نمایش شمعدان های ژاپنی توسط اعداد فازی گرا

تکنیک Candlesticks ژاپنی یکی از روشهای شناخته شده گرافیکی تجزیه و تحلیل پویا اوراق بهادار است. اگر از شمعدان های ژاپنی برای تجزیه و تحلیل داده های مالی با فرکانس بالا استفاده کنیم ، پس به نمایندگی عددی از هر شمعدان ژاپنی نیاز داریم. Kacprzak و همکاران. پیشنهاد کرده اند که با شماره های فازی سفارش داده شده توسط Kosiński و همکارانش ، شمعدان های ژاپنی را نمایندگی کنند. به دلایل رسمی ، نظریه کوشیسکی در مورد اعداد فازی سفارش داده شده اصلاح شده است. هدف اصلی مقاله ما پیشنهاد یک روش جهانی برای بازنمایی شمعدان های ژاپنی توسط اعداد فازی سفارش داده شده است. این بحث همچنین نیاز به بازنگری در یک مدل عددی شمعدان های ژاپنی را توجیه می کند. انواع اصلی زیر شمعدان ژاپنی در نظر گرفته شده است: شمع سفید (چرخش سفید) ، شمع سیاه (نخ ریسی سیاه) ، ستاره Doji ، Dragonfly Doji ، Gravestone Doji و Four Price Doji. به عنوان مثال ، ما از مدل عددی شمعدان های ژاپنی برای تجزیه و تحلیل نمونه کارها مالی استفاده می کنیم.

1. معرفی

مفهوم شماره فازی سفارش داده شده (OFN) توسط Kosiński معرفی شده است (Kosiński and Słysz 1993 ؛ Kosiński et al. 2002 ، 2003) به عنوان پسوند مفهوم شماره فازی (FN) ، که به طور گسترده ای به عنوان یک تقریب معکوس از یک تقیمی غیرمستقیم تفسیر می شودشماره واقعیآنها بطور شهودی از OFN به عنوان FN مجهز به اطلاعات مربوط به محل شماره تقریبی تعیین می کنند. این اطلاعات اضافی به عنوان جهت گیری OFN ارائه شده است. به همین دلیل ، ما می توانیم OFN را به عنوان یک تقریب نادرست از یک عدد واقعی که ممکن است در جهت تعیین شده توسط جهت گیری تغییر کند ، تعبیر کنیم. مونوگرافی (Prokopowicz و همکاران 2017) منبع صالح اطلاعاتی در مورد وضعیت معاصر دانش در مورد OFN تعریف شده توسط Kosiński است. از طرف دیگر ، Kosiński (2006) نشان داده است که نامناسب وجود دارد که نمی تواند توسط یک جفت FN و جهت گیری آن نمایش داده شود. سپس ، ما نمی توانیم برای حل مشکلات عملی که توسط نادرست OFN شرح داده شده است ، در مورد مجموعه های فازی استفاده کنیم. بنابراین ، هرگونه ملاحظاتی که از OFN نادرست استفاده می کنند ، ممکن است مثمر ثمر نباشد. به دلایل رسمی ، نظریه Kosiński تجدید نظر شد (Piasecki 2018) به گونه ای که تعریف تجدید نظر شده از تعریف کاملاً مطابق با تعریف بصری کوسیسکی از OFN باشد. در این مقاله ، ما به یاد می آوریم که توسط Kosiński به عنوان "شماره Kosiński" تعریف شده است که مطابق با پیشنهادات ارائه شده توسط سایر محققان است (Prokopowicz 2016 ؛ Prokopowicz and Pedrycz 2015). علاوه بر این ، ما OFN های تعریف شده را به روشی اصلاح شده پیشنهاد می کنیم که به نام اعداد فازی گرایش داده می شوند. این پیشنهاد کاملاً در Piasecki (2019) توجیه شده است. به این ترتیب ، در مفهوم OFN S ، ما دو نوع آن را متمایز کردیم: شماره های کوشیسکی و اعداد فازی گرا.

