Islamic Economics & Banking

fa طراحی سیستم معاملات الگوریتمی ترکیبی بهینه شده با الگوریتم ژنتیک Design of a Hybrid Algorithmic Trading System Optimized by Genetic Algorithm تخصصي Special پژوهشي Research <div style="text-align: justify;"> در سال‌های اخیر، گسترش استفاده از سیستم‌های معاملات الگوریتمی در بازارهای مالی جهان و به‌تازگی در بازار سرمایه ایران، منجر به افزایش نیاز به طراحی و توسعه سامانه‌های هوشمند معاملاتی شده است. مزیت اصلی این سیستم‌ها، افزایش سرعت و دقت تصمیم‌گیری و حذف مؤلفه‌های احساسی در معاملات است. پژوهش حاضر با هدف طراحی یک سیستم معاملات الگوریتمی ترکیبی بهینه، مبتنی بر الگوریتم ژنتیک انجام شده است. در این تحقیق از رویکرد یادگیری جمعی با ترکیب چهار الگوریتم درخت تصمیم (DTree)، K نزدیک‌ترین همسایگی (KNN)، RUSBoost و شبکه عصبی پایه شعاعی (RBN) استفاده شده است تا به‌صورت هم‌زمان انتخاب ویژگی بهینه، تنظیم پارامترهای الگوریتم‌ها و تعیین وزن هر یک انجام گیرد. داده‌های تحقیق شامل اطلاعات قیمتی و اندیکاتورهای تکنیکال سهام منتخب بورس اوراق بهادار تهران است. الگوریتم ژنتیک به‌منظور بهینه‌سازی ۵۱ متغیر تصمیم شامل پارامترهای الگوریتم‌ها، ویژگی‌ها و وزن مدل‌ها به‌کار گرفته شد. نتایج نشان داد مدل ترکیبی پیشنهادی دارای دقت طبقه‌بندی بالا در تشخیص سه کلاس خرید، فروش و نگهداری بوده و نسبت به روش‌های منفرد عملکرد بهتری دارد. بنابراین، مدل ارائه‌شده می‌تواند به عنوان یک سیستم معاملات خودکار بهینه در بازار سرمایه ایران مورد استفاده قرار گیرد.</div> <div style="text-align: justify;">In recent years, the use of algorithmic trading systems has significantly increased in global financial markets and, more recently, in Iran’s capital market. The main advantage of such systems lies in enhancing the speed and accuracy of trading decisions while eliminating emotional interference. This study aims to design an optimized hybrid algorithmic trading system based on a genetic algorithm. A collective learning approach was employed by integrating four classification algorithms—Decision Tree (DTree), K-Nearest Neighbor (KNN), RUSBoost, and Radial Basis Neural Network (RBN)—to simultaneously achieve optimal feature selection, parameter tuning, and weight determination for each algorithm. The research data include price information and technical indicators of selected stocks listed on the Tehran Stock Exchange during 2012–2021. The genetic algorithm was used to optimize 51 decision variables, including algorithm parameters, selected features, and model weights. The results demonstrate that the proposed hybrid model achieves high classification accuracy in identifying buy, sell, and hold classes, outperforming single models. Therefore, the developed system can serve as an effective and optimized automated trading framework for Iran’s capital market.</div> معاملات الگوریتمی, الگوریتم ژنتیک, یادگیری جمعی, بهینه‌سازی, شبکه‌های عصبی Algorithmic trading, Genetic algorithm, Ensemble learning, Optimization, Neural networks 497 522 http://mieaoi.ir/browse.php?a_code=A-10-1822-1&slc_lang=fa&sid=1 Shiva Ghasempoura شیوا قاسم پور Shiva.ghasempour@iau.ac.ir 100319475328460014889 100319475328460014889 No a Department of Financial Management, SR.C., Islamic Azad University, Tehran, Iran گروه مدیریت مالی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران Amir Reza Keyghobadib امیررضا کیقبادی ar.keyghobadi@iau.ac.ir 100319475328460014890 100319475328460014890 Yes Department of Industrial Management, CT.C., Islamic Azad University, Tehran, Iran گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران Shadi Shahverdiani شادی شاهوردیانی shadishahverdiani@iau.ac.ir 100319475328460014891 100319475328460014891 No Department of Business Administration, ShQ.C., Islamic Azad University, Shahr-e Qods, Iran گروه مدیریت بازرگانی، واحد شهر قدس، دانشگاه آزاد اسلامی، شهر قدس، ایران Mahdi Madanchi Zajd مهدی معدنچی زاج ma.madanchi@iau.ac.ir 100319475328460014892 100319475328460014892 No d Department of Financial Management, CT.C., Islamic Azad University, Tehran, Iran. گروه مدیریت مالی ، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران