MarketPulse - برنامه ای که توصیه هایی را برای بازار سهام ایجاد می کند

Chandrakishor Singh ، Ronith Sinha ، Akshay Valaki ، 2021 ، MarketPulse - برنامه ای که توصیه هایی را برای بازار سهام ، مجله بین المللی تحقیقات و فناوری مهندسی (IJERT) NTASU - 2020 (جلد 09 - شماره 03) ، ارائه می دهد.

MarketPulse - برنامه ای که توصیه هایی را برای بازار سهام ایجاد می کند

گروه مهندسی کامپیوتر Vidyavardhinis دانشکده مهندسی و فناوری Palghar ، هند

گروه مهندسی کامپیوتر Vidyavardhinis دانشکده مهندسی و فناوری بمبئی ، هند

گروه مهندسی کامپیوتر Vidyavardhinis دانشکده مهندسی و فناوری Palghar ، هند

افراد چکیده از زمان آغاز به کار در بازار سهام سرمایه گذاری کرده اند. گرچه ادامه کار با فراز و نشیب های بازار سهام بسیار دشوار است ، اما تاریخ نشان داده است که با گذشت زمان بازار سهام سود کسب کرده است. این یک انتخاب خوب برای سرمایه گذاری های بلند مدت است. با این حال ، اخیراً استراتژی های جدید سرمایه گذاری پدید آمده است که شامل تجارت سهام از طریق الگوریتم های رایانه است. در این مقاله 3 اقدامات برای ارزیابی عملکرد سهام شرح داده شده است و در آخر ما 3 الگوریتم را که از یک یا چند مورد از این 3 اقدام برای محاسبه زمان خرید یا فروش سهام با پتانسیل تولید سود استفاده می کنیم ، لیست خواهیم کرد. برای اطمینان از اینکه الگوریتم ما در واقع سود ایجاد می کند ، ما الگوریتم خود را بر روی قیمت سهام 8 سال گذشته Nifty100 آزمایش کرده ایم و الگوریتم با موفقیت در محدوده 10 تا 18 ٪ در طول سال سود کسب می کند.

ما یک سیستم مبتنی بر ابر ایجاد کرده ایم که در نزدیکی قیمت سهام شرکت های Nifty50 که هر 30 دقیقه در NSE ذکر شده اند ، ذخیره می کند. این داده ها سپس توسط الگوریتمی که ما توسعه داده ایم تجزیه و تحلیل می شود و ممکن است سیگنال های خرید یا فروش را ایجاد کند. ما همچنین یک برنامه مشتری را به صورت یک برنامه اندرویدی ترکیبی تهیه کرده ایم که هر کسی با یک حساب Google می تواند بارگیری کند. با استفاده از این برنامه ، کاربران می توانند سهام شرکت های Nifty50 را خریداری یا بفروشند. با این حال ، به دلیل انطباق پیچیده ، استانداردهای امنیتی و دامنه پروژه ما ، ما مکانیسم پرداخت واقعی را ارائه نداده ایم. در عوض کاربران سهام را از طریق پول مجازی خریداری یا می فروشند. آنها دو حالت خرید/فروش سهام یعنی خودکار و عادی دارند. در حالت خودکار سیستم همیشه هر زمان که سیگنال خرید/فروش تولید شود و در حالت عادی ، از طرف کاربران بخرید و بفروشد و در حالت عادی تصمیم بگیرد که آیا می خواهد پس از دریافت اعلان ، بخواهد خرید یا فروش کند.

تجارت کلیدی واژه ی کلگوریتمی ، شاخص های فنی ، ابر ، AWS ، یونی ، اندرویدی ، برنامه ترکیبی ، زمان واقعی ، سهام ، NSE ، Nifty50 ، Nifty100

سیستم ما یک بستر مبتنی بر ابر است که زمان صحیح خرید یا فروش سهام شرکت های Nifty50 را که در بورس ملی (NSE) از طریق برنامه اندرویدی هیبریدی ما ذکر شده است ، تخمین می زند. این الگوریتم امیدوار کننده ترین زمان خرید/فروش سهام را پیدا می کند و سپس از طریق اعلان موبایل به کاربران اطلاع می دهد.

