مدیریت بازاریابی هوشمند

مدیریت بازاریابی هوشمند

مروری بر کاربرد منطق‌فازی در تحلیل تکنیکال: تمرکز بر تشخیص نقاط بازگشتی روند بازار

نوع مقاله : استخراج از رساله دکتری

نویسندگان
ولی الله مهری 1
مهرداد قنبری 2
بابک جمشیدی‌نوید 2
علیرضا مرادی 2
1 دانشجوی دکتری مدیریت مالی ، گروه مدیریت، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران.
2 استادیار حسابداری، گروه حسابداری، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران.
JABM.3.2.15564.35560
چکیده
هدف این پژوهش، مرور نظام‌مند مطالعات علمی مرتبط با کاربرد منطق فازی در تحلیل تکنیکال با تمرکز ویژه بر تشخیص نقاط بازگشتی روند بازار است. در این راستا، با استفاده از کلیدواژه‌های ترکیبی انگلیسی و فارسی، جست‌وجویی جامع در پایگاه‌های اطلاعاتی معتبر طی بازه زمانی 2000 تا 2022 انجام شد. پس از غربال‌گری و ارزیابی محتوایی، مقالات منتخب بر اساس نوع مدل، روش پیاده‌سازی، شاخص‌های فنی، نوع داده‌ها و نتایج تحلیل شدند. یافته‌ها نشان می‌دهد که تحلیل تکنیکال و تحلیل بنیادی هر یک مزایا و محدودیت‌هایی دارند و استفاده تلفیقی از این دو، در کنار روش‌های هوشمند مانند منطق فازی، شبکه‌های عصبی، الگوریتم‌های یادگیری ماشین و به‌ویژه الگوریتم‌های فراابتکاری نظیر الگوریتم ژنتیک، می‌تواند دقت پیش‌بینی و عملکرد استراتژی‌های معاملاتی را بهبود بخشد. همچنین، نتایج حاکی از وجود خلأهایی در زمینه توسعه مدل‌های جامع، تطبیق‌پذیر و بهینه‌ساز پارامترها است که قادر به پاسخ‌گویی به پویایی و نوسانات شدید بازارهای مالی و ارزهای دیجیتال باشند. بر این اساس، توسعه مدل‌های ترکیبی با قابلیت سازگاری بالا و بهره‌گیری از منطق فازی به عنوان یک رویکرد انعطاف‌پذیر، می‌تواند گامی مؤثر در ارتقای ابزارهای تحلیلی بازار سرمایه باشد.
کلیدواژه‌ها
تحلیل تکنیکال
منطق فازی
نقاط بازگشتی
الگوریتم ژنتیک
پیش‌بینی بازار
بازار بورس

موضوعات

عنوان مقاله English

A review of the application of fuzzy logic in technical analysis: focusing on identifying market trend reversal points

نویسندگان English

Valiollah Mehri 1
Mehrdad Ghanbary 2
Babak Jamshidi Navid 2
Alireza Moradi 2
1 PhD Student in Financial Management, Department of Management, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran.
2 Assistant Professor of Accounting, Department of Accounting, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran.
چکیده English

The aim of this research is to systematically review scientific studies related to the application of fuzzy logic in technical analysis with a special focus on identifying market trend reversal points. In this regard, a comprehensive search was conducted in reliable databases during the period 2000 to 2022 using combined English and Persian keywords. After screening and content evaluation, the selected articles were analyzed based on the type of model, implementation method, technical indicators, data type, and results. The findings show that technical analysis and fundamental analysis each have advantages and limitations, and the combined use of these two, along with intelligent methods such as fuzzy logic, neural networks, machine learning algorithms, and especially meta-heuristic algorithms such as genetic algorithms, can improve the forecasting accuracy and performance of trading strategies. Also, the results indicate that there are gaps in the development of comprehensive, adaptable, and parameter-optimizing models that are capable of responding to the dynamics and extreme fluctuations of financial markets and digital currencies. Accordingly, the development of hybrid models with high adaptability and the use of fuzzy logic as a flexible approach can be an effective step in improving capital market analytical tools.

کلیدواژه‌ها English

Technical analysis
fuzzy logic
turning points
genetic algorithm
market forecasting
stock market
اردستانی، م.، و ورزشکار، م. (1394). مقایسه بازدهی تحلیل تکنیکال و بنیادی. مجله مالی و سرمایه‌گذاری.
اصغرتبار، م.، و جعفری صمیمی، ح. (1397). بهینه‌سازی میانگین متحرک قیمت سهام در بورس اوراق بهادار تهران: رهیافت روش فراابتکاری الگوریتم ژنتیک بهبوددهنده تطبیق‌پذیر. مجله مهندسی صنایع.
افتخاریان، م.، و نعمتی، ح. (1402). ارزیابی کارایی فنی شرکت‌های بورسی صنعت داروسازی با تحلیل پوششی داده‌های شبکه‌ای. مجله مدیریت فناوری.
افسر، م.، و هلیل، ر. (1396). بهینه‌سازی سبد سهام با ترکیب تحلیل تکنیکال و داده‌کاوی. مجله مدیریت مالی.
افشاری راد، ع.، و همکاران. (1397). مدل هوشمند پیش‌بینی روند سهام با ترکیب تحلیل تکنیکال و یادگیری ماشین. مجله هوش مصنوعی.
امیری، ح.، و همکاران. (1397). ارائه مدل معامله هوشمند در بازارهای مالی مبتنی بر الگوریتم ژنتیک، منطق فازی و شبکه عصبی. مجله فناوری‌های مالی.
خنجرپناه، ع.، و همکاران. (1397). بررسی کاربرد روش تکنیکال برای پیش‌بینی قیمت سهام: رویکرد مدل‌های احتمال غیرخطی و شبکه‌های عصبی مصنوعی. مجله علوم مالی.
رضوانی اقدم، ع.، و پورزمانی، م. (1395). مقایسه کارآمدی استراتژی‌های ترکیبی تحلیل تکنیکال با خرید و نگهداری. مجله پژوهش‌های اقتصادی.
رئیسی، م.، و بهشتی، س. (1397). پیش‌بینی روند بازار بورس با تحلیل تکنیکال و بهینه‌سازی شبکه عصبی پرسپترون با الگوریتم تفاضل تکاملی. مجله علوم کامپیوتر و فناوری اطلاعات.
فتحی، م.، و پرویزی، م. (1395). بررسی سودآوری تحلیل تکنیکال با تلفیق اسیلاتورها و میانگین متحرک در بازار سرمایه. مجله بازار سرمایه.
فرمان، م.، و سخنور، م. (1394). ارائه راهکاری برای کاهش ریسک معاملات با تحلیل تکنیکال. مجله مدیریت ریسک.
مساح، ن. (1392). مبانی تحلیل تکنیکال در بازار سرمایه ایران. انتشارات بورس.
میراشرفی، م. (1401). بررسی تأثیر تحلیل تکنیکال و فاندامنتال بر سرمایه‌گذاری در ارزهای دیجیتال. نشریه مالی و سرمایه‌گذاری.
هرورانی، ف.، و خلیلی عراقی، م. (1399). طراحی استراتژی معاملات الگوریتمی با اندیکاتور میانگین متحرک تعدیل‌پذیر (AMA). مجله پژوهش‌های مالی و اقتصادی.
Antonio Silva, J., et al. (2015). Hybrid portfolio management based on fundamental and technical analysis. Journal of Finance and Investment.
Beyond, M., et al. (2013). The role of stochastic strategies and technical analysis in stock market profitability. Journal of Financial Sciences.
Chang, et al. (2013). Portfolio optimization with various risk measures and technical analysis using genetic algorithms. Journal of Financial Engineering.
Currie, D., Murphy, D., & Wang, Y. (2016). Repeating patterns in technical analysis: Myth or reality? Journal of Technical Analysis, 73(2), 44–61.
Hadizadeh, A., & Mirzaei, M. (2022). Developing a deep reinforcement learning model for trading in the Iranian stock market. Journal of Artificial Intelligence and Data Mining.
Hew, R., et al. (2014). Effectiveness of trading strategies in single markets. Journal of Financial Economics.
Jadhao, M., et al. (2018). Forecasting stock market indices using artificial neural networks and prediction algorithms. Journal of Financial Markets.
Legua, A., et al. (2014). Stock market prediction using fuzzy logic. Journal of Artificial Intelligence.
Lewis, K., Morkel-Kingsbury, N., & Mungai, C. (2017). Financial markets and institutions. Oxford University Press.
Li, J., et al. (2019). Global market prediction using deep Q-networks based on price chart images. Journal of Applied Artificial Intelligence.
Lin, K. (2018). Technical analysis and stock dividend prediction. Journal of Financial Management.
Lopez, C., Gutierrez, M., & Llorente, C. (2012). Technical analysis in the stock market: A review. International Journal of Economics and Finance, 4(9), 102–113.
Nabipour, M., et al. (2020). Stock price prediction and classification of various sectors of Tehran Stock Exchange using deep networks. Journal of Computer Science.
Park, C. H., & Irwin, S. H. (2007). What do we know about the profitability of technical analysis? Journal of Economic Surveys, 21(4), 786–826. https://doi.org/10.1111/j.1467-6419.2007.00519.x
Pinches, G. E. (1970). Essentials of financial management. Harper & Row.
Segal, T., Smith, A., & Zhang, J. (2015). Financial assets and investment decisions. McGraw-Hill Education.
Yu, S., et al. (2013). Efficiency of technical analysis in East and Southeast Asian markets. Journal of Financial Research.

  • تاریخ دریافت 23 خرداد 1403
  • تاریخ بازنگری 08 تیر 1403
  • تاریخ پذیرش 08 مرداد 1403