستند از روش آزمون مقایسه زوجی استفاده شده است. (جداول 1-3) بحث و نتیجه‌گیری این تحقیق نشان داد که بازدهی حاصل از سرمایه‌گذاری به روش اندیکاتورهای نوسان‌گر بیشتر از بازدهی حاصل از روش اندیکاتورهای روند تحلیل تکنیکال در جامعه تحقیق که شامل شرکت‌های دارویی فعال در بورس اوراق بهادار هستند می‌باشد و ادعای محقق در این قلمرو مورد پذیرش قرار گرفت. Some issues on the stability of trading based on technical analysis, Physica A; 2004. Methodical Madness: Technical Analysis and the Irrationality of Exchange-Rate Forecasts, The Economic Journal; 1999. 7- Cofnas, Abe. The forex trading course: a self-study guide to becoming a successful currency trader. Technical Analysis: the complete resource for financial market technicians.

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Binarycent

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Binarycent

شاخصی که Stochastic نام دارد یک اسیلاتور است. به شما کمک می کند تا روند قیمت دارایی را دنبال کرده و روند معکوس را پیش بینی کنید. همچنین واگرایی ها را نشان می دهد. بیایید نگاهی دقیق به آن بیندازیم.

نحوه اتصال نشانگر تصادفی به نمودار موجود در پلت فرم Binarycent

ابتدا وارد حساب Binarycent شوید. دارایی ترجیحی را انتخاب کنید و روی نمودار شمعدان های ژاپنی کلیک کنید. بعد ، روی نماد شاخص ها کلیک کنید و Stochastic را جستجو کنید. پنجره جدیدی را با اسیلاتور Stochastic مشاهده خواهید کرد.

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Binarycent

نحوه افزودن تصادفی به نمودار

نشانگر تصادفی از 2 خط تشکیل شده است. بین 0 و 100 نوسان می کند. خط اول (٪ K) قیمت بسته شدن فعلی را برای یک محدوده قیمت مشخص نشان می دهد. خط دوم (٪ D) میانگین متحرک ساده است و محاسبات آن بر اساس خط اول است.

حال ، پارامترهای تصادفی چیست.

دوره پیش فرض خط اول (٪ K) چهارده و رنگ آن آبی است. دوره دیگری (٪ D) 3 و رنگ نارنجی است. در صورت تمایل می توانید دوره و رنگ خطوط را تغییر دهید. با این حال توصیه می کنیم تنظیمات را نوسانگر تصادفی همانطور که هست بگذارید.

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Binarycent

پارامترهای نوسان ساز تصادفی

نحوه استفاده از نشانگر تصادفی برای تجارت در Binarycent

استفاده از Stochastic Oscillator در معاملات شما به دو صورت ممکن است.

تعیین کنید که بازار بیش از حد خریداری نوسانگر تصادفی شده یا بیش از حد فروخته شده است.

در پنجره نشانگر ، می توانید دو خط دیگر (به جز خطوط تصادفی) مشاهده کنید. خط سبز در سطح 20 و قرمز در 80. وقتی خطوط نشانگر از خط 80 عبور می کنند ، به این معنی است که قیمت دارایی بیش از حد بالا است. لحظه ای که باید موقعیت فروش را وارد کنید ، زمانی است که خط آبی٪ K خط٪ D را قطع کرده و شروع به حرکت در زیر آن می کند. اکنون می توانید کاملا مطمئن شوید که روند معکوس خواهد شد.

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Binarycent

خطوط اسیلاتور در مناطق بیش از حد فروخته شده عبور می کنند

وضعیت کاملاً انتهای دیگر نمودار است. اگر نوسانگر Stochastic به زیر 20 برسد ، بنابراین بازار بیش از حد فروخته می شود ، صبر کنید تا٪ K٪ D را قطع کند و سپس یک معامله طولانی مدت سفارش دهید.

استفاده از واگرایی بین نوسانگر تصادفی و قیمت

وقتی قیمت دارایی در مقایسه با خطوط نشانگر در یک جهت نیست ، ما در مورد واگرایی صحبت می کنیم. این اتفاق معمولاً همراه با شکست سطح مقاومت / مقاومت رخ می دهد. و سپس این یک سیگنال برای شما است که ممکن است روند جدیدی در جهت مخالف شروع به توسعه کند.