شمعدان ژاپنی (JC) سبکی از نمودار مالی است که برای توصیف تنوع نقل قول های مبادله دارایی های مالی استفاده می شود. نمودارهای شمعدانی در قرن 18 توسط یک تاجر برنج ژاپنی ، مونیشیزا هوما (موریس 2006) تهیه شد. تکنیک های نمودار JC توسط Nison (1991) به جهان غربی معرفی شد. از جمله موارد دیگر ، تغییرات نقل قول بازار از این طریق شرح داده شده است: این که هر شمع سفید باعث افزایش نقل قول ها می شود و هر شمع سیاه ، سقوط نقل قول ها را توصیف می کند. طبق کنوانسیون سنتی ، هر JC کلاسیک توسط یک مجموعه چهار عنصر از شماره های واقعی آن نمایش داده می شود: قیمت باز ، قیمت نزدیک ، قیمت پایین و قیمت بالا. برخی از برنامه های JCS ارائه شده است ، به عنوان مثال در (Detollenaere and Mazza 2014 ؛ Fock et al. 2005 ؛ Jasemi et al. 2011 ؛ Marshall et al. 2006 ؛ Kamo and Dagli 2009 ؛ Tsung-Hsun et al. 2012 ، 2015).

هر تکنیک اصلی نمودار JC ابزاری گرافیکی برای ضبط نوسانات نقل قول است. هر JC ابزاری بسیار مناسب برای ضبط مصنوعی سری زمانی با فرکانس بالا از داده های مالی است. اگر از JC برای تجزیه و تحلیل داده های مالی با فرکانس بالا استفاده کنیم ، پس ما به بازنمایی زبانی یا عددی آنها نیاز داریم.

لی و همکاران.(2006) برای توصیف برخی از ویژگی های JC توسط متغیرهای زبانی ارزیابی شده توسط برچسب های زبانی که بسته به عملگرایان کاربردی زبان طبیعی ارزیابی شده است. با توجه به ماهیت چیزها ، هر توضیحی اطلاعات نادرست است. به همین دلیل ، زاده (1975a ، 1975b ، 1975c) پیشنهاد کرد که هر متغیر زبانی را با مقادیر خود که به عنوان یک زیر مجموعه فازی در فضای از پیش تعریف شده تعریف شده است ، توصیف کند. سپس ، این متغیرهای زبانی ممکن است با استفاده از تئوری مجموعه فازی تبدیل شوند. لی و همکاران.(2006) ویژگی های JC را توسط برچسب های زبانی که توسط اعداد فازی ذوزنقه نشان داده شده است ، ارزیابی کرد. به روشی مشابه ، JC ها در شرح داده شده است (کامو و داگلی 2009 ؛ نارانجو و همکاران 2018 ؛ نارانجو و سانتوس 2019). پس از (هررا و هررا-ویدما 2000) ، می توان گفت که استفاده از ارزیابی های زبانی نادرست برای تجزیه و تحلیل تصمیم گیری بسیار مفید است زیرا یک چارچوب انعطاف پذیر تر را معرفی می کند که به ما امکان می دهد اطلاعات را به روشی مستقیم و کافی تر نشان دهیم. نمی توان آن را دقیقاً بیان کرد. سپس ، همه نویسندگان ذکر شده در این پاراگراف از برچسب های زبانی که به نمایندگی از JC به عنوان یک سیگنال ورودی برای سیستم های مختلف حمایت از تصمیم گیری مالی استفاده می کنند ، استفاده می کنند. سیگنال های خروجی دریافت شده از این طریق بسیار مفید هستند.

از طرف دیگر ، JC های توصیف شده زبانی را نمی توان برای محاسبه نمونه کارها JC به عنوان مجموعه ای از JC های اجزای آنها (łyczkowska-hanćkowiak و piasecki 2018b) استفاده کرد. این کار به نمایندگی عددی JCS به عنوان مدل های کمیت آنها نیاز دارد.

