‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫نمذجة بيانات سوق العمالت األجنبية في خوارزمية أشجار القرار‬

‫لدعم ق اررات التداول اليومي اعتماداً على المؤشرات الفنية‬
‫محمد حسن صديق*‪ ،‬غسان ساكت**‪ ،‬عبد الحميد الصباغ ***‬
‫*طالب دراسات عليا (دكتوراه)‪ ،‬قسم اإلحصاء ونظم المعلومات‪ ،‬كلية االقتصاد‪ ،‬جامعة حلب‪.‬‬
‫** قسم اإلحصاء ونظم المعلومات‪ ،‬كلية االقتصاد‪ ،‬جامعة حلب‪.‬‬
‫*** قسم العلوم المالية والمصرفية‪ ،‬كلية االقتصاد‪ ،‬جامعة حلب‪.‬‬
‫الملخص‬
‫هدفت الدراسة إلى إيجاد آلية يمكن بها نمذجة بيانات سوق العمالت األجنبية‬
‫(الفوركس)‪ ،‬في إحدى أهم خوارزميات التنقيب في البيانات وفق أس لوب التص ني‬
‫وهي خوارزمية أش جار القرار ‪ ،C4.5‬إلرش اد المس ترمر ن في التداول اليومي في س وق‬
‫العمالت عبر قراءة المؤشرات الفنية‪ .‬وقد ركز البحث على آلية تمريل دالة الهدف التي‬
‫تمرل المستقبل مما يعطي المسترمر ن صورة مستقبلية عن األسعار‪ ،‬وعلى ذلك فقد تم‬
‫نم ذج ة دال ة اله دف المعبرة عن المس تقب ل وفق ‪ 4‬مع ادالت‪ ،‬ونم ذج ة مجموع ة من‬
‫المؤش رات الفنية كمتميرات مس تقلة لتعطي اليماي تي كل دالالت ومية حول مس تقبل‬
‫حركة األس عار بي كل ناس ب الس جالت اليومية للبيانات‪ ،‬وتقييمها بي كل منفرد بالنس بة‬
‫لكل مجموعة من البيانات‪ .‬تم تطبيق الدراسة على األزواج الرئيسة للعمالت‪ ،‬باستخدام‬
‫خوارزمية ‪ C4.5‬عبر األداة ‪ Weka‬في بناء النموذج‪ .‬وقد توص ل البحث إلى إمكانية‬
‫بناء نموذج دعم ق اررات المس ترمر ن في س وق العمالت بي كل ومي باس تخدام‬
‫خوارزمية ش جرة قرار ‪ C4.5‬والوص ول إلى اس تراتيجية تداول جد دة‪ ،‬وتم تقييم النموذج‬
‫والتأكد من فعاليته وقابليته للتطبيق‪.‬‬

‫الكلمات المفتاحية‪ :‬نمذجة البيانات‪ ،‬سوق العمالت‪ ،‬التحليل الفني‪ ،‬التصني ‪ ،‬أشجار القرار‪ ،‬خوارزمية‬
‫‪ ،C4.5‬تقييم النموذج‪.‬‬

‫ورد البحث للمجلة بتار خ_ ‪2019/ 5 / 20‬‬

‫قبل للنير بتار خ_ ‪2019/ 7 / 15‬‬

‫‪1‬‬
 ‫ الصباغ‬،‫ ساكت‬،‫صد ق‬

Modeling foreign exchange market data in decision tree

algorithm to support daily trading decisions based on technical
indicators
Mohamad H. Saddik*, Ghassan Saket**, Abdulhameed Alsabagh***
* Postgraduate Student (PhD), Dept. of Statistics and Information Systems, Faculty of
Economics, Aleppo University.
**Dept. of Statistics and Information Systems, Faculty of Economics, Aleppo University.
***Dept. of Finance and Banking, Faculty of Economics, Aleppo University.
Abstract
The study aimed to finding the best mechanism for modeling FX data
in one of the most important data mining algorithms, the C4.5 decision
tree algorithm, to guide investors in daily trading in the currency market
by reading technical indicators. The study focused on the mechanism of
representation of the target function representing the future, which gives
investors a future picture of prices. Therefore, the target function of the
future was modeled according to 4 equations, and using a set of technical
indicators were also modeled as independent variables to give values
that constitute daily indications about the future of price movements in
a way that fits daily data records, and evaluated separately for each set
of data. The study was applied to the main pairs of currencies, Using the
C4.5 algorithm, which is one of the most important tree classification
algorithms, and using the Weka tool to build the model. The research
has led to the possibility of building a model that supports investor
decisions in the currency market on a daily basis using the C4.5 decision
tree algorithm and reaching a new trading strategy. The model was
evaluated and its effectiveness and applicability assessed.

Key words: Data modeling, currency market (Forex), technical analysis,

classification, decision trees, C4.5 algorithm, model evaluation.

Received 20 / 5 /2019
Accepted 18 / 7 / 2019

2
‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫‪ .1‬المقدمة‪:‬‬
‫مع ظهور تقنيات التنقيب في البيانات وض خامة حجم البيانات التار خية عن‬
‫أس عار العمالت‪ ،‬توجه الباحرون إلى اس تخدام هذه التقنيات في مجاالت األس واق المالية‪،‬‬
‫عادة‬
‫ي‬ ‫الس يما خوارزميات التص ني وأهمها خوارزمية أش جار القرار ‪ ،C4.5‬و لجأ‬
‫المتداولين إلى استخدام مؤشرات التحليل الفني التي تقوم على تحليل سلوك حركة األسعار‬
‫في فترات ماض ية للتنبؤ بحركتها في المس تقبل انطالقاي من الفرل القائل أن الزمن يعيد‬
‫نفس ه‪ ،‬وذلك عبر اس تراتيجيات تداول مختلفة‪ ،‬وهذا ما س وف تتم معالجته في هذا البحث‬
‫باس تخدام أش جار القرار كإحدى تقنيات التنقيب في البيانات‪ ،‬والعمل على نمذجة البيانات‬
‫في خوارزمية أش جار القرار اعتماديا على مؤش رات التحليل الفني‪ ،‬في س وق العمالت‬
‫األجنبية بسبب أهميته في سوق العمالت األجنبية‪.‬‬
‫‪ .2‬مشكلة البحث‪:‬‬
‫عدم القدرة على الحص ول على معلومات مس تقبلية عن أس عار العمالت‬
‫بي كلها المباش ر للبيانات باس تخدام خوارزمية أش جار القرار وبالتالي الحاجة الى‬
‫استخدام المؤشرات الفنية كمتميرات تنبؤ ة‪ ،‬كونها تساعد في التنبؤ باألسعار‪.‬‬
‫إض افة إلى غياب آلية واض حة لنمذجة دالة الهدف بي كل يعبر عن مس تقبل‬
‫حركة السعر نتيجة التميرات العيوائية اليومية في السوق وعدم استقرار السلسلة الزمنية‬
‫ألسعار العمالت وبالتالي صعوبة دراسة سلوكها اليومي‪ ،‬وبالتالي تتمرل ميكلة البحث‬
‫األساسية في التساؤل التالي‪ :‬ما هو األسلوب األمرل لنمذجة دالة الهدف لنموذج شجرة‬
‫قرار يمكن به دعم ق اررات التداول اليومي في س وق العمالت عبر اس تخدام المؤش رات‬
‫الفنية؟‬
‫‪ .3‬أهمية البحث‪:‬‬
‫تأتي أهمية البحث من االهتمام الكبير للمس ترمر ن بالبحث عن أس اليب ذات‬
‫دقة عالية لدعم القرار وتحقيق األرباح‪ ،‬كما تنبع أهمية البحث من خالل وض ع نمذجة‬
‫حركة أس عار العمالت المس تقبلية بي كل ومي باس تخدام‬ ‫د ناميكية لمي كلة تص ني‬
‫أش جار القرار‪ .‬وتقييم عدة أس اليب لنمذجة دالة الهدف التي تعبر عن س لوك الس عر‬