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Binarycent

واگرایی سرسخت

اندیکاتور تصادفی ابزاری کاملاً جذاب و همه کاره است که به شما کمک می کند تا روند معکوس روند را تشخیص دهید. مستقیماً به حساب آزمایشی Binarycent خود بروید و وقت خود را برای تمرین نحوه استفاده از آن اختصاص دهید. تجربه خود نوسانگر تصادفی را با ما در میان بگذارید. از قسمت نظرات زیر استفاده کنید.

اندیکاتور استوکستیک چیست؟

نوسانگر تصادفی یا همان استوکاستیک در اواخر دهه ۱۹۵۰ توسط تحلیلگر معروف تکنیکال و ریاست دانشگاه واتسکا، دکتر لین طراحی شد و امروزه از آن به عنوان یکی از معروف‌ترین شاخصهای مومنتوم ( نیروی حرکت قیمت ) در علم تحلیل تکنیکال یاد می‌شود. استوکاستیک یا استوکستیک یک اندیکاتور مومنتوم است که وضعیت آخرین قیمت (قیمت بسته شده) را نسبت به بالا و پایین‌ترین قیمت نشان می‌دهد. به عبارت دیگر استوکاستیک به هیچ وجه از قیمت سهم و حجم معاملات تبعیت نمی‌کند و عملکردی مانند اندیکاتورهای RSI و MACD ندارد بلکه نوسانات آن بر اساس سرعت حرکت قیمت و همچنین جهت حرکتی آن می‌باشد.

فرمول محاسبه استوکاستیک

در اندیکاتور استوکاستیک از دو خط استفاده می شود که یکی را K% و دیگری را D% می نامند. خط D% اهمیت به مراتب بیشتری نسبت به خط K% دارد و اکثر سیگنال های خرید و فروش را این خط صادر می کند. برای محاسبه خط K% از رابطه زیر استفاده می کنیم :

در رابطه بالا، حرف C نشان دهنده آخرین قیمت بسته می باششد. L14کمترین قیمت پایین در 14 دوره گذشته و به همین ترتیب H14 نیز بیشترین قیمت بالا در 14 دوره گذشته می باشد. توجه داشته باشید که 14 دوره می تواند 14 روز، 14 هفته و یا 14 ماه باشد. هر چند که عدد 14 یکی از رایج ترین اعداد برای این اسیلاتور می باشد اما امکان استفاده از اعداد دیگر برای دوره زمانی این اندیکاتور وجود دارد.

قیمت پایین در واقع همان حداقل قیمت بازه روز و قیمت بالا حداکثر قیمت بازه روز می باشد. بازه روز محدوده قیمتی را که یک سهم در یک روز مشخص معامله می شود را مشخص می کند. قیمت باز اولین قیمتی می باشد که در هر روز، سهم با آن قیمت معامله می شود. قیمت بسته نیز همان قیمت آخرین معامله است.

این فرمول، محدوده ای را که در آن قیمت بسته در ارتباط نوسانگر تصادفی با حدود کلی قیمت می باشد، به صورت درصدی از 0 تا 100 مشخص می کند. اعداد بیشتر از 80 حاکی از این موضوع می باشند که قیمت بسته در نزدیکی حداکثر قیمت بازه قیمتی روز می باشد و اعداد کمتر از 20 نشان دهنده نزدیک بودن قیمت بسته به حداقل قیمت بازه قیمتی روز می باشد.

سیگنال خرید و فروش

دو خط K% و D% بین اعداد 0 تا 100 در محدوده عمودی نوسان می کنند. خط K% خط سریع تر می باشد و خط D% با سرعت کمتری حرکت می کند. زمانی که خط K% خط D% را در محدوده بالای 80 درصد به سمت پایین قطع کند، سیگنال فروش می باشد و در صورتی که خط K% خط D% را در محدوده پایین 20 درصد به سمت بالا قطع کند، سیگنال خرید می باشد.

تفسیر سریع و درست اندیکاتور استوکاستیک نیازمند دانستن چند نکته است که به شرح زیر می باشد:

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Quotex

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Quotex

شاخصی که Stochastic نام دارد یک اسیلاتور است. به شما کمک می کند تا روند قیمت دارایی را دنبال کرده و روند معکوس را پیش بینی کنید. همچنین واگرایی ها را نشان می دهد. بیایید نگاهی دقیق به آن بیندازیم.

نحوه اتصال نشانگر تصادفی به نمودار موجود در پلت فرم Quotex

ابتدا وارد حساب Quotex شوید. دارایی ترجیحی را انتخاب کنید و روی نمودار شمعدان های ژاپنی کلیک کنید. بعد ، روی نماد شاخص ها کلیک کنید و Stochastic را جستجو کنید. پنجره جدیدی را با اسیلاتور Stochastic مشاهده خواهید کرد.

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Quotex

نحوه افزودن تصادفی به نمودار

نشانگر تصادفی از 2 خط تشکیل شده است. بین 0 و 100 نوسان می کند. خط اول (٪ K) قیمت بسته شدن فعلی را برای یک محدوده قیمت مشخص نشان می دهد. خط دوم (٪ D) میانگین متحرک ساده است و محاسبات آن بر اساس خط اول است.

حال ، پارامترهای تصادفی چیست.

دوره پیش فرض خط اول (٪ K) چهارده و رنگ آن آبی است. دوره دیگری (٪ D) 3 و رنگ نارنجی است. در صورت تمایل می توانید دوره و رنگ خطوط را تغییر دهید. با این حال توصیه می کنیم تنظیمات را همانطور که هست بگذارید.

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Quotex

پارامترهای نوسان ساز تصادفی

نحوه استفاده از نشانگر تصادفی برای تجارت در Quotex

استفاده از Stochastic Oscillator در معاملات شما به دو صورت ممکن است.

تعیین کنید که بازار بیش از حد خریداری شده یا بیش از حد فروخته شده است.

در پنجره نشانگر ، می توانید دو خط دیگر (به جز خطوط تصادفی) مشاهده کنید. خط سبز در سطح 20 و قرمز در 80. وقتی خطوط نشانگر از خط 80 عبور می کنند ، به این معنی است که قیمت دارایی بیش از حد بالا است. لحظه ای که باید موقعیت فروش را وارد کنید ، زمانی است که خط آبی٪ K خط٪ D را قطع کرده و شروع به حرکت در زیر آن می کند. اکنون می توانید کاملا مطمئن شوید که روند معکوس خواهد شد.

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Quotex

خطوط اسیلاتور در مناطق بیش از حد فروخته شده عبور می کنند

وضعیت کاملاً انتهای دیگر نمودار است. اگر نوسانگر Stochastic به زیر 20 برسد ، بنابراین بازار بیش از حد فروخته می شود ، صبر کنید تا٪ K٪ D را قطع کند و سپس یک معامله طولانی مدت سفارش دهید.

استفاده از واگرایی بین نوسانگر تصادفی و قیمت

وقتی قیمت دارایی در مقایسه با خطوط نشانگر در یک جهت نیست ، ما در مورد واگرایی صحبت می کنیم. این اتفاق معمولاً همراه با شکست سطح مقاومت / مقاومت رخ می دهد. و سپس این یک سیگنال برای شما است که ممکن است روند جدیدی در جهت مخالف شروع به توسعه کند.

نحوه استفاده از اسیلاتور تصادفی برای شناسایی روند معکوس در Quotex

واگرایی سرسخت

اندیکاتور تصادفی ابزاری کاملاً جذاب و همه کاره است که به شما کمک می کند تا روند معکوس روند را تشخیص دهید. مستقیماً به حساب آزمایشی Quotex خود بروید و وقت خود را برای تمرین نحوه استفاده از آن اختصاص دهید. تجربه خود را با ما در میان بگذارید. از قسمت نظرات زیر استفاده کنید.

پیش‌بینی زمان‌بندی انجام معاملات در بورس اوراق بهادار تهران

1 دکتری گروه حسابداری، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران.

2 دانشجوی دکتری گروه حسابداری، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران.

