توقع إتجاهات الأسهم عن طريق التحليل الفني الآلي والذكاء الإصطناعي(1)

مقدمة

يشكل هذا النظام، والذي كتب ونفذ خلال 12 شهر طفرة في التعامل مع البورصة المصرية بالتحديد. وذلك لطبيعتها الخاصة من حيث صعوبة تحقيق مكاسب. والخسائر المستمرة الغير منطقية والغير مبررة لمعظم المستثمرين. فكان لا بد من إستخدام التقنيات البرمجية الحديثة للتمكن من تحديد طريقة التعامل والمتاجرة. لتجنب الخسائر بقدر المستطاع. وذلك عن طريق إلغاء العاطفة البشرية التي تكون عادةً السبب الرئيسي في تحقيق خسائر "متتالية" من شأنها تآكل رأس المال, والإعتماد على الآلة لتقوم بتحليل البيانات وترشيح الأسهم دون أي تدخل بشري, و استخدام هذا النظام كأداة لدعم اتخاذ القرارات أو كتاجر اصطناعي كامل مستقل إذا ما تم توصيله بوصلة التداول للبورصة.

ملخص

تستخدم أسعار الأسهم التاريخية لتوقع اتجاه أسعار الأسهم في المستقبل. يستخدم نموذج التنبؤ طبقتين لتحليل البيانات. التحليل الفني في الطبقة الأولى ثم طبقة ثانية من التفكير على أساس تعلم الآلة. ويكمل هذا النموذج استراتيجية إدارة الأموال التي تستخدم التوصيات التي أدلى بها النموذج لتحديد مسار رأس المال المستثمر. و يبني محفظة مكونة من اشارات الدخول والخروج الناتجة عن هذا النموذج، و يستنتج مدى تفوق نموذج التنبؤ على المؤشر الرئيسي للبورصة (EGX30)

النهج

توقع اتجاه أسعار الأسهم في المستقبل هو موضوع تم دراسته على نطاق واسع في العديد من المجالات بما في ذلك التجارة والمال والإحصاء وعلوم الحاسب الآلي. يكون الدافع الأساسي بطبيعة الحال هو تحقيق المكاسب. وعادة ما يستخدم المتداولين المحترفين التحليل الأساسي و التحليل الفني لتحليل الأسهم واتخاذ القرارات الاستثمارية. التحليل الأساسي هو النهج التقليدي وهو دراسة العوامل الأساسية للشركات مثل الإيرادات و النفقات، وضعها في السوق، ومعدلات النمو السنوية، إلى آخره . التحليل الفني، من ناحية أخرى، لا يقوم إلا على دراسة تقلبات الأسعار التاريخية. الممارسين للتحليل الفني يدرسون الأسعار التاريخية لإستخراج أنماط تحرك السعر بإستخدام البيانات في فترات زمنية مختلفة للتنبؤ بتحركات الأسعار المستقبلية. وبالتالي هناك ارتباط متأصل بين السعر والسهم، يمكن أن يستخدم لتحديد أوقات الدخول والخروج من السوق والأسهم.

في مجال المال والإحصاء وعلوم الحاسب الآلي، ومعظم النماذج التقليدية، تستخدم النماذج الإحصائية و نماذج الشبكة العصبية(2) المستمدة من بيانات الأسعار للتوقع. وعلاوة على ذلك، فإن الاستراتيجية المهيمنة في علوم الكمبيوتر تستخدم الخوارزميات التطورية(3)، والشبكات العصبية، أو مزيج من الاثنين (الشبكات العصبية المتطورة). النهج المتبع في هذا النظام يختلف عن النهج التقليدي في أنه يستخدم طبقة أولى من التحليل الفني الآلي قبل تطبيق طبقة ثانية من التفكير على أساس تعلم الآلة لمزيد من التحليل والدقة.

نظرة عامة على خطوات نموذج التنبؤ

النموذج المطور يستخدم نهج استدلال مكون من طبقتين. طبقة المنطق الأولى هي إستخراج النماذج والمؤشرات الفنية من الأسعار التاريخية للأسهم. ثم يتم توجيه قيم المؤشرات الفنية الناتجة إلى الطبقة الثانية من المنطق تسمى وحدة تصنيف النماذج، حيث يتم تجميع القيم المختلفة للمؤشرات الفنية ونتائجها المستقبلية وتصنيفها حسب النماذج الأكثر ربحاً ونستخدمها لتعليم الآلة، لتمكين الآلة من مطابقة هذه المؤشرات واستخراجها ما إذا تكونت مرة أخرى على نفس الأسهم "وهذا ما يسمى بالذكاء الإصطناعي" وتعلم الآلة ذاتياً، حيث أنها تتعلم أكثر كلما توفرت معومات أكثر مع الوقت "الخبرة"، النتيجة هي استراتيجية الاستثمار التي يمكن استخدامها لتحديد الأسهم للتداول، أخيراً وحدة إدارة المحفظة حيث يتم تقييم استراتيجية الاستثمار من حيث الربحية من خلال محاكاة محفظة افتراضية باستخدام الإشارات التجارية التي تولدها استراتيجية الاستثمار. وعلاوة على ذلك، تشمل الوحدة استراتيجية إدارة الأموال المستخدمة لتقييم قوة التنبؤات ولتحديد مقدار رأس المال للاستثمار في إشارة التجارة التي تم إنشاؤها.