‫‪3‬‬
 ‫صد ق‪ ،‬ساكت‪ ،‬الصباغ‬

‫المس تقبلي بي كل ومي‪ .‬وحس اب معادالت المؤش رات الفنية واس تخدام قراءات هذه‬
‫المؤش رات الفنية كمتميرات تنبؤ ة في النموذج وذلك ألهميتها وس هولة فهمها من قبل‬
‫متخذي القرار‪.‬‬
‫‪ .4‬أهداف البحث‪:‬‬
‫هدف البحث إلى بناء نموذج ش جرة قرار د ناميكي يقوم بدعم ق اررات التداول‬
‫اليومية في سوق العمالت عبر استخدام المؤشرات الفنية وذلك كما لي‪:‬‬
‫‪ .1‬إيجاد نمذجة لدالة الهدف بأس لوب ر اض ي يعبر عن المس تقبل ووفق ص يا ة‬
‫وبيكل يجعل خوارزمية ‪ C4.5‬ذات فاعلية واقعية‪.‬‬ ‫تناسب أسلوب التصني‬
‫من‬ ‫‪ .2‬تقييم النموذج وفق عدة معا ير‪ ،‬واختبار قدرته على الوص ول إلى كل ص ن‬
‫أصناف المتمير الهدف‪.‬‬
‫‪ .3‬تطبيق النموذج على أكرر من مجموعة بيانات وذلك للتأكد من ص حة أس لوب‬
‫النمذجة المستخدم في بناء شجرة القرار‪.‬‬
‫‪ .5‬منهجية البحث‪:‬‬
‫يعتمد البحث على المنهج الوص في التحليلي‪ ،‬حيث تم االعتماد على البيانات‬
‫التار خية ألس عار العمالت وحس اب ونمذجة المؤش رات الفنية كمتميرات مس تقلة‪،‬‬
‫وحس اب دالة الهدف بعدة أس اليب ر اض ية تعبر عن المس تقبل وفق ص يا ة تناس ب‬
‫أس لوب التص ني ‪ ،‬واس تخدام خوارزمية ‪ C4.5‬عبر األداة ‪ Weka‬وتم ذلك على ‪7‬‬
‫مجموعات من البيانات ألزواج العمالت الرئيس ية المتداولة في س وق الفوركس بي كل‬
‫مستقل في كل مرة‪ ،‬للتأكد من فعالية أسلوب النمذجة المستخدم‪ ،‬وتقييم النتائج‪.‬‬
‫‪ .6‬عينة الدراسة‪:‬‬
‫تي مل عينة الدراس ة البيانات التار خية ألس عار العمالت الرئيس ية في س وق‬
‫العمالت األجنبية خالل الفترة الممتدة من بداية عام ‪ 2000‬وحتى نهاية اليهر السادس‬
‫من عام ‪ 2018‬وقد تم الحصول على البيانات من موقع ‪.investing.com‬‬
‫‪ .7‬فرضيات البحث‪:‬‬
‫الفرضية األولى‪ :‬نمذجة المؤشرات الفنية كمتميرات مستقلة في خوارزمية أشجار القرار‬

‫‪4‬‬
‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫لدعم ق اررات التداول اليومي‪.‬‬

‫بي كل يعبر عن مس تقبل‬ ‫الفرضييية النانية‪ :‬نمذجة دالة الهدف وفق أس لوب التص ني‬
‫س عر العملة لبناء نموذج ش جرة قرار دعم ق اررات التداول اليومي اعتماداي على اليم‬
‫المؤشرات الفنية كمتميرات مستقلة‪.‬‬
‫‪ .8‬الدراسات السابقة‪:‬‬
‫دراسة]‪ [1‬استخدام الشبكات العصبية وأشجار القرار للتنبؤ بحركة األسهم‪:‬‬
‫هدف البحث إلى تحد د أفضل الطرق للتنبؤ بحركة أسعار األسهم وذلك من‬
‫خالل اس تخدام كل من الي بكات العص بية وأش جار اعتماداي على أربع مؤش رات للتحليل‬
‫الفني‪ .‬توص ل البحث إلى أنه عند اس تخدام الي بكات العص يبة وأش جار القرار ‪C4.5‬‬
‫للتنبؤ بحركة األس هم‪ ،‬فإنه كلما زادت الفترة الزمنية كلما ارتفعت دقة التنبؤ بحركة‬
‫األس هم حيث بلمت دقة التنبؤ باس تخدام أش جار القرار ‪ %79.9 c4.5‬تقر باي‪ .‬في حين‬
‫بلمت باس تخدام الي بكات العص بية ‪ %72.7‬تقر باي‪ .‬وعند اس تخدام المابات العي وائية‬
‫بلمت دقة التنبؤ ‪ % 99.9‬تقر باي وهي األفضل‪ .،‬وذلك على فترة تداول ‪ 10‬أيام‪.‬‬
‫دراسة]‪ [2‬استخدام تقنيات التنقيب في البيانات لبناء شجرة ق اررات لدعم ق اررات‬
‫التداول في سوق دمشق لألوراق المالية‬
‫هدفت الدراس ة إلى التنقيب في بيانات أس عار األس هم في س وق دمي ق‬
‫لألوراق المالية اعتماداي على مؤشرات التحليل الفني‪ ،‬وبناء نموذج شجرة قرار يقوم على‬
‫حركة األس عار على عدة مس تو ات زمنية‪ ،‬وقد تمت نمذجة دالة الهدف وفق‬ ‫تص ني‬
‫اس تراتيجية فرق الس عر في اللحظة الزمنية المس تقبلية عن اللحظة الحالية‪ ،‬وقد باء‬
‫نموذج التداول اليومي المعتمد على المؤش رات الفنية بالفي ل لذا تم إعادة نمذجة‬
‫المتميرات المستقلة اعتماداي على اليموع اليابانية لتحسين النتائج للمستوى اليومي‪.‬‬
‫دراسة[‪Stock Market Direction Prediction Using Data Mining ]3‬‬
‫‪Classification‬‬
‫التنبؤ باتجاه سوق األوراق المالية باستخدام التنقيب البيانات بأسلوب التصنيف‬
‫قامت هذه الدراسة على استخدام أشجار القرار وأسلوب شبكة با ز واليبكات‬

‫‪5‬‬
 ‫صد ق‪ ،‬ساكت‪ ،‬الصباغ‬

‫العصبية والجار األقرب‪ ،‬حيث تم التطبيق على سوق تا لند‪ ،‬وقام البحث على استخدام‬
‫الفروقات الس عر ة التار خية لمدة خمس أيام س ابقة كمتميرات مس تقلة وهي‪t-5,t-( :‬‬
‫‪ ،)4,t-3,t-2,t-1‬أما المتمير الهدف فقد اعتمد على أسلوب ر اضي واحد في بناء ثالثة‬
‫اش كال لدالة الهدف وهو نس بة التمير في اليمة الس عر‪ ،،‬وذلك على عدة مس تو ات‬
‫زمنية وهي تداول ومي ‪ ،T+1‬وتداول على مس توى س ت أيام ‪ ،T+6‬ومس توى ‪ 21‬وم‬
‫‪ ،T+21‬ومن ثم بناء ‪ 3‬أص ناف تعبر حالة الس عر وفق ص يا ة ش رطية تعبر عن‬
‫الحركة‪ ،‬وقد ثبت في ل النموذج خص وص اي عند دالة الهدف التي تعبر عن التداول‬
‫اليومي ر م محاولة البحث على تقليل نس بة الخطأ عبر تمير أس لوب ص يا ة بناء‬
‫األصناف باستخدام ‪ 5‬أصناف‪.‬‬
‫دراسة[‪Forecasting the direction of stock market index movement ]4‬‬
‫‪using three data mining techniques: the case of Tehran Stock‬‬
‫‪Exchange‬‬
‫التنبؤ بحركة مؤشر سوق األسهم باستخدام ثالث تقنيات للتنقيب في البيانات‪ :‬حالة‬
‫بورصة طهران‬
‫قامت هذه الدراس ة بالمقارنة بين ثالث تقنيات مختلفة وهي ش بكة با ز‬
‫والمابات العيوائية وأشجار القرار ‪ ،CART‬واستخدمت أ سلوبين من المتميرات التنبؤ ة‬
‫وهي مؤش رات التحليل الفني ومؤش رات التحليل األس اس ي حيث كانت مؤش رات التحليل‬
‫الفني عبارة عن مؤش رات المتوس طات المتحركة ومؤش رات تعتمد على الزخم ومؤش ر‬
‫يعتمد على حجم التداول‪ ،‬أما دالة الهدف فكانت التحركات اليومية ألس عار األس هم ‪T‬‬
‫وفرقها عن الس ابق ‪،T-1‬وبناء ثالثة اص ناف وفق اليمة الفرق بين اليوم واليوم الس ابق‪.‬‬
‫وتم التطبيق على مؤش ر بورص ة طهران‪ ،‬وبعد المقارنة تبين أن أس لوب مؤش رات‬
‫التحليل الفني باس تخدام أش جار القرار ‪ CART‬كان األفض ل‪ ،‬بقدرة تنبؤ ة ‪،80.08%‬‬
‫وركز البحث على نس بة الس جالت الص حيحة الكلية للحكم على النموذج دون التطرق‬
‫من األص ناف‪ .‬كما أن البحث اعتمد‬ ‫إلى قدرة النموذج على الوص ول إلى كل ص ن‬
‫على الفرق بين اليوم واليوم الس ابق هو اليوم الذي يكون فيه معروفة اليمة المؤش ر‬
‫الفني وبذلك عدم جدوى النموذج للمس تقبل إال إذا كان يس تخدم اليمة المؤش ر في اليوم‬

‫‪6‬‬
‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫السابق والذي لم تم توضيحه في كيفية بناء السجالت‪.‬‬

‫ما يميز هذه الدراس ة عن الدراس ات الس ابقة هو أس لوب النمذجة المس تخدم‬
‫لبناء نموذج ش جرة قرار باس تخدام خوارزمية ‪ ، C4.5‬اعتماداي على مجموعة كبيرة من‬
‫المؤش رات الفنية‪ ،‬والتركيز على نمذجة دالة الهدف‪ ،‬واجراء عملية التدر ب واالختبار‬
‫لمعرفة قدرة‬ ‫بأسلوب ‪ Cross-Validation -10‬وتقييم قدرة النموذج بالنسبة لكل صن‬
‫النموذج على التطبيق الفعلي‪ ،‬إض افة إلى تطبيق الدراس ة على س وق الفوركس‬
‫واس تخدام عدد كبير من الس جالت على عدة مجموعات من البيانات للتأكيد على‬
‫أسلوب النمذجة‪ ،‬والتركيز على عملية دعم القرار اليومي‪ ،‬عبر حساب كل من األسعار‬
‫و التميرات والتقليل من التميرات اليومية العي وائية بحس اب متوس ب ومين مس تقبليين‬
‫لدالة الهدف‪.‬‬
‫‪ .9‬الدراسة النظرية‬
‫أوالً سييوق العمالت األجنبية )‪ :Foreign Exchange Market (Forex‬هو الس وق‬
‫الذي تم فيه بيع وش راء عمالت الدول األجنبية والتي تلقى قبوالي واس عاي في التعامل‬
‫نتيجة قوة اقتصاديات الدول صاحبة هذه العملة حيث تم بيع عملة أجنبية مقابل شراء‬
‫عملة أجنبية أخرى وبمعنى أخر تم تبادل عملة مقابل عملة أخرى]‪ ، [5‬وبهذا تي كل‬
‫ما يعرف بزوج العمالت أي س عر عملة ما مقابل عملة أخرى و عرف الطرف األول‬
‫بعملة األس اس وهي العملة التي تباع أو تي ترى والطرف األخر من العملة بعملة‬
‫التس عير (عملة األس اس‪/‬عملة التس عير)‪ ،‬مرل (اليورو‪/‬دوالر) و عبر الزوج الس ابق عن‬
‫س عر اليورو الواحد بالدوالر]‪ ،[6‬و حدث في بيع وش راء العمالت تميرات في س عر‬
‫الزوج نتيجة عدة ظروف أهمها العرل والطلب لذا البد للمتعامل في س وق العمالت‬
‫األجنبية على دراس ة هذه الظروف لتحقيق الربب وتجنب الوقوع في الخس ارة ومن أهم‬
‫أساليب الدراسة هو التحليل الفني للبيانات التار خية ألزواج العمالت‪.‬‬
‫ثانياً التحليل الفني ‪ :Technical Analysis‬هو علم وفن يقوم بدارس ة حركة الس وق‬
‫من خالل فهم العالق ة بين حرك ة األس ع ار‪ ،‬وحجم الت داول‪ ،‬والزمن]‪ . [7‬و تم ذل ك‬
‫باس تخدام مجموعة من مؤش رات التحليل الفني ‪Technical Analysis Indicators‬‬

‫‪7‬‬
 ‫صد ق‪ ،‬ساكت‪ ،‬الصباغ‬

‫والتي هي عبارة عن مجموعة من المقا يس تعمل على دراس ة حركة الس وق التار خية‬
‫بهدف التنبؤ باتجاه األس عار مس تقبالي‪ ،‬وتأخذ هذه المؤش رات اليماي ض من مجاالت‬
‫معينة‪ ،‬حيث تكون هذه القيم دالالت على سلوك حركة األسعار في السوق]‪. [8‬‬
‫ثالناً التنقيب في البيانات ‪ :Data Mining‬إن عملية التنقيب في البيانات هي خطوة‬
‫أس اس ية من عملية اس تخراج المعرفة من قواعد البيانات‪ ،‬تهدف إلى اكتي اف أنما‬
‫وقواعد ونماذج مفيدة من البيانات‪ ،‬باس تخدام خوارزميات ذات فائدة بحس ب مجال‬
‫التطبيق]‪ . [9‬حي ث عرف ‪ Witten‬وآخرون التنقي ب في البي ان ات على أن ه عملي ة‬
‫اكتي اف أنما جد دة من البيانات بحيث تكون هذه األنما ذات فائدة وجدوى]‪. [10‬‬
‫عملية التنقيب في البيانات من س ت خطوات تعتمد كل خطوة على الخطوة‬ ‫وتتأل‬
‫الس ابقة لها‪ ،‬كما أنه يمكن الرجوع في كل خطوة إلى الخطوة الس ابقة ثم العودة إلى‬
‫الالحقة وهذه الخطوات هي‪ :‬فهم طبيعة العمل‪ ،‬فهم البيانات‪ ،‬اعداد البيانات‪ ،‬النمذجة‪،‬‬
‫التقييم‪ ،‬التعميم]‪. [11‬‬
‫من‬ ‫رابعاً مصيييينفات أشييييجار القرار ‪ :Decision Tree Classifiers‬يعتبر التص ني‬
‫المنهجيات الرئيسية في التنقيب في البيانات‪ ،‬والتي تقوم بتقسيم عناصر بيانات الهدف‬
‫إلى اثنتين أو أكرر من الفئات (‪ )Class‬المعروفة]‪. [12‬وش جرة القرار هي عبارة عن‬
‫هيكل ش جري لتمريل القواعد المس تخرجة من عملية التص ني ‪ ،‬تمرل العقد في ش جرة‬
‫القرار الحقول الموجودة في قاعدة البيانات أي المتميرات المس تقلة‪ ،‬أما الفروع التي‬
‫تخرج من هذه العقد فهي عبارة عن القيمة التي تحو ها هذه الحقول‪ ،‬حيث تكون هذه‬
‫القيمة نقطة تقسيم مجموعة البيانات تبعا للهدف‪ ،‬وفي نهاية اليجرة عند حواف الفروع‬
‫األوراق وتمرل أص ناف المتمير الهدف]‪ ، [13‬ومن خوارزميات أش جار القرار‪C4.5‬‬
‫و مكن بها بناء نموذج قادر على دعم القرار وفق أسلوب رسومي أو برمجي‪.‬‬
‫‪ .10‬الدراسة العملية‪:‬‬
‫‪ 1-10‬تهيئة وتحضير البيانات‪ :‬تمت الدراس ة على عدة مجموعات من البيانات حيث‬
‫كل مجموعة تمرل البيانات التار خية ألس عار زوج من العمالت خالل فترة الدراس ة وقد‬
‫تم اختيار أزواج العمالت الرئيس ية الس بعة في الس وق وبذلك كانت البيانات عبارة عن‬

‫‪8‬‬
 ‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫‪ 7‬ملفات (مجموعات) من البيانات تكون أزواج العمالت كما لي‪:‬‬

‫الجدول‪ :‬رقم (‪ )1‬ازواج العمالت الرئيسية المستخدمة بياناتها في الدراسة‬
‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬
‫‪NZD/USD‬‬ ‫‪USD/CHF‬‬ ‫‪USD/CAD‬‬ ‫‪AUD/USD‬‬ ‫‪GBP/USD‬‬ ‫‪USD/JPY‬‬ ‫‪EUR/USD‬‬
‫دوالر أمر كي‪ /‬ن جنيه إسترليني‪/‬دوالر دوالر أسترالي‪/‬دوالر دوالر أمر كي‪/‬دوالر دوالر أمر كي‪/‬فرنك دوالر نيوز الندي‪/‬دوالر‬ ‫ورو‪/‬دوالر‬
‫أمر كي‬ ‫سو سري‬ ‫كندي‬ ‫أمر كي‬ ‫أمر كي‬ ‫ياباني‬ ‫أمر كي‬

‫المصدر‪ :‬اعداد الباحث‬

‫كل منفرد من حيث بناء المتميرات‬ ‫وتمت معالجة كل مجموعة بيانات بي‬
‫المس تقلة من المؤش رات الفنية ودالة الهدف‪ ،‬وذلك للتأكد من ص حة آلية النمذجة‬
‫باستخدامها على سبع مجموعات من البيانات‪ .‬وقد تم تحميل ملفات األسعار التار خية‬
‫للعمالت ذات االمت داد ‪ CSV‬التي تحوي بي ان ات األس ع ار اليومي ة من موقع‬
‫‪ ،[14] investing.com‬وتض منت البيانات الخام بعد ترتيبها تص اعدياي من التار خ‬
‫األقدم إلى األحدث كما في اليكل التالي‪:‬‬

‫الشكل‪ )1( :‬مجموعة واحدة من البيانات الخام كمنال لزوج واحد من العمالت‬

‫وتعبر األعمدة الس ابقة عن البيانات الخام وهي‪ Date :‬هي تار خ التداول‬
‫اليومي‪ Open ،‬س عر االفتتاح‪ High ،‬أعلى س عر‪ Low ،‬أدنى س عر‪ Price ،‬تعبر عن‬
‫سعر اإل الق وهو السعر الفعلي للعملة في هذا اليوم‪ Change ،‬نسبة التمير‪.‬‬
‫و عد أخر عمود ن أهم األعمدة التي على أس اس ها تقوم ق اررات البيع والي راء‬
‫حيث يعبر الس عر عن س عر عملة األس اس مقابل س عر عملة التس عير‪ ،‬أما التمير‬
‫فيعبر عن نس بة تمير الس عر وعليها تتم عمليات البيع والي راء حس ب اس تراتيجيات‬
‫التداول المتبعة‪.‬‬
‫‪ 2-10‬حساب المؤشرات الفنية‪ :‬تم حساب المؤشرات بحيث تعطي اليمة معينة في كل‬
‫وم على اعتبار كل وم هو سجل و مرل كيان خاص من المعلومات عن األسعار وقد‬
‫تم حساب أهم المؤشرات الفنية وأخذ اليمها عند لحظة زمنية معينة ‪ T‬والتي تمرل اليوم‬

‫‪9‬‬
 ‫صد ق‪ ،‬ساكت‪ ،‬الصباغ‬

‫الذي يكون عنده السجل‪ ،‬أما المؤشرات التي تم استخدامها فهي كما لي‪:‬‬
‫‪ .1‬مؤشرات تعتمد على المتوسطات‪ :‬تم نمذجة هذه المؤشرات في الدراسة كما لي‪:‬‬
‫*‬
‫الجدول‪ :‬رقم (‪ )2‬نمذجة المؤشرات التي تعتمد على المتوسطات[‪]2‬‬
‫المعادلة‬ ‫البارامتر‬ ‫الرمز‬ ‫المؤشر‬
‫‪SMAT = )CT+CT-1+CT-2….+CT-4)/4‬‬ ‫‪4‬‬ ‫‪SMA4‬‬ ‫متوسب متحرك بسيب‬ ‫‪1‬‬
‫‪WMAT = [(𝐶𝑇 ∗ 10) + (𝐶𝑇−1 ∗ 9) … (𝐶𝑇−10 ∗ 1)]/10‬‬ ‫‪10‬‬ ‫‪WMA10‬‬ ‫متوسب متحرك مرقل‬ ‫‪2‬‬
‫)‪α = 2/(1+n‬‬
‫‪5‬‬ ‫‪EMA5‬‬ ‫متوسب متحرك أسي‬ ‫‪3‬‬
‫))𝛼 ‪𝐸𝑀𝐴𝑇 = (𝐶𝑇 ∗ 𝛼) + (𝐸𝑀𝐴𝑇−1 ∗ (1 −‬‬
‫)‪BUPT = SMA20 + (σ20*2.‬‬ ‫=‪BDOWN T‬‬
‫‪20‬‬ ‫‪BB‬‬ ‫بولنجر باند‬ ‫‪4‬‬
‫)‪SMA20 - (σ20*2‬‬

‫إن المؤش رات الس ابقة تي كل س لس لة زمنية تتبع الس عر لذا فإن اليمها س وف‬
‫يكاون الس جل مما يس بب تفاوت كبير‬‫تعتمد على الس عر الحالي في اليوم المحدد الذي ن‬
‫في القيم بسبب كمية السجالت الكبيرة المستخدمة وتفاوت األسعار خالل فترة الدراسة‪،‬‬
‫وبالتالي ال يمكن اس تخدامها كمتمي ارت تنبؤ ة في حل مي كلة التص ني ‪ ،‬أي اس تخدام‬
‫اليمها بي كل مس تقل في كل س جل‪ ،‬لذا تم اس تخدام قراءات هذه المؤش رات اعتماداي على‬
‫األدبيات التي تحدثت عن قراءات لتميرات هذه المؤشرات‪ ،‬مما يجعل النموذج د ناميكياي‬
‫في التعامل مع حاالت مختلفة‪،‬لذلك تم استخدام التميرات الحاصلة في اليمتها بين اليوم‬
‫السابق واليوم الذي يعبر عن اللحظة الحالية للسجل أما مؤشر البولنجر فقد تم حساب‬
‫التباعد بين الخب العلوي والخب السفلي إلعطاء الدالالت على حركة السعر‪ .‬وقد تمت‬
‫عملية النمذجة في كل سجل كما لي‪:‬‬
‫†‬
‫الجدول رقم (‪ )3‬تعديل المؤشرات نمذجة المؤشرات التي تعتمد على المتوسطات‬
‫آلية الحساب‬ ‫الرمز‬ ‫المتغير‬
‫‪C.SMAT = SMAT – SMAT-1‬‬ ‫‪C.SMA4‬‬ ‫تغير متوسط متحرك بسيط‬ ‫‪1‬‬
‫‪C.WMAT = WMAT – WMAT-1‬‬ ‫‪C.WMA10‬‬ ‫تغير متوسط متحرك مثقل‬ ‫‪2‬‬
‫‪C.EMAT = EMAT – EMAT-1‬‬ ‫‪C.EMA5‬‬ ‫تغير متوسط متحرك أسي‬ ‫‪3‬‬
‫‪Gap_BBT = BUP, T - BDOWN, T‬‬ ‫‪Gap_BB‬‬ ‫تباعد بولنجر باند‬ ‫‪4‬‬
‫المصدر‪ :‬إعداد الباحث‬

‫* حيث‪ )SMA( :‬متوسب متحرك بسيب‪ )WMA( ،‬متوسب متحرك مرقل‪ )EMA( ،‬متوسب متحرك أسي‪ )BUP( ،‬المنحنى‬
‫العلوي لمؤشر البولنجر‪ )BDOWN( ،‬المنحنى السفلي لمؤشر البولنجر‪ )T( ،‬لحظة زمنية تعبر عن وم‪ )Ct( ،‬سعر ا الق‬
‫اليوم عند اللحظة ‪ )Ct-1( ،T‬هي سعر ا الق قبل وم وهكذا‪ )20σ( ،‬االنحراف المعياري ألسعار إ الق ‪ 20‬وم عن وسطها‬
‫الحسابي‪.‬‬
‫* حيث ‪ T‬تعبر عن السجل الحالي أي اللحظة الحالية وهي هنا تمرل وم‪ ،‬و‪ T-1‬تمرل السجل السابق و مرل ‪ C.SMAT‬التمير في‬
‫اليمة مؤشر المتوسب المتحرك البسيب‪ C.WMAT ،‬التمير في اليمة مؤشر المتوسب المتحرك المرقل‪ C.EMAT ،‬التمير في اليمة مؤشر‬
‫المتوسب المتحرك األسي‪.‬‬

‫‪10‬‬
 ‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫‪ .2‬مؤشرات التذبذب‪ :‬تم نمذجة مؤشرات التذبذب المستخدمة في الدراسة عند كل‬
‫سجل كما هو موضب في الجدول التالي‪:‬‬
‫**‬
‫الجدول رقم (‪ )4‬مؤشرات التحليل الفني التي تعتمد على التذبذب‬
‫المعادلة‬ ‫البارامتر‬ ‫الرمز‬ ‫المؤشر‬
‫𝟎𝟏‪𝑴𝑻 = 𝑪𝒕 − 𝑪𝒕−‬‬ ‫‪10‬‬ ‫‪MT‬‬ ‫التذبذب لقوة الدفع‬ ‫‪1‬‬
‫𝟎𝟎𝟏 ∗ )𝟏 ‪ROCT = ((𝑪𝑻 /𝑪𝑻−𝟏𝟐 ) −‬‬ ‫‪12‬‬ ‫‪ROCT‬‬ ‫التذبذب بمعدل التمير‬ ‫‪2‬‬
‫‪9‬‬
‫‪MAOT = SMA9 – SMA18‬‬ ‫‪MAOT‬‬ ‫التذبذب بالمتوسطات المتحركة‬ ‫‪3‬‬
‫‪18‬‬
‫)‪𝑇𝑃𝑇 = (𝐶𝑇 + 𝐿 𝑇 + 𝐻𝑇 )/3‬‬
‫𝑇‬

‫𝑓𝑜‪𝑀𝐷𝑇 = ∑ ( ∣ 𝑆𝑀𝐴20‬‬
‫𝑃𝑇‬
‫‪− 𝑇𝑃 ∣ ) ⁄20‬‬ ‫‪20‬‬ ‫‪CCIT‬‬ ‫قناة السلع‬ ‫‪4‬‬
‫‪𝑇−20‬‬
‫𝒇𝒐𝟎𝟐𝑨𝑴𝑺 ‪𝑪𝑪𝑰𝑻 = (𝑻𝑷𝑻 −‬‬ ‫)𝑻‪,‬‬ ‫)‪/ (0.015*MDT‬‬
‫𝑷𝑻‬
‫‪𝐴𝑉𝐺𝐿𝑂𝑆𝐸,𝑇 = 𝑆𝑀𝐴14 𝑂𝑓 𝐶𝐻−‬‬
‫‪𝐴𝑉𝐺𝐺𝐴𝐼𝑁,𝑇 = 𝑆𝑀𝐴14 𝑂𝑓 𝐶𝐻+‬‬
‫‪14‬‬ ‫‪RSIT‬‬ ‫القوة النسبية‬ ‫‪5‬‬
‫𝑇‪𝑅𝑆𝑇 = 𝐴𝑉𝐺𝐺𝐴𝐼𝑁,𝑇 ⁄𝐴𝑉𝐺𝐿𝑂𝑆𝐸,‬‬
‫]) 𝑻𝑺𝑹 ‪𝑹𝑺𝑰𝑻 = 𝟏𝟎𝟎 − [𝟏𝟎𝟎/(𝟏 +‬‬
‫‪𝑀𝐴𝑋T : (𝐶, 𝐻, 𝐿)14‬‬
‫‪𝑀𝐼𝑁T : (𝐶, 𝐻, 𝐿)14‬‬ ‫‪14‬‬ ‫‪%KT‬‬ ‫العيوائية السر ع‬ ‫‪6‬‬
‫(𝑻𝑵𝑰𝑴 ‪%𝑲𝑻 = (𝑪𝑻 − 𝑴𝑰𝑵𝑻 )/(𝑪𝑴𝑨𝑿𝑻 −‬‬
‫‪%DT = SMA3 of %K‬‬ ‫‪3‬‬ ‫‪%DT‬‬ ‫العيوائية البطيء‬ ‫‪7‬‬
‫‪𝑀𝐴𝑋T : (𝐶, 𝐻, 𝐿)14 , 𝑀𝐼𝑁T : (𝐶, 𝐻, 𝐿)14‬‬
‫‪14‬‬ ‫‪%RT‬‬ ‫الري وليامز‬ ‫‪8‬‬
‫𝟎𝟎𝟏 ‪𝐑 𝑻 (𝑴𝑨𝑿𝑻 − 𝑪𝑻 )⁄𝑴𝑨𝑿𝑻 − 𝑴𝑰𝑵𝑻 ) ∗ −‬‬
‫𝟔𝟐𝑨𝑴𝑬 ‪𝑴𝑨𝑪𝑫 = 𝑬𝑴𝑨𝟏𝟐 −‬‬ ‫‪12, 26‬‬ ‫‪MACDT‬‬ ‫تقارب وتباعد المتوسطات‬ ‫‪9‬‬
‫𝑫𝑪𝑨𝑴 𝑭𝑶 𝟗𝑨𝑴𝑬 = 𝑳𝑨𝑵𝑮𝑰𝑺‬ ‫‪9‬‬ ‫‪SignalT‬‬ ‫االشارة‬ ‫‪10‬‬
‫‪HISTOGRAT = MACDT – SignalT‬‬ ‫‪1‬‬ ‫‪HISTOT‬‬ ‫الرسم النسيجي‬ ‫‪11‬‬

‫‪ .3‬مؤشرات أخرى معقدة‪:‬‬

‫أيضاي من أهم المؤشرات كونه ‪ADX‬يعتبر مؤشر ‪ADX:‬مؤشر المتوسط االتجاهي‬
‫بين وجود اتجاه فعلي لألسعار من عدمها‪ ،‬مما يساعد المؤشرات األخرى في إعطاء‬
‫= ‪ ، ADX T‬و حسب وفق المعادالت اآلتية*‪[15]:‬اليمة تعبر عن حالة االسعار الفعلية‬
‫‪((ADXT-1*13)+DXT)/14‬‬
‫‪ :SAR‬تم اس تخدام هذا المؤش ر نظ اير ألهميته الكبيرة في‬ ‫أ‪ .‬مؤشيير التو ف واالنعكا‬
‫واالنعكاس من اتجاه إلى اتجاه آخر‬ ‫معرفة س لوك حركة األس عار في حالة التوق‬

‫** حيث‪ )TPT( :‬تمرل السعر المعياري في اللحظة الزمنية ‪ T‬لكل من (‪ )CT‬سعر اال الق عند ‪ T‬و (‪ )LT‬أدنى سعر عند ‪ T‬و(‪)HT‬‬
‫أعلى سعر عند ‪ )MDT( ،T‬تمرل انحرافات (‪ )TPT‬عن متوسطها المتحرك (‪ )SMA20,T‬عند اللحظة ‪ )MAXT( ،T‬تمرل القيمة‬
‫العظمة عند اللحظة ‪ T‬من مجمل القيم (‪ )C‬سعر اال الق و (‪ )L‬أدنى سعر و(‪ )H‬أعلى سعر ل ‪ 14‬وم‪ )MINT( ،‬تمرل القيمة الدنيا‬
‫عند اللحظة ‪ T‬من مجمل القيم (‪ )C‬سعر اال الق و (‪ )L‬أدنى سعر و(‪ )H‬أعلى سعر ل ‪ 14‬وم‪.‬‬
‫* حيث‪ :‬تمرل (‪ )T‬لحظة زمنية معينة وهي جلسة تداول في وم واحد‪ )T-1(،‬تمرل اليوم السابق‪ )CT( ،‬سعر اإل الق‪ )HT( ،‬أعلى‬
‫سعر‪ )LT( ،‬أدنى سعر‪.‬‬

‫‪11‬‬
 ‫صد ق‪ ،‬ساكت‪ ،‬الصباغ‬

‫حيث يس تخدم هذا المؤش ر عامل التس ارع ‪ AF‬لتحد د مكان عرل نقطة المؤش ر‪،‬‬
‫إض افة إلى الس عر األقص ى الذي يعبر عن اعلى أو أدنى س عر بحس ب حالة المؤش ر‬
‫في الفترة السابقة]‪ ،[17‬وبذلك يحسب المؤشر كما لي**‪:‬‬
‫(‪SARt = SARt-1 + AF t-1 (EPt-1 – SARt-1‬‬ ‫في حالة الصعود‪:‬‬
‫أما في حالة الهبو ‪SARt = SARt-1 - AF t-1 (EPt-1 – SARt-1( :‬‬
‫أما حساب القيمة النهائية لنقطة المؤشر تكون كما لي]‪:[18‬‬
‫]‪Delta SAR = [(SART) / (SART-1)-( 1)]*[100‬‬
‫وبذلك نكون قد حصلنا على مجموعة من المتميرات المستقلة والتي هي عبارة‬
‫عن اليم لهذه المؤش رات عند لحظة زمنية معينة ‪ T‬بي كل ومي تي كل متميرات تنبؤ ه‬
‫تفيد في بناء النموذج اعتماداي على المؤشرات الفنية‪.‬‬
‫‪ 3-10‬نمذجة دالة الهدف‪ :‬تعتبر عملية نمذجة دالة الهدف جزء هام من عملية بناء‬
‫س لس لة زمنية كما هو الحال هنا في مي كلة س لس لة أس عار‬ ‫نموذج مي كلة تص ني‬
‫العمالت إلنها تتطلب التركيز في نمذجتها بأس لوب يمكن به الوص ول إلى الهدف‬
‫المطلوب بي كل يجعل المتميرات المس تقلة قادرة على الفص ل والتمييز بين الفئات‪،‬‬
‫بحيث تكون الحالة الزمنية المس تقبلية في نفس الس جل الذي يعبر عن لحظة زمنية‬
‫معينة‪ ،‬وبما أن الهدف هنا هو معرفة اتجاه حركة الس عر بعد فترة زمنية‪ ،‬فتم نمذجة‬
‫دال ة اله دف ‪ E‬بحي ث تعبر عن ح ال ة الس عر بع د فترة زمني ة معين ة ‪ N‬من اللحظ ة‬
‫الزمني ة الح الي ة ‪ ،T‬وتعطي المع ادل ة الت الي ة دال ة اله دف كقيم ة رقمي ة والتي تعبر عن‬
‫ح ال ة الس هم بع د فترة زمني ة وب ذل ك تكون المع ادل ة الع ام ة ل دال ة اله دف كم ا‬
‫لي‪𝑬𝑻,𝑵 = 𝑺𝑻+𝑵 − 𝑺𝑻 ......*:‬‬
‫باس تخدام‬ ‫ومن ثم نأتي لتص ميم فئات دالة الهدف لتناس ب عملية التص ني‬
‫خوارزمية أش جار القرار من جهة وتناس ب مي كلة التنبؤ باتجاه حركة االس عار‬
‫المستقبلية من جهة أخرى‪ ،‬وبذلك فقد تم تصميمها بحيث تكون كل فئة تعبر عن اتجاه‬

‫** حيث‪ SARt :‬اليمة المؤشر عن اللحظة الحالية اليوم‪ SARt-1،‬اليمة المؤشر في الفترة السابقة‪ AF،‬عامل التسارع وتتراوح اليمته‬
‫بين ‪ 0.02‬إلى ‪ 0.2‬و تحرك بخطوة مقدارها ‪ EPt-1 ،0.02‬السعر األقصى في الفترة السابقة]‪.[16‬‬

‫‪ ST‬حالة العملة عند اللحظة الزمنية ‪ ST+N ،T‬حالة العملة بعد فترة زمنية ‪ N‬من اللحظة الزمنية ‪.T‬‬ ‫*‬

‫‪12‬‬
‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫حركة السعر وفق الصيا ة اليرطية التالية‪:‬‬

‫))"‪IF (𝐸𝑇,𝑁 > 0 ; "UP" ; (IF (𝐸𝑇,𝑁 < 0 ; "DOWN" ; "HOLD‬‬
‫وتعبر الص يا ة الي رطية الس ابقة عن الفئة التي يمكن أن تأخذها دالة الهدف‬
‫وهي اتجاه حركة السعر بحيث يكون في كل سجل حالة واحدة من الحاالت التالية‪:‬‬
‫(‪ )U‬تعبر عن ارتقاع الس عر‪ )H( ،‬تعبر عن ثبات الس عر‪ )D( ،‬تعبر عن‬
‫انخفال السعر‬
‫وهذا يعني أن المؤشرات الفنية التي تم نمذجتها كمتميرات مستقلة سوف تعبر‬
‫عن حالة السعر التي تم نمذجتها في دالة الهدف والتي تأخذ إحدى الفئات السابقة مما‬
‫يحقق الهدف الذي على أساسه نقوم ببناء نموذج التصني ‪.‬‬
‫وبذلك يص بب في كل س جل المتميرات المس تقلة وهي مؤش رات التحليل الفني‬
‫كمتميرات تنبؤ ة ومتمير تابع يأخذ اليمة واحدة من الفئات التي تعبر عن حالة الس عر‪،‬‬
‫وبما أن الميكلة األساسية تحد د استراتيجية تداول يمكن بها حساب المعادلة ‪ E‬فقد تم‬
‫االعتماد أوالي على أس لوب القيمة الس عر ة للعملة ومن ثم اعتماد أس لوب نس بة التمير‬
‫في الس عر كاس تراتيجية أخرى في اتخاذ القرار‪ ،‬وتم تطبيق كل أس لوب بي كل مس تقل‪،‬‬
‫وعلى كل مجموعة من البيانات بيكل منفرد للتأكد من صيا ة المعادلة باليكل األمرل‬
‫من خالل خوارزمية أش جار القرار وفق أس لوب التص ني ‪ ،‬وبالتالي تمت النمذجة كما‬
‫لي‪:‬‬
‫‪ .1‬المعادلة األولى (‪ )E1‬وفق القيمة الس عر ة‪ :‬حيث تعبر عن الفرق بين الس عر‬
‫المستقبلي لليوم التالي ‪ T+1‬عن اليوم الحالي‪ T‬كما لي**‪𝐄𝟏 = 𝐏𝐓+𝟏 − 𝐏𝐓 :‬‬
‫وفق الصيا ة اليرطية كما لي‪:‬‬ ‫وعليه تم بناء دالة الهدف لخوارزمية التصني‬
‫))"‪IF (E1 > 0 ; "UP" ; (IF (E1 = 0 ; "HOLD"; "DOWN‬‬
‫‪ .2‬المعادلة النانية (‪ )E2‬وفق نس بة التمير‪ :‬لجئ الباحرون إلى االعتماد على نس بة‬
‫التمير ‪ Change‬بفرل أن ز ادة التمير تعبر عن االتج اه الحقيقي لحرك ة العمل ة إم ا‬
‫بالص عود أو الهبو أو حالة الربات‪ ،‬وقد تم هنا إعادة نمذجة دالة الهدف مع الحفا‬

‫**‬
‫(‪ )E1‬حركة السعر كقيمة في اليوم التالي‪ )PT+1( ،‬السعر في اليوم التالي‪ )PT( ،‬سعر السهم الحالي‪.‬‬

