Trendden arındırılmış finans verileri üzerinde evrimsel algoritmalar ile salınım-tabanlı teknik analiz göstergelerinin parametre eniyilemesi

Abstract

Teknik analiz göstergeleri, finans alanında yaygın olarak kullanılan teknik analizyöntemleridir. Bu göstergeler teknik analiz sonucu elde edilir ve finans araçlarınınalım-satım sinyallerinin üretilmesinde kullanılır. Yapılan çalışmalar sonucunda bu göstergeler için genel alım-satım kuralları ortaya konulmuş ve yatırımcılar için kolay veanlaşılır kurallar oluşturulmuştur. Ancak, bu göstergelerin genel kurallarının piyasanıntrend etkisi altında olduğu durumlarda güvenilir sonuçlar vermediği bilinmektedir.Piyasanın hareket yönünün tahmini de oldukça zor olduğundan bu göstergeler içintanımlanmış genel kuralların performansı da trendle birlikte azalmaktadır. Bu tezçalışmasında Bağıl Güç Endeksi (Relative Strength Index - RSI) ve Williams %Rgöstergeleri, farklı ETF'ler (Exchange-Traded Fund) için genetik algoritma ve parçacıksürü optimizasyonu ile eniyilenerek her bir ETF için farklı kurallar oluşturulmuştur.Ayrıca, piyasanın durumu göz önüne alınarak yükselen ve alçalan piyasa koşullarıiçin de her bir ETF için göstergeler ayrı ayrı analiz edilmiş ve piyasanın iki farklıkoşulu için her ETF'ye iki ayrı kural tanımlanmıştır. Son olarak her bir ETF'nin trendihesaplanarak her bir ETF'nin değeri trendden arındırılmış ve piyasanın durumundanbağımsız tek bir kural oluşturulmaya çalışılmıştır. Tüm yapılan analizler sonucuelde edilen gösterge parametreleri test edilmiş ve elde edilen kuralların başarımıölçülmüştür. Elde edilen sonuçlar, trendden arındırılmış veriler ile yapılan çalışmalardaelde edilen kuralların trendden daha az etkilendiğini göstermektedir.

Technical analysis indicators are widely used technical analysis methods in stockmarket forecasting. These indicators are obtained by technical analysis and used toproduce trade signals for financial instruments. After the researches conducted onfinancial instruments, easily understandable general trading rules have been introducedfor these indicators. However, the results of these general rules are not reliable underthe effect of market trend. The performance of the general rules of the indicators areaffected by the market trend. As forecasting of the trend is also difficult, the existenceof a trend decreases the performance of these general rules. In this study, the parametersof the RSI (Relative Strength Index) and Williams %R indicators are optimized bygenetic algorithms and particle swarm optimization for each ETF. Moreover, the sameanalysis is done under downtrend and uptrend separately to produce two different rulesfor two different trend type. Finally, the trends of the ETFs are calculated and thenormal prices of the ETFs are detrended to remove trend effect from the prices andthe same analysis is done on these normalized prices to produce a single trading rule.The resulting rules from the optimization process are tested and the performance of theobtained rules are evaluated. The results show that the rules obtained by detrending theETF prices are less vulnerable to trend effect.