الهيكل

البيانات التاريخية

وظيفة هذه الوحدة إستخراج البيانات التاريخية لكل الأسهم المدرجة خلال فترات معينة من قاعدة بيانات egxmarket

التحليل الفني

تقوم هذه الوحدة بتحليل البيانات التاريخية للأسهم فنياً عن طريق حساب المؤشرات المختلفة, و يتم التركيز على المؤشرات الأكثر شعبية التي يمكن أن تكون عالية الكفاءة وبديهية في التفسير مثل (sma, ema, macd, rsi...) إلى آخره, ويتم تنفيذ ذلك من خلال مجموعة من وكلاء اصطناعية حيث يعمل كل وكيل كمجموعة فرعية معينة من المؤشرات الفنية. الناتج هو عبارة عن مجموعة من الخصائص الفنية المشتقة من بيانات الأسعار.

تصنيف النماذج

تقوم هذه الوحدة بفرز وتجميع النماذج والمؤشرات الفنية المكونة سابقاً ونتائجها المستقبلية وتصنيفها حسب النماذج التي تبعها طفرات سعرية، وتسجيل هذه النماذج (الأنماط) في قاعدة بيانات النماذج

مطابقة النماذج

وظيفة هذه الوحدة مطابقة جميع النماذج في قاعدة البيانات مع النماذج الحالية واستخراجها إذا تكونت على نفس الأسهم مرة أخرى

توليد الإشارات

تقوم هذه الوحدة بتحويل النماذج المستخرجة إلى إشارات دخول و إستنتاج إشارات خروج من المؤشرات الفنية للأسهم المملوكة

إدارة المحفظة

تقوم هذه الوحدة بترجمة إشارات الدخول والخروج المولدة إلى أوامر بيع وشراء وإدراج الكميات المقترح تنفيذها حسب إستراتيجية تسمح بتعظيم الربح مع توزيع وتقليل المخاطرة بحيث لا تتعدى نسب معينة من السيولة المتاحة عن طريق معادلات مجربة على بيانات سابقة

تقييم الأداء

وظيفة هذه الوحدة حساب المجموع الكلي للعائد المحقق على المحفظة الإفتراضية خلال فترات زمنية مختلفة ومقارنة هذه الأرقام ضد العائد المحقق للمؤشر الرئيسي (EGX30) وذلك لقياس مدى قوة أداء النموذج

تعريفات

(1) الذكاء الاصطناعي (Artificial intelligence)* هو سلوك وخصائص معينة تتسم بها البرامج الحاسوبية تجعلها تحاكي القدرات الذهنية البشرية وأنماط عملها. من أهم هذه الخصائص القدرة على التعلم والاستنتاج ورد الفعل على أوضاع لم تبرمج في الآلة. "wikipedia"

(2) الشبكات العصبية (Neural networks)* هي تقنيات حسابية مصممة لمحاكاة الطريقة التي يؤدي بها الدماغ البشري مهمة معينة، وذلك عن طريق معالجة ضخمة موزعة على التوازي، ومكونة من وحدات معالجة بسيطة، هذه الوحدات ما هي إلا عناصر حسابية تسمى عصبونات أو عقد (Nodes ، Neurons ) والتي لها خاصية عصبية ، من حيث أنها تقوم بتخزين المعرفة العملية والمعلومات التجريبية لتجعلها متاحة للمستخدم وذلك عن طريق ضبط الأوزان. "wikibooks"

(3) الخوارزمية التطورية (Evolutionary algorithms)* هي مجموعة فرعية من الحسابات التطورية، قاعدة عامة من سكان لحل مشكلة عامة من الأمثلة الخوارزمية. الخوارزمية التطورية تستخدم بعض الآليات المستوحاة من التطور البيولوجي : الاستنساخ، الطفرة، إعادة التركيب، والاختيار. "wikibooks"

Adjoin.io R&D Engineering dept.