چکیده

هدف: به دلیل پیچیدگی بازار بورس ‌اوراق بهادار تهران، مسئله‌ زمان‌بندی‌ انجام‌ معاملات بسیارحائز اهمیت است. زمان‌بندی انجام معاملات، تحلیل‌گران و معامله‌گران را در راستای پیش‌بینی روند حرکت ‌قیمت‌ سهام یاری می‌نمایند. از این‌رو هدف از پژوهش‌ حاضر پیش‌بینی ‌زمان‌بندی ‌انجام ‌معاملات‌ سهام‌ شرکت‌های ‌فعال ‌در بورس‌ اوراق ‌بهادار تهران‌ است.
روش: جامعه‌ آماری پژوهش شامل کلیه شرکت‌های ‌پذیرفته‌ شده‌ در بورس‌ اوراق ‌بهادار تهران طی سال‌های 1392 تا 1395 است. حجم نمونه با استفاده روش حذف ‌نظام‌مند بالغ بر 17 شرکت‌ فعال ‌در بورس انتخاب شد. روش اجرای‌ پژوهش مبتنی بر رگرسیون ‌گام‌به‌گام ‌و شبکه ‌عصبی‌ فازی ‌با تکیه ‌بر شاخص‌های ‌قدرت ‌نسبی (RSI)، میانگین ‌متحرک‌ همگراواگرا (MACD)، میانگین‌ متحرک ‌ساده (SMA)، نوسان‌گر تصادفی (SO)، میانگین‌ متحرک‌‌نمایی (EMA) و خط‌سیگنال (SL) است.
یافته‌ها: یافته‌های نتایج ‌نشان ‌داد که میانگین ‌درصد صحت‌ پیش‌بینی ‌کلیه شبکه‌های ‌ایجاد شده (55/96%) بیشتر از حالت ‌تصادفی(50%) است. با اعمال مقررات ‌معاملاتی مقادیر پیش‌بینی شده به سیگنال تبدیل شدند و پیشنهاد داده شد که سیگنال ‌نهایی سیستم ‌طراحی ‌شده از مجموع سیگنال‌های ‌ایجاد شده ‌توسط 5 شاخص ‌تکنیکال مذکور بدست آید. در مرحله ‌بعد جهت ‌سنجش بازده‌ معاملات ‌پیشنهادی، مدل ارائه ‌شده با استفاده از استراتژی ‌معاملاتی ‌پیشنهادی ‌پژوهش یک معامله فرضی ‌شبیه‌سازی گردید. سپس بازده‌ معاملات صورت‌ گرفته بر اساس ‌سیگنال ‌نهایی ‌سیستم ‌پیشنهادی با بازده ‌روش‌های ‌تکنیکال‌ و روش‌های ‌خرید و نگهداری (در دوحالت ‌پیش ‌از کسر هزینه‌های ‌معاملاتی ‌و پس ‌از کسر هزینه‌های‌ معاملاتی) مقایسه ‌شدند.
نتیجه‌گیری: با توجه ‌به‌ بازدهی‌ مثبت شاخص‌های SMA، EMA، SO و روش ‌پیشنهادی می‌توان نتیجه گرفت که با استفاده از شاخص‌های تحلیل تکنیکال در بازار سهام‌ ایران‌روند قیمت ‌سهام را پیش‌بینی نمود. از این ‌میان، روش ‌میانگین ‌متحرک ‌ساده از بالاترین اعتبار برای پیش‌بینی روند قیمت ‌سهام برخوردار است. در نتیجه بازار بورس ‌تهران پتانسیل بکارگیری شاخص‌های مختلف تحلیل تکنیکی را دارا است.

کلیدواژه‌ها

  • زمان‌بندی انجام معاملات
  • پیش‌بینی
  • تحلیل تکنیکال
  • شبکه عصبی فازی
  • بورس اوراق بهادار تهران

20.1001.1.20082428.1399.5.1.4.0

مراجع

بخردی‌نسب، وحید؛ قاسمی، سعید. (1395). بررسی عوامل موثر بر بازده سهام با تاکید بر عوامل اقتصاد کلان و عوامل حسابداری با درنظر گرفتن تحریم های اقتصادی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه پژوهش های جدید در مدیریت و حسابداری، 3 (17)، 10-25.

تهرانی، رضا؛ عباسیون، وحید. (1387). کاربرد شبکه‌های عصبی مصنوعی در زمان‌بندی معاملات سهام: با رویکرد تحلیل تکنیکی. پژوهش‌های اقتصادی. 8(1)، 177-151.

حامدیان، مهدی. (1379). بررسی عوامل موثر بر قیمت سهام و تصمیم گیری سرمایه گذاران در بورس اوراق بهادار تهران. تهران: دانشگاه شهید بهشتی: دانشکده مدیریت.

حنیفی، فرهاد؛ بحرالعلوم، محمد مهدی؛ جوادی، بابک. (1388). طراحی و تحلیل مقایسه ای الگوریتم‌های فراابتکاری جهت پیاده سازی سرمایه گذاری شاخص محور در بورس تهران. چشم انداز مدیریت، 32، 108-89.