برای هر امنیت ، هر JC کمی ممکن است به عنوان تقریب قیمت بازار خود مورد استفاده قرار گیرد که علاوه بر این مجهز به اطلاعات مربوط به این روند قیمت است. به همین دلایل ، Kacprzak و همکاران.(2013) JC را با استفاده از شماره های Kosiński شرح داده است. توضیحات Kacprzak یک ضرر قابل توجه دارد. در آنجا ، هر شمع سیاه توسط نامناسب OFN توصیف می شود. بنابراین ، رویکرد Kacprzak برای تجزیه و تحلیل مالی با استفاده از JCS مناسب نیست.

نتیجه گیری فوق با استفاده از تئوری اصلاح شده OFN ، بازسازی JC ها را توجیه می کند. هدف اصلی مقاله ما توصیف JC ها با استفاده از اعداد فازی گرا است.

رویکرد ما برای نشان دادن JC توسط OFN S با رویکردی که توسط Marszałek و Burczyński (2013a ، 2013b ، 2014) نشان داده شده است ، متفاوت است ، که عملکرد عضویت شمع ها را به عنوان عملکرد چگالی تعریف می کنند. به نظر ما ، چنین رویکردی با جوهر JC ها سازگار نیست.

مقاله ما به شکل زیر سازماندهی شده است. در بخش 2 ، ما دو نوع ذوزنقه از N S: شماره های Kosiński و شماره های فازی گرا را ارائه می دهیم. در پایان این بخش ، ما برنامه های محدود کننده فرض شده از اعداد فازی گرا را توجیه می کنیم. بخش 3 حاوی اطلاعات اصلی در مورد JCS است. در بخش 4 ، ما به طور خلاصه در مورد رویکرد Marszałek و رویکرد Kacprzak برای مدل سازی JCS توسط OFN صحبت می کنیم. بخش 5 قسمت اصلی مقاله ما است. در این بخش ما روش خود را برای نمایندگی JCS با اعداد فازی گرا پیشنهاد می کنیم. در بخش 6 ، نرخ بازده مورد انتظار نادرست را با استفاده از مدل های JCS تعیین می کنیم. در مرحله بعد ، ما امکان استفاده از این نرخ بازده را برای تجزیه و تحلیل نمونه کارها فازی نشان می دهیم. این بخش براساس (Piasecki 2017) است. بخش 7 یک مطالعه موردی ساده را ارائه می دهد که در آن از مدل عددی معرفی شده JCS برای تجزیه و تحلیل نمونه کارها مالی استفاده می شود. بخش 8 شامل نتیجه گیری نهایی است.

2. اعداد فازی

نماد ℱ (ℝ) خانواده همه مجموعه های فازی را در خط واقعی نشان می دهد. یک مدل معمولاً پذیرفته شده از تعداد نامشخص تعداد فازی (FN) است که به طور کلی توسط DuBois و Prade (1978) به عنوان نوعی زیر مجموعه فازی ℒ ∈ ℱ (ℝ) تعریف می شود. به لطف نتایج به دست آمده در (Goetschel و Voxman 1986) ، هر FN می تواند به طور معادل به شرح زیر تعریف شود:

(Delgado و همکاران 1998). عملکرد μ L (· | A ، B ، C ، D ، L L ، R l) ∈ [0 ، 1] ℝ شرح داده شده توسط هویت:

μ l (x | a ، b ، c ، d ، l l ، r l) =<0 , x ∉ [ a , d ] , L L ( x ) , x ∈ [ a , b ] , 1 , x ∈ [ b , c ] , R L ( x ) , x ∈ [ c , d ] ,

جایی که تابع مرجع چپ l l ∈ [0 ، 1] [a ، b] و عملکرد مرجع راست r l ∈ [0 ، 1] [c ، d] مواردی نیمه مداوم یکنواختی هستند که شرایط را برآورده می کنند: