استراتژی تحلیل تکنیکال

هدف: هدف این پژوهش ارائه یک راهنمای کاربردی برای سرمایه گذاری در بورس تهران از طریق ترکیب تکنیک های تحلیل تکنیکال با روش های پیشرفته یادگیری ماشین است. با تمرکز بر تحلیل سیگنال های خرید و فروش در شاخص های منتخب بورس تهران، تلاش شده است تا کارایی مدل های یادگیری ماشین در پیش بینی روند بازار بررسی شود. روش: در این تحقیق، داده های روزانه شش شاخص منتخب بورس تهران شامل شاخص های مالی، فرآورده های نفتی، خودرویی، دارویی، غذایی و فلزات اساسی از سال 1399 تا دی ماه 1403 مورد بررسی قرار گرفتند. چهار مدل یادگیری ماشین شامل مدل خطی، جنگل تصادفی، شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان در کنار دو استراتژی تحلیل تکنیکال TEMA و MACD برای تولید و ارزیابی سیگنال های خرید و فروش استفاده شدند. یافته ها: نتایج نشان داد که مدل های یادگیری ماشین، به ویژه جنگل تصادفی و شبکه عصبی مصنوعی، در ترکیب با استراتژی های TEMA و MACD عملکرد بهتری در شناسایی سیگنال های خرید و فروش داشته اند. این مدل ها توانستند با دقت بالاتری روند بازار را پیش بینی کنند و سیگنال های تولیدشده توسط آنها در اغلب موارد با تغییرات واقعی قیمت همخوانی داشت. شاخص های غذایی، خودرویی و مالی حساسیت بیشتری به این تحلیل ها نشان دادند. نتیجه گیری: ترکیب روش های یادگیری ماشین با استراتژی های تحلیل تکنیکال می تواند به سرمایه گذاران ابزار قدرتمندی برای تصمیم گیری در بورس تهران ارائه دهد. این پژوهش نشان داد که استفاده از این روش ها نه تنها می تواند دقت سیگنال های خرید و فروش را بهبود بخشد، بلکه امکان کاهش ریسک سرمایه گذاری و افزایش بازده را نیز فراهم می آورد. بهره گیری از این مدل ها می تواند به عنوان بخشی از استراتژی سرمایه گذاری برای تحلیل گران و سرمایه گذاران پیشنهاد شود. اصالت: این پژوهش اولین مطالعه کمی است که به دنبال مفهوم سازی سیگنال های خرید و فروش به روش ترکیبی یادگیری ماشین و تحلیل تکنیکال به عنوان یکی از ابزارهای اساسی برای راهنمایی سرمایه گذاران می باشد.