در سطح بالایی ، سیستم ما به روش زیر کار می کند.

قیمت سهام در زمان واقعی همه شرکت های Nifty50 را دریافت کرده و آن را در پایگاه داده ذخیره کنید

قیمت سهام را از پایگاه داده بازیابی کرده و آن را تجزیه و تحلیل کنید تا مشخص شود آیا زمان صحیح خرید/فروش سهام است

از طریق مکانیسم اعلان اندرویدی به کاربران در مورد سیگنال خرید/فروش اطلاع دهید

مراحل فوق را بعد از هر 30 دقیقه از 9 صبح تا 3 بعد از ظهر تا دوشنبه-جمعه تکرار کنید

مهمترین مؤلفه سیستم ما الگوریتمی است که داده های سهام را تجزیه و تحلیل می کند و تعیین می کند که آیا زمان مناسب برای خرید یا فروش سهام خاص است. در زمان مناسب منظور ما زمانی است که به نظر می رسد در تولید سود توسط آن معامله بسیار امیدوار کننده است. ما از 3 شاخص فنی یعنی میانگین حرکت (MA) ، حرکت میانگین همگرایی (MACD) و میانگین متحرک نمایی (EMA) استفاده کرده ایم تا به ما در توسعه الگوریتم کمک کند. ما از این شاخص های فنی به روش های مختلف برای توسعه سه الگوریتم استفاده کرده ایم که سعی در تخمین زمان امیدوارکننده برای خرید/فروش سهام دارند که به طور بالقوه سود می بخشد. این الگوریتم ها سپس بر روی یک مجموعه داده آزمایش می شوند که شامل قیمت سهام شرکت های Nifty100 NSE است. این مجموعه داده از طریق یاهو مالی بدست آمد. این داده ها در مورد قیمت باز ، بالا ، پایین و نزدیک سهام هر روز است. پس از آزمایش هر سه الگوریتم در همان مجموعه داده ، یکی از بالاترین سود را در محیط تولید استفاده می کند. محاسبه و بحث مفصل در مورد این شاخص های فنی در بخش بررسی ادبیات ارائه شده است.

هدف ما ایجاد بستری است که کاربران بتوانند سهام شرکت های Nifty50 را خریداری و بفروشند ، با این حال ، این معاملات واقعی نیستند. معاملات با استفاده از پول واقعی انجام نمی شود زیرا برای این امر باید بسیاری از سیاست ها ، مقررات و فرآیندهای پیچیده ای را که خارج از محدوده این پروژه است ، رعایت کند. با این حال ، این برنامه می تواند به عنوان یک محیط شبیه سازی مورد استفاده قرار گیرد که در آن کاربران می توانند خریداری و بفروشند

سهام مجازی (گرچه قیمت سهام واقعی است). این می تواند برای ایجاد آگاهی در مورد سرمایه گذاری بازار سهام در هند استفاده شود. بسیاری از مردم هنوز در بازار سهام سرمایه گذاری نمی کنند زیرا درک همه سیاست ها و اصطلاحات را دشوار می کند. همچنین ماهیت غیرقابل پیش بینی بازار سهام ، ورود سرمایه گذاران برای اولین بار ورود به آن را بسیار دشوار می کند. این امر باعث می شود سرمایه گذاری بازار سهام از آنچه در واقع است خطرناک تر به نظر برسد. کاربران با استفاده از این برنامه می توانند تجربه دست اول را در مورد سرمایه گذاری در بورس دریافت کنند. از آنجا که پول نیز مجازی است ، هیچ ضرر در استفاده از آن وجود ندارد. پس از مدتی که کاربران در سرمایه گذاری در بورس سهام راحت می شوند ، می توانند تجارت واقعی خود را توسط خودشان یا از طریق برخی از تأسیس های دیگر امتحان کنند.

شاخص های فنی: میانگین حرکت

در آمار ، میانگین متحرک (میانگین نورد یا میانگین در حال اجرا) محاسبه ای برای تجزیه و تحلیل نقاط داده با ایجاد یک سری از میانگین زیر مجموعه های مختلف مجموعه داده کامل است. همچنین به عنوان میانگین متحرک (میلی متر) یا میانگین نورد نامیده می شود و نوعی فیلتر پاسخ تکانه محدود است. [4]با توجه به یک سری اعداد و اندازه زیر مجموعه ثابت ، اولین عنصر میانگین متحرک با گرفتن میانگین زیر مجموعه ثابت اولیه سری شماره بدست می آید. سپس زیر مجموعه با تغییر به جلو ، به استثنای شماره اول سری و از جمله مقدار بعدی در زیر مجموعه ، اصلاح می شود. ما با افزودن قیمت سهام در یک دوره خاص و تقسیم مبلغ بر تعداد کل دوره ها ، میانگین متحرک را محاسبه می کنیم. میانگین متحرک پنج روزه ، پنج قیمت بسته شدن روزانه سهام را به شما اضافه می کند و آن را پنج تقسیم می کند تا هر روز میانگین جدید ایجاد شود. هر میانگین به حالت بعدی متصل است و خط جریان مفرد را ایجاد می کند. [2]

به عنوان مثال ، اگر قیمت سهام برای 8 روز متوالی به شرح زیر باشد: 100 ، 103 ، 104 ، 108،112 ، 124 ، 115 ، 118. سپس ،

میانگین متحرک برای این قیمت ها به صورت: 105. 4 ، 110. 2 ، 112. 6 ، 115. 4 محاسبه می شود.

میانگین حرکت به دلیل اینکه بر اساس قیمت های گذشته استوار است ، عقب مانده است. هرچه مدت زمان متوسط برای میانگین متحرک طولانی تر باشد ، تاخیر بیشتر می شود. بنابراین ، یک کارشناسی ارشد 200 روزه نسبت به یک کارشناسی ارشد 20 روزه درجه بسیار بیشتری خواهد داشت زیرا برای 200 روز گذشته حاوی قیمت است. طول میانگین متحرک برای استفاده بستگی به اهداف معاملاتی دارد ، با میانگین های کوتاه تر حرکت شده برای تجارت کوتاه مدت و میانگین حرکت طولانی مدت مناسب تر برای سرمایه گذاران بلند مدت است. [4]MA های 50 روزه و 200 روزه به طور گسترده توسط سرمایه گذاران و بازرگانان دنبال می شوند ، با شکستن بالاتر و پایین تر از این میانگین متحرک که سیگنال های تجاری مهم هستند. میانگین حرکت به طور متوسط سیگنال های مهم تجاری را به تنهایی یا هنگامی که دو میانگین از آن عبور می کنند ، منتقل می کنند. میانگین در حال افزایش نشان می دهد که امنیت در صعود قرار دارد ، در حالی که میانگین در حال کاهش حرکت نشان می دهد که در روند نزولی قرار دارد. به همین ترتیب ، حرکت به سمت بالا با یک متقاطع صعودی تأیید می شود ، که هنگامی که یک Averae در حال حرکت کوتاه مدت از یک میانگین در حال حرکت طولانی مدت عبور می کند ، رخ می دهد. [3]حرکت رو به پایین با یک متقاطع نزولی تأیید می شود ، که هنگامی که یک میانگین متحرک کوتاه مدت عبور می کند رخ می دهد

زیر میانگین متحرک طولانی مدت. یکی دیگر از شاخص های فنی مورد استفاده در رابطه با میانگین حرکت ، میانگین متحرک نمایی (EMA) است. میانگین متحرک نمایی (EMA) نوعی میانگین متحرک (MA) است که وزن و اهمیت بیشتری را در جدیدترین نقاط داده قرار می دهد. [7]

در حال حرکت تصویر متوسط

شاخص های فنی: میانگین متحرک نمایی (EMA)

میانگین متحرک نمایی (EMA) نوعی میانگین متحرک (MA) است که وزن و اهمیت بیشتری را در جدیدترین نقاط داده قرار می دهد. میانگین متحرک نمایی نیز به عنوان میانگین متحرک با وزنی نمایی گفته می شود. میانگین متحرک با وزنی به صورت نمایی نسبت به یک میانگین متحرک ساده (SMA) نسبت به تغییرات قیمت اخیر واکنش قابل توجهی دارد ، که وزن مساوی را برای تمام مشاهدات در دوره اعمال می کند. [5]

فرمول EMA = (مقدار امروز * (هموار سازی / (1 +

روز)) + Emayesterday * (1 - (صاف کردن / (1 + روز))) [6] سه مرحله اساسی برای محاسبه EMA عبارتند از:

SMA را محاسبه کنید.

ضرب را برای ضریب هموار سازی/وزنی برای EMA قبلی محاسبه کنید.

EMA فعلی را محاسبه کنید.

EMA وزن بیشتری را به قیمت های اخیر می دهد ، در حالی که SMA وزن برابر را به تمام مقادیر اختصاص می دهد. وزنی که به جدیدترین قیمت داده می شود برای EMA کوتاه تر از EMA بیشتر از یک EMA دوره طولانی تر است. به عنوان مثال ، یک ضرب 18. 18 ٪ برای جدیدترین داده های قیمت برای یک EMA 10 دوره ای اعمال می شود ، در حالی که برای یک EMA 20 دوره ، فقط از وزن ضرب 9. 52 ٪ استفاده می شود. [8]

میانگین های متحرک نمایی 12 و 26 روزه (EMA) اغلب به طور متوسط به نقل از میانگین کوتاه مدت یا مورد تجزیه و تحلیل هستند. 12 و 26 روز برای ایجاد شاخص هایی مانند میانگین میانگین همگرایی در حال حرکت (MACD) و درصد نوسان ساز قیمت (PPO) استفاده می شود. [9]

مانند همه شاخص های متوسط در حال حرکت ، آنها برای بازارهای روند بسیار مناسب تر هستند. هنگامی که بازار در یک روند صعودی قوی و پایدار قرار دارد ، خط نشانگر EMA همچنین روند صعودی و برعکس را برای روند پایین نشان می دهد. یک معامله گر هوشیار نه تنها به جهت خط EMA بلکه به رابطه نرخ تغییر از یک نوار به نوار دیگر توجه خواهد کرد. [6]به عنوان مثال ، از آنجا که عملکرد قیمت یک صعود قوی شروع به صاف کردن و معکوس می کند ، میزان تغییر EMA از یک نوار به نوار دیگر کاهش می یابد تا زمانی که خط نشانگر صاف شود و میزان تغییر صفر باشد. به دلیل تأثیر تأخیر در این نقطه ، یا حتی چند میله قبل ، عمل قیمت باید قبلاً معکوس شده بود. از این رو نتیجه می گیرد که مشاهده یک کاهش مداوم در میزان تغییر EMA می تواند به عنوان یک شاخص استفاده شود که می تواند بیشتر با معضل ناشی از تأثیر عقب مانده از میانگین های حرکت مقابله کند.

شاخص های فنی: حرکت واگرایی همگرایی متوسط (MACD)

میانگین حرکت ساده (SMA) را برای تعداد انتخاب شده دوره های زمانی محاسبه کنید.(EMA استفاده می کند

خود 12 EMA را به این صورت محاسبه کنید:

(نزدیک - دوره emaprevious) * 0. 1538

جمع کردن MACD به سادگی نیاز به انجام تمام محاسبات EMA زیر برای هر ابزار بازار خاص (سهام ، آینده ، جفت ارز یا شاخص بازار) دارد:

یک EMA 12 دوره از قیمت را برای دوره زمانی انتخاب شده محاسبه کنید.

یک EMA 26 دوره از قیمت را برای دوره زمانی انتخاب شده محاسبه کنید.

26 دوره EMA را از دوره 12 دوره ای جدا کنید.

یک EMA نه دوره ای از نتیجه به دست آمده از مرحله 3 را محاسبه کنید.

این خط EMA نه دوره ای بر روی هیستوگرام پوشانده شده است که با کم کردن 9 دوره EMA از نتیجه در مرحله 3 ایجاد می شود ، که به آن خط MACD گفته می شود ، اما همیشه به وضوح در نمایش MACD در یک نمودار ترسیم نمی شود.[7]

ما سه الگوریتم ایجاد کرده ایم که از یک یا چند مورد از شاخص های فنی ذکر شده در بالا استفاده می کنند ، یعنی میانگین حرکت ، حرکت میانگین همگرایی و RSI تصادفی. این الگوریتم ها از این شاخص های فنی به روش های مختلف برای برآورد امیدوار کننده ترین زمان خرید/فروش سهام استفاده می کنند. این الگوریتم ها سپس بر روی یک مجموعه داده آزمایش می شوند که شامل قیمت سهام شرکت های Nifty100 NSE در طی یک دوره 8 سال (اکتبر 2010 تا اکتبر 2018) است. این مجموعه داده از طریق یاهو مالی بدست آمد. این داده ها در مورد قیمت باز ، بالا ، پایین و نزدیک سهام هر روز است. توضیح هر سه الگوریتم و عملکرد آنها (از نظر نرخ بازده) به شرح زیر است.

خرید: وقتی خط سیگنال از بالا از خط MACD عبور می کند.

فروش: وقتی خط MACD از خط سیگنال عبور می کند.

درصد سود = 20. 23 ٪

خرید: 9EMA از 4EMA و 20EMA از پایین به بالاتر عبور می کند

فروش: 9EMA از 14EMA از بالاتر به زیر درصد سود = 13. 28 ٪ عبور می کند

متقاطع EMA + MACD

خرید: 9EMA از 14EMA و 20EMA از پایین به بالا عبور می کند و خط MACD از خط سیگنال از پایین به بالا عبور می کند

فروش: خط MACD از خط سیگنال از بالا به پایین عبور می کند

درصد سود = 17. 45 ٪

از تجزیه و تحلیل فوق ، مشخص است که شرایط متقاطع MACD بالاترین نرخ بازده 20. 23 ٪ را می دهد. بنابراین ما این الگوریتم را برای استفاده در محیط تولید انتخاب خواهیم کرد.

ما از معماری بدون سرور برای ساخت سیستم استفاده کرده ایم. در یک رویکرد بدون سرور ، تمام سخت افزار و بیشتر نرم افزارهای مورد نیاز برای ساخت سیستم در ابر قرار دارند. ارائه دهنده Cloud مسئولیت نگهداری ، امنیت سخت افزار را بر عهده دارد. این امر به توسعه دهنده این امکان را می دهد تا بیشتر روی منطق کسب و کار تمرکز کند و کمتر به مواردی که مستقیماً با برنامه مانند نگهداری سخت افزار مرتبط نیست ، استفاده از آخرین تکه های امنیتی ، پشتیبان گیری و غیره. ما از خدمات وب آمازون (AWS) به عنوان ابر ما استفاده کردیمارائه دهنده به دلیل قیمت رقابتی و برنامه ای برای ردیف رایگان.

AWS بیش از 90 سرویس مربوط به محاسبات ، ذخیره سازی ، شبکه ، تجزیه و تحلیل ، مدیریت ، استقرار و غیره دارد تا برنامه ما را توسعه دهیم ، از ویژگی های کمی اما اصلی AWS استفاده کرده ایم. این موارد شامل API Gateway ، Dynamodb ، Lambda ، Cognito و CloudWatch است. در زیر خلاصه ای از هر سرویس/کتابخانه ای که ما در سیستم باطن خود استفاده کرده ایم آورده شده است.

API Gateway یک سرویس توسعه API وب (رابط برنامه نویسی برنامه) مبتنی بر GUI است. ما از آن برای ایجاد API های وب برای برنامه مشتری استفاده کرده ایم. این موارد شامل API برای تأیید اعتبار کاربران ، دریافت لیست سهام که قبلاً توسط کاربر خریداری شده است ، خرید یا فروش هر سهام و غیره.

DynamoDB برای ذخیره داده های قیمت سهام که هر 5 دقیقه یکبار جمع آوری می شود ، استفاده می شود. این یک سرویس پایگاه داده اختصاصی NOSQL اختصاصی کاملاً مدیریت شده است که از ساختار داده های ارزش کلیدی و اسناد پشتیبانی می کند و توسط AWS ارائه می شود.

AWS Lambda برای انجام تمام فرآیندهای محاسباتی استفاده می شود. این یک پلت فرم محاسبات محور است. در اصل این یک سرویس محاسباتی است که در پاسخ به رویدادها کد را اجرا می کند و به طور خودکار تمام منابع مورد نیاز برای اجرای آن کد را مدیریت می کند (مانند حافظه ، زمان CPU و غیره). از Lambda برای اجرای تمام منطق سمت سرور استفاده می شود. این وظیفه دارد قیمت سهام را از وب جدا کند ، داده ها را در DynamoDB ذخیره کند ، تجزیه و تحلیل را روی داده ها انجام دهد ، از طریق API های REST به کاربران پاسخ دهد.

Cognito یک سرویس AWS است که به شما امکان می دهد ثبت نام کاربر ، ورود به سیستم و دسترسی به برنامه های وب و تلفن همراه خود را به سرعت و به راحتی اضافه کنید. ما از این سرویس برای تأیید اعتبار کاربران در سیستم خود و همگام سازی داده های آنها استفاده کرده ایم. به کاربران قابلیت تأیید اعتبار خود را با استفاده از یک حساب Google داده می شود.

CloudWatch یک سرویس نظارتی است که وضعیت زنده همه منابع و زیرساخت های AWS را ارائه می دهد. از این استفاده می شود که به طور دوره ای باعث ایجاد کدی می شود که مسئولیت خراشیدن قیمت سهام از وب را بر عهده دارد. ما همچنین از این سرویس به عنوان ابزاری تحلیلی استفاده می کنیم تا از سلامت سیستم خود بینش بگیریم. این داده ها را در مورد زمان اجرای توابع Lambda ، فرکانس دسترسی DynamoDB ، تعداد کاربران و غیره ارائه می دهد.

برخی از کتابخانه های مهم شخص ثالث

ما از بسیاری از کتابخانه های منبع باز شخص ثالث برای توسعه عملکرد سیستم خود استفاده کرده ایم. برخی از موارد مهم به شرح زیر است:

TA-Lib: TA-Lib به طور گسترده توسط توسعه دهندگان نرم افزار تجارت که نیاز به انجام دارند استفاده می شود

برنامه جلویی یا برنامه مشتری یک برنامه اندرویدی ترکیبی است. ما از فناوری زیر برای ساختن برنامه موبایل استفاده می کنیم. ما از Ionic برای توسعه برنامه Android استفاده می کنیم.ioNIC یک منبع باز ، SDK جلوی SDK برای توسعه برنامه های کاربردی موبایل ترکیبی با استفاده از فناوری های وب مانند HTML ، CSS و JavaScript است. این مؤلفه های مبتنی بر فناوری وب بهینه سازی شده موبایل و همچنین API های بومی را با استفاده از کوردووا و بومی یونی فراهم می کند.

IONIC یک منبع باز ، SDK جلوی SDK برای توسعه برنامه های کاربردی موبایل ترکیبی با استفاده از فناوری های وب مانند HTML ، CSS و JavaScript است. این مؤلفه های مبتنی بر فناوری وب بهینه سازی شده موبایل و همچنین API های بومی را با استفاده از کوردووا و بومی یونی فراهم می کند.ioNIC ابزارها و خدمات برای توسعه برنامه های وب موبایل ، دسک تاپ و پیشرونده بر اساس فناوری ها و شیوه های توسعه وب مدرن ، با استفاده از فناوری های وب مانند CSS ، HTML5 و SASS ارائه می دهد.

Angular یک چارچوب برنامه وب منبع باز مبتنی بر TypeScript است که توسط تیم Angular در Google و جامعه ای از افراد و شرکت ها به رهبری انجام می شود.ionic از Angular در پشت صحنه برای تعریف مؤلفه های وب مورد نیاز برای ارائه یک برنامه بومی در هنگام استفاده از فن آوری های وب استاندارد مانند HTML ، CSS و JavaScript استفاده می کند.