خاتمی، حمید رضا. (1387). مبانی مدل‌سازی فازی جلد اول: جبر فازی. کرمان: انتشارات دانشگاه شهید باهنر کرمان.

دلبری، مهدی. (1380). بررسی معیارهای موثر بر انتخاب سهام در بورس اوراق بهادار تهران بر اساس مدل فرایند سلسله مراتبی (AHP). اصفهان: دانشگاه اصفهان: دانشکده علوم اداری و اقتصاد.

رعیتی‌شوازی، علیرضا. (1385). پیش‌بینی قیمت سهام با استفاده شبکه عصبی فازی و الگوریتم زنتیک.اصفهان: دانشگاه اصفهان: دانشکده علوم اداری و اقتصاد.

صدرایی، محمد؛ میدانی، فرزاد. (1390). مقررات اصول بازار سرمایه، تهران: کانون کارگزاری بورس و اوراق بهادار.

طلوعی‌اشلقی عباس، حق‌دوست شادی. (1388). مدل‌سازی پیش‌بینی قیمت سهام با استفاده از شبکه عصبی و مقایسه آن با روش‌های پیش‌بینی ریاضی. پژوهشنامه اقتصادی، 4(7)، 65-23.

فلاح شمس، میرفیض؛ دلنواز اصغری، بیتا. (1388). پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی. فراسوی مدیریت، 3(9)، 212-191.

Bekhradi Nasab, V., Ghasemi, S. (2016). Investigating the factors affecting stock returns with emphasis on macroeconomic نوسانگر تصادفی factors and accounting factors, taking into account economic sanctions in companies listed on the Tehran Stock Exchange. Quarterly Journal of New Research in Management and Accounting, 3(17), 10-25 [In Persian].

Delbari, M. (1380). Investigating the نوسانگر تصادفی criteria affecting stock selection in the Tehran Stock Exchange based on the hierarchical process model (AHP). Isfahan: University of Isfahan: Faculty of administrative sciences and economics [In Persian].

Fallah Shams, M., Delnavaz Asghari, B. (2009). Prediction of Tehran Stock Exchange index using neural networks. Beyond Management, 3(9), 212-191 [In Persian].

Hamedian, M. (2000). Investigating the factors affecting stock prices and investors' decisions in Tehran Stock Exchange. Tehran: Shahid Beheshti University: نوسانگر تصادفی School of Management [In Persian].

Hanifi, F., Bahrololoom, M.M., Javadi, B. (2009). Comparative design and analysis of metaheuristic algorithms for implementing index-based investment in Tehran Stock Exchange. Management Perspective, 32, 108-89 [In Persian].

Khatami, H.R., (2008). Fundamentals of fuzzy modeling volume one: Fuzzy algebra. Kerman: Shahid Bahonar University of Kerman Publications [In Persian].

Kuo, J., Chen, C., Hwang, Y.C. (2001). An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial network. Fuzzy Sets and System, 118, 21-45.

Lin, C., Alikhan, H. (2008). Can the neuron fuzzy model predict stock indexes better than its rivals? Econometrics Reviews, 29, 14-37.

Mayers, L.S., Gamst, G., Guarino, A.J. (2006). Applied multivariate research: Design and interpretation. London: SAGE Publications.

Rayti Shavazi, A. (2006). Predicting stock prices using fuzzy neural network and genetic algorithm. Isfahan: University of Isfahan: Faculty of Administrative Sciences and Economics [In Persian].

Sadraei, M., Maidani, F. (2011). Capital market principles regulations. Tehran: Stock exchange and securities brokerage center [In Persian].

Tan, A., Quek, C., Yow, K.C. (2008). Maximizing winning trades using a Novel RSPOP Fuzzy Neural Network intelligent stock trading system. Applied Intelligence, 29, 116-128.

Tehrani, R; Abbasian, V. (2008). Application of artificial neural networks in stock trading scheduling: With a technical analysis approach. Economic Research, 8(1), 177-151 [In Persian].

Tolouei Eshlaghi, A, Haq Doost, S. (2009). Modeling stock price forecasting using neural network and comparing it with mathematical forecasting methods. Journal of Economics, 4(7), 65-23 [In Persian].

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا