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 analiz yöntemleridir. Bu göstergeler teknik analiz sonucu elde edilir ve finans araçlarının alım-satım sinyallerinin üretilmesinde kullanılır. Yapılan çalışmalar sonucunda bu göstergeler için genel alım-satım kuralları ortaya konulmuş ve yatırımcılar için kolay ve anlaşılır kurallar oluşturulmuştur. Ancak, bu göstergelerin genel kurallarının piyasanın trend etkisi altında olduğu durumlarda güvenilir sonuçlar vermediği bilinmektedir. Piyasanın hareket yönünün tahmini de oldukça zor olduğundan bu göstergeler için tanımlanmış genel kuralların performansı da trendle birlikte azalmaktadır. Bu tez çalışmasında Bağıl Güç Endeksi (Relative Strength Index - RSI) ve Williams %R göstergeleri, farklı ETF'ler (Exchange-Traded Fund) için genetik algoritma ve parçacık sürü optimizasyonu ile eniyilenerek her bir ETF için farklı kurallar oluşturulmuştur. Ayrıca, piyasanın durumu göz önüne alınarak yükselen ve alçalan piyasa koşulları için de her bir ETF için göstergeler ayrı ayrı analiz edilmiş ve piyasanın iki farklı koşulu için her ETF'ye iki ayrı kural tanımlanmıştır. Son olarak her bir ETF'nin trendi hesaplanarak her bir ETF'nin değeri trendden arındırılmış ve piyasanın durumundan bağımsız tek bir kural oluşturulmaya çalışılmıştır. Tüm yapılan analizler sonucu elde edilen gösterge parametreleri test edilmiş ve elde edilen kuralların başarımı ölçülmüştür. Elde edilen sonuçlar, trendden arındırılmış veriler ile yapılan çalışmalarda elde edilen kuralların trendden daha az etkilendiğini göstermektedir.

Technical analysis indicators are widely used technical analysis methods in stock market forecasting. These indicators are obtained by technical analysis and used to produce trade signals for financial instruments. After the researches conducted on financial instruments, easily understandable general trading rules have been introduced for these indicators. However, the results of these general rules are not reliable under the effect of market trend. The performance of the general rules of the indicators are affected by the market trend. As forecasting of the trend is also difficult, the existence of a trend decreases the performance of these general rules. In this study, the parameters of the RSI (Relative Strength Index) and Williams %R indicators are optimized by genetic algorithms and particle swarm optimization for each ETF. Moreover, the same analysis is done under downtrend and uptrend separately to produce two different rules for two different trend type. Finally, the trends of the ETFs are calculated and the normal prices of the ETFs are detrended to remove trend effect from the prices and the 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 the obtained rules are evaluated. The results show that the rules obtained by detrending the ETF prices are less vulnerable to trend effect.