Apache Cordova (قبلاً PhoneGap) یک چارچوب توسعه برنامه های تلفن همراه است. Apache Cordova برنامه نویسان نرم افزاری را قادر می سازد تا به جای تکیه بر API های خاص پلت فرم مانند Android ، iOS یا Windows Phone ، برنامه هایی را برای دستگاه های تلفن همراه با استفاده از CSS3 ، HTML5 و JavaScript بسازند. بسته به بستر دستگاه ، بسته به بستر دستگاه ، بسته بندی CSS ، HTML و JavaScript را امکان پذیر می کند. با استفاده از API های سطح دستگاه Cordova مانند دوربین ، با کد مبتنی بر JS می توان به خدمات موقعیت مکانی دسترسی پیدا کرد.

سیستم ما بیشتر به 2 ماژول تقسیم می شود که به شرح زیر است:

این ماژول سمت مشتری برنامه Android است. این برنامه در تلفن هوشمند Android Platform نصب خواهد شد. به اتصال به اینترنت قابل اعتماد نیاز دارد. هر زمان که سرور سیگنال خرید را در سهام هر شرکتی ایجاد کند ، به کاربر اطلاع داده می شود. اما سیگنال فروش فقط به کاربرانی ارسال می شود که قبلاً سهام آن شرکت را در گذشته خریداری کرده اند. پس از دریافت اطلاع رسانی خرید/فروش کاربر یک پنجره 5 دقیقه ای برای پذیرش آن سیگنال خواهد داشت. پس از آن گزینه نامعتبر خواهد شد. اگر کاربر بخواهد هر سیگنال خرید و فروش را از دست ندهد ، می تواند حالت خودکار گزینه معاملاتی را در تنظیمات فعال کند که به طور خودکار تمام سیگنال های خرید/فروش را می پذیرد.

IONIC برای توسعه برنامه Android Hybrid Side Side Side استفاده خواهد شد.

Angular به عنوان چارچوب رابط کاربری برای توسعه رابط کاربری برنامه Android Hybrid استفاده خواهد شد. همچنین مسئول واکشی و ارسال داده های کاربر از/به سرور خواهد بود.

برنامه وب توسعه یافته با استفاده از یونی و زاویه ای از طریق چارچوب کوردووا به برنامه اندرویدی هیبریدی تبدیل می شود.

این برنامه Android از API های وب ، توسعه یافته و مدیریت شده در AWS API Gateway ، برای تأیید اعتبار کاربران ، خرید و فروش سهام استفاده می کند.

مشتری - معماری سرور با استفاده از رویکرد بدون سرور

این ماژول سمت سرور (یا باطن) سیستمی است که بیشتر پردازش انجام می شود.

AWS Lambda برای اجرای کدی که وظیفه خراش قیمت سهام از وب را بر عهده دارد ، استفاده می شود. از کتابخانه ای به نام NSETOOLS برای خراشیدن قیمت سهام از وب سایت استفاده می شود. همچنین این سرویس است که کدی را که حاوی الگوریتم برای تولید سیگنال های خرید/فروش است ، اجرا می کند.

DynamoDB برای ذخیره قیمت سهام اخیر ، خرید/فروش سیگنال ها و داده های کاربر مانند نام کاربری آن ، جزئیات نمونه کارها و غیره استفاده خواهد شد.

API Gateway برای تهیه API REST برای برنامه Client (برنامه Android) استفاده می شود. با استفاده از این API ها ، مشتریان می توانند خود را تأیید کنند ، داده های کاربر را واکشی و ارسال کنند ، سهام را خریداری و بفروشند.

CloudWatch برای تنظیم رویدادی استفاده می شود که در واقع ماشه ای است که برای اجرای کد خراش و تجزیه و تحلیل هر 30 نعناع استفاده می شود.

AWS Cognito برای تأیید اعتبار کاربران از طریق حساب Google استفاده می شود.

ما سه الگوریتم مختلف ایجاد کرده ایم که بهترین زمان برای خرید/فروش سهام شرکت های Nifty50 را با استفاده از سه شاخص فنی یعنی حرکت متوسط ، حرکت میانگین واگرایی همگرایی و میانگین متحرک نمایی تخمین می زند. ما داده های بازار سهام را برای 8 سال گذشته شرکت های Nifty100 جمع آوری کرده ایم و عملکرد (میزان سود حاصل از تولید) از هر سه الگوریتم را آزمایش کرده ایم. بر اساس میزان سود حاصل از الگوریتم های فردی ، ما را انتخاب کرده ایم که حداکثر سود را ایجاد می کند.

