بازار آینده نفت خام نقش مهمی در تأمین مالی انرژی دارد. برای به دست آوردن بازده سرمایه گذاری بیشتر ، محققان و معامله گران هنگام انتخاب استراتژی های معاملاتی در بازار آتی نفت از شاخص های فنی استفاده می کنند. در این مقاله ، نویسندگان برای تولید قوانین تجاری سودآور از میانگین قیمت های آینده نفت با الگوریتم های ژنتیکی استفاده کردند. ما افراد با ترکیب های مختلف از طول دوره و روش های محاسبه را به عنوان میانگین قوانین معاملات در حال حرکت تعریف کردیم و از الگوریتم های ژنتیکی برای جستجوی طول مناسب دوره های متوسط در حال حرکت و روش های محاسبه مناسب استفاده کردیم. نویسندگان برای ارزیابی و انتخاب قوانین متوسط در حال حرکت ، از قیمت نفت خام روزانه Nymex Futures از سال 1983 تا 2013 استفاده کردند. ما قوانین معاملاتی تولید شده را با استراتژی خرید و نگهدارنده (BH) مقایسه کردیم تا مشخص کنیم که آیا قوانین متوسط تجارت در حال حرکت می تواند بازده اضافی را در بازار آتی نفت خام بدست آورد. از طریق 420 آزمایش ، ما تعیین می کنیم که قوانین تجارت تولید شده به معامله گران کمک می کند تا در صورت نوسانات آشکار قیمت ، سود کسب کنند. قوانین معاملاتی تولید شده می توانند در هنگام کاهش قیمت و تجربه نوسانات قابل توجهی ، بازده اضافی را تحقق بخشند ، در حالی که استراتژی BH با افزایش قیمت بهتر است یا با نوسانات کمی صاف است. نتایج می تواند به معامله گران کمک کند تا در شرایط مختلف استراتژی های بهتری را انتخاب کنند.
1. مقدمه
انرژی برای توسعه اقتصادی بسیار مهم است. فعالیت های خانگی ، تولید صنعتی و سرمایه گذاری های زیرساختی همه به طور مستقیم یا غیرمستقیم انرژی مصرف می کنند ، بدون توجه به کشورهای در حال توسعه یا توسعه یافته [1]. موضوعات مربوط به تجارت انرژی [2] ، بهره وری انرژی [3] ، سیاست انرژی [4-6] ، مصرف انرژی [7] و تأمین مالی انرژی [8] در سالهای اخیر اهمیت بیشتری کسب کرده اند. بازار آینده نفت خام بخش مهمی از تأمین مالی انرژی در محدوده بازار جهانی انرژی است. معامله گران و محققان از ابزارهای تجزیه و تحلیل فنی برای شناسایی قوانین تجاری سودآور در بازارهای مالی استفاده می کنند. بر این اساس ، شاخص های متوسط در حال حرکت معمولاً در تجزیه و تحلیل فنی برای واقعی کردن بازده بیشتر استفاده می شوند. در این مقاله سعی شده است که آیا در زندگی واقعی یک سرمایه گذار می تواند از قوانین متوسط تجارت فنی برای به دست آوردن بازده اضافی از طریق جستجوی قوانین متوسط معاملات در حال حرکت با الگوریتم های ژنتیکی در بازار آینده نفت خام استفاده کند.
الگوریتم های ژنتیکی به طور گسترده ای در علوم اجتماعی مورد استفاده قرار می گیرند [9 ، 10] ، به ویژه در موارد پیچیده خاصی که انجام محاسبات دقیق دشوار است. این یک روند برای استفاده از روشهای فیزیکی یا ریاضی در اقتصاد انرژی و منابع است [11-16]. محققان از الگوریتم های ژنتیکی برای پیش بینی آلودگی تولید و محیط زیست زغال سنگ استفاده کرده اند [17] ، انتخاب داخلی و رفتار انتخاب بازار در بازار [18] ، پیش بینی تقاضای نفت خام [19] ، به حداقل رساندن هزینه های سوخت و انتشار گازهای گازی ازتولید برق [20] ، و سیستم تجارت فارکس [21]. با توجه به موضوعات تحلیل فنی مالی ، محققان از الگوریتم های ژنتیکی برای جستجوی بهترین قوانین معاملات و شاخص های فنی سودآور هنگام تصمیم گیری در مورد سرمایه گذاری استفاده می کنند [22-25]. الگوریتم های ژنتیکی با ابزارهای دیگر مانند مدل مبتنی بر عامل [26] ، تئوری ریاضی فازی [27] و شبکه های عصبی همراه هستند [28]. همچنین برخی از مطالعات وجود دارد که از الگوریتم های ژنتیکی برای پیش بینی روند قیمت در بازار مالی استفاده کرده اند [29 ، 30] یا نرخ ارز بازار ارز خارجی [31]. از آنجا که تعداد زیادی از قوانین تجارت فنی و شاخص های فنی موجود در بازار آینده نفت خام وجود دارد ، استفاده از محاسبات ارگوودیک یا برخی دیگر از روشهای محاسبه دقیق غیر عملی است. بنابراین ، استفاده از الگوریتم های ژنتیکی روشی امکان پذیر برای حل این مسئله است.
شاخص های متوسط در حال حرکت به طور گسترده در مطالعات سهام و بازارهای آتی مورد استفاده قرار گرفته است [32-37]. دو میانگین متحرک با طول های مختلف با پیش بینی روند قیمت در بازارهای مختلف مقایسه می شود. میانگین های متحرک کوتاه نسبت به قیمت های طولانی نسبت به تغییرات قیمت حساس تر هستند. اگر یک قیمت متوسط متحرک کوتاه از یک دوره متوسط در حال حرکت باشد ، معامله گران معتقدند که قیمت افزایش می یابد و موقعیت های طولانی را به خود می گیرد. هنگامی که قیمت متوسط متحرک کوتاه سقوط می کند و با یک دوره طولانی عبور می کند ، فعالیت های تجاری مخالف انجام می شود [38]. آلن و کرجالینن (AK) [39] از الگوریتم های ژنتیکی برای شناسایی قوانین معاملات فنی در بورس سهام با قیمت روزانه S& P 500 استفاده کردند. قیمت متوسط متحرک به عنوان یکی از شاخص های بسیاری از قوانین فنی استفاده می شد. از شاخص های دیگر ، مانند میانگین ارزش و حداکثر ارزش ، هنگام تصمیم گیری در مورد سرمایه گذاری نیز استفاده می شود. وانگ [40] با استفاده از برنامه نویسی ژنتیکی ، تحقیقات مشابهی را در بازارهای Spot و Futures انجام داد ، در حالی که چگونه [41] روش AK را در سهام CAP مختلف برای تعیین ارتباط اندازه اعمال کرد. ویلیام ، با مقایسه قوانین مختلف فنی و قوانین شبکه عصبی مصنوعی (ANN) در مورد بازار آینده نفت ، مشخص کرد که ANN ابزاری خوب است ، بنابراین بر کارآیی بازار نفت شک می کند [38]. همه این مطالعات شاخص های متوسط حرکت را با شاخص های دیگر برای تولید قوانین معاملات ترکیب می کنند. با این حال ، در این مقاله ، ما از میانگین های متحرک برای تولید قوانین تجارت استفاده می کنیم ، که ممکن است یک رویکرد ساده و کارآمد باشد.
عملکرد یک قانون معاملات متوسط در حال حرکت به طور قابل توجهی تحت تأثیر طول دوره قرار می گیرد [42]. بنابراین ، یافتن طول بهینه از دو دوره فوق یک مسئله اصلی در ادبیات تحلیل فنی است. طول های مختلفی در پروژه های تحقیقاتی موجود محاکمه شده است [43-48]. در تحقیقات موجود ، بیشتر قوانین متوسط در حال حرکت از طول دوره متوسط در حال حرکت ثابت و روش محاسبه متوسط متحرک واحد استفاده می کنند. با این حال ، بهتر است از طول متغیر برای دوره های مختلف سرمایه گذاری استفاده شود [49 ، 50] و انواع مختلفی از روش محاسبه متوسط متحرک وجود دارد که می تواند در تجزیه و تحلیل فنی استفاده شود.
در این مقاله ، با توجه به اینکه طول بهینه دوره های متوسط در حال حرکت و بهترین روش محاسبه ممکن است از یک مناسبت به دیگری متفاوت باشد ، ما از الگوریتم های ژنتیکی برای تعیین طول مناسب دوره متوسط در حال حرکت و روش مناسب استفاده می کنیم. شش روش محاسبه متوسط در حال حرکت در این مقاله در نظر گرفته شده است و الگوریتم های ژنتیکی می توانند به ما در یافتن بهترین روش و طول دوره مناسب برای شرایط مختلف کمک کنند. بر این اساس ، ما قادر به ارائه مناسب ترین قوانین متوسط معاملات برای معامله گران در بازار آینده نفت خام هستیم.