پس از توسعه و انتخاب الگوریتم نهایی ، سیستم خود را توسعه دادیم. سیستم ما یک سیستم مبتنی بر ابر است ، یعنی تمام سخت افزارهای مورد نیاز برای ساخت سیستم به عنوان زیرساخت های ابری موجود است. ما AWS را به عنوان ارائه دهنده ابر خود انتخاب کرده ایم. از خدمات مختلفی از AWS مانند Lambda ، DynamoDB ، CloudWatch ، API Gateway و غیره برای توسعه باطن سیستم استفاده می شود. از یونی (با زاویه ای) برای توسعه برنامه اندرویدی هیبریدی به همراه کوردووا استفاده شد.

As we have mentioned in our Analysis section, the profit percentage of different algorithms is different. Stock market is extremely unpredictable and obviously designing algorithms that give relatively high rates of retu (>18 ٪) بسیار دشوار است. با این حال ، در حال حاضر بیشتر معاملات سهام در حال حاضر توسط سیستم های خودکار انجام می شود و این روند فقط روز به روز در حال افزایش است. حتی اگر درصد سود طبیعی باشد ، تجارت الگوریتمی می تواند با انجام معاملات مکرر ، یعنی بیش از 100 یا 1000 معاملات در ثانیه ، سود نسبتاً زیادی کسب کند. در اینجا بیانیه ای از رابرت گریفلد ، مدیرعامل Nasdaq در آوریل 2011 به پایان رسیده است. معاملاتی که در قرن ها وجود داشته است ، درگذشت. ما امروز یک بازار الکترونیکی داریم. حال حاضر است. این آینده است.

افراد و سازمانها. ما می خواهیم با تشکر صمیمانه خود را از همه آنها گسترش دهیم.

ما همچنین دوست داریم از رئیس بخش خود ، دکتر مگا تریروی برای ارائه کمک به این پروژه ، ابراز قدردانی کنیم. ما به دلیل راهنمایی و نظارت مداوم و همچنین ارائه اطلاعات لازم در مورد پروژه و همچنین برای پشتیبانی آنها در تکمیل پروژه ، به پروفسور Swapna Borde بسیار مدیون هستیم. ما می خواهیم از والدین و عضو دانشکده مهندسی و فناوری Vidyavardhinis بخاطر همکاری و تشویق آنها که به ما در تکمیل این پروژه کمک کرده است ، قدردانی کنیم.

با تمایل به ما در توانایی های آنها کمک کرده اند.

ما در این پروژه تلاش کرده ایم. با این حال ، بدون پشتیبانی و کمک بسیاری از افراد امکان پذیر نبود

J. Welles Wilder ، مفاهیم جدید در سیستم های معاملاتی فنی ، ISBN 0-89459-027-8 تحقیقات روند ، 1978.

جان جی مورفی (2009). سرمایه گذار بصری: نحوه مشاهده روند بازار (ویرایش دوم). جان ویلی و پسران. پ. 100. ISBN 9780470382059 ..

اپل ، جرالد (2005). ابزارهای قدرت تحلیل فنی برای سرمایه گذاران فعال. Financial Times Prentice Hall. پ. 166. ISBN 0-13-147902-4.

حرکت میانگین واگرایی همگرایی ". Investopedia. Investopedia LLC.

https://www.investopedia.com/terms/m/macd.asp دسترسی به 29 نوامبر 2019.

با استفاده از MACD ". Investors Underground. به 29 نوامبر 2019 دسترسی پیدا کرد.

میانگین های متحرک وزنی: اصول اولیه ". Investopedia. دسترسی به 29 نوامبر 2019 https://www.investopedia.com/articles/technical/060401.asp

مارک ، پاتریس ؛edivá ، Blanka (2017)."بهینه سازی و آزمایش RSI". یازدهمین کنفرانس علمی بین المللی مدیریت مالی بنگاهها و موسسات مالی.