‫‪13‬‬
 ‫صد ق‪ ،‬ساكت‪ ،‬الصباغ‬

‫على المتميرات المس تقلة‪ ،‬وبالتالي تم بناء المعادلة باالعتماد على فروق نس بة التمير‬
‫كاستراتيجية تداول أخرى يمكن بها االسترشاد بحركة األسعار المستقبلية عبر تأكيد قوة‬
‫اتجاه الس عر وبالتالي تكون المعادلة الرانية تعبر عن الفرق بين مقدار التمير في اليوم‬
‫التالي ‪ T+1‬عن تمير اليوم الحالي ‪ T‬كما لي*‪E2 = ChT+1 − ChT :‬‬
‫وفق الصيا ة اليرطية التالية‪:‬‬ ‫وعليه تم بناء دالة الهدف لخوارزمية التصني‬
‫))"‪IF (E2 > 0 ; "UP" ; (IF (E2 = 0 ; "HOLD"; "DOWN‬‬
‫‪ 4-10‬بناء النموذج‪ :‬بعد أن تم تجميع كل من البيانات كمتميرات مس تقلة وتابع في‬
‫واحد وذلك بالنس بة لكل مجموعة بيانات (زوج من العمالت) تجهي ايز لعملية بناء‬ ‫مل‬
‫النموذج والتقييم‪ .‬واس تخدمت األداة ‪ WEKA‬لبناء نموذج ش جرة القرار باالعتماد على‬
‫خوارزمية ‪ ،C4.5‬كما تم اس تخدام أس لوب ‪ ،Cross-Validation-10‬والذي يعتبر من‬
‫أس اليب التحقق من الص حة الهامة كونه يعمل على تكرار عملية االختبار ‪ K‬مرة‬
‫بهدف التحقق من ص حة النموذج]‪ ،[19‬وبذلك يعالج هذا األس لوب عملية االختبار‬
‫للحص ول على نموذج قابل للتعميم وذو دقة عالية إض افة لالس تفادة األكبر من حجم‬
‫الس جالت]‪ .[20‬وتم تحلي ل ك ل مجموع ة بي ان ات ألزواج العمالت على ح دا‪ ،‬ولك ل‬
‫معادلة بيكل منفرد‪ ،‬بعد حذف أول ‪ 33‬جلسة تداول المستخدمة في حساب المتميرات‬
‫المستقلة (بداية حساب المؤشرات الفنية) كما تم إزالة أخر ‪ 10‬جلسات التداول‪.‬‬
‫‪ 5-10‬تقييم النموذج‪ :‬تم تقييم النموذج المطبق على مجموعات البيانات بي كل أولي‬
‫الص حيب لكل س جل من الس جالت المس تخدمة‪،‬‬ ‫من حيث قدرة النموذج على التص ني‬
‫وإحص ائية ‪ ،Kappa‬والجد ر بالذكر بأن هذا المعامل يأخذ اليمه بين (‪ )1+ ،1-‬لكن‬
‫البة ناد اير ما تحدث وبالتالي تكون القيمة البا بين (‪،)1 ،0‬‬ ‫في الحقيقية القيم الس‬
‫وكلما زادت القيمة دلت على التوافق بين الس جالت الحقيقية والس جالت المتنبئ‬
‫الص حيحة واحص ائية ‪ KAPPA‬مرتفعة ومقبولة‬ ‫بها]‪ ،[21‬فإذا كانت نس ب التص ني‬
‫من األص ناف لمعرفة قدرة‬ ‫س يتم اس تكمال عملية التقييم للنموذج بالنس بة لكل ص ن‬
‫النموذج‬ ‫النموذج للوص ول إلى األص ناف التي تم نمذجتها‪ ،‬وإال س وف تم رف‬

‫*‬
‫حيث‪ )E2( :‬حركة التمير في اليوم التالي‪ )ChT+1( ،‬مقدار التمير في اليوم التالي‪ )ChT( ،‬مقدار التميرالحالي‪.‬‬

‫‪14‬‬
‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫اعتماداي على التقييم االولي‪ ،‬وكانت نتائج التقييم األولي كما لي‪:‬‬
‫‪ .1‬تقييم النموذج وفق المعييادليية األولى ‪ :E1‬بين الج دول الت الي نت ائج عملي ة بن اء‬
‫النموذج لكل مجموعة بيانات وفقاي للمعادلة األولى ‪:E1‬‬
‫الجدول رقم (‪ )5‬التقييم األولي للنموذج ‪ E1‬بالنسبة لكل مجموعة من البيانات‬
‫‪NZD/USD USD/CHF USD/CAD AUD/USD GBP/USD USD/JPY EUR/USD‬‬
‫السجالت المصنفة‬
‫‪2419‬‬ ‫‪2432‬‬ ‫‪2363‬‬ ‫‪2448‬‬ ‫‪2393‬‬ ‫‪2388‬‬ ‫‪2432‬‬
‫بيكل صحيب‬
‫‪50.575‬‬ ‫‪50.8574‬‬ ‫‪49.4145‬‬ ‫‪51.1706‬‬ ‫‪50.0418‬‬ ‫‪49.9373‬‬ ‫‪50.8574‬‬ ‫نسبة الصحيب‬
‫السجالت المصنفة‬
‫‪2364‬‬ ‫‪2350‬‬ ‫‪2419‬‬ ‫‪2336‬‬ ‫‪2389‬‬ ‫‪2394‬‬ ‫‪2350‬‬
‫بيكل خاطئ‬
‫‪49.425‬‬ ‫‪49.1426‬‬ ‫‪50.5855‬‬ ‫‪48.8294‬‬ ‫‪49.9582‬‬ ‫‪50.0627‬‬ ‫‪49.1426‬‬ ‫نسبة الخاطئ‬
‫‪0.007‬‬ ‫‪0.0227‬‬ ‫‪-0.0048‬‬ ‫‪-0.0043‬‬ ‫‪-0.0028‬‬ ‫‪0.0005‬‬ ‫‪0.019‬‬ ‫احصائية ‪KAPPA‬‬

‫الصحيب عند كل مجموعات البيانات‬ ‫بين الجدول السابق أن نسبة التصني‬

‫كانت منخفض ة حيث بلمت في البية المجموعات ‪ %50‬تقر باي‪ ،‬كما بين الجدول أن‬
‫ائي ة ‪ Kappa‬مت دني ة بي ك ل كبير ولم تتج اوز ‪ 0.02‬عن د مظم مجموع ات‬ ‫إحص‬
‫لم تكن جي دة والنموذج ير‬ ‫البي ان ات‪ ،‬حي ث ؤك د ه ذا المقي اس ب أن دق ة التص ني‬
‫مقبول‪.‬‬
‫‪ .2‬تقييم النموذج وفق المعادلة النانية ‪ :E2‬بين الجدول التالي نتائج عملية بناء‬
‫النموذج لكل مجموعة بيانات وفقاي للمعادلة الرانية ‪:E2‬‬
‫الجدول رقم (‪ )6‬التقييم األولي للنموذج ‪ E2‬بالنسبة لكل مجموعة من البيانات‬
‫‪NZD/USD‬‬ ‫‪USD/CHF‬‬ ‫‪USD/CAD AUD/USD‬‬ ‫‪GBP/USD‬‬ ‫‪USD/JPY‬‬ ‫‪EUR/USD‬‬
‫السجالت المصنفة بيكل‬
‫‪3253‬‬ ‫‪3289‬‬ ‫‪3227‬‬ ‫‪3191‬‬ ‫‪3237‬‬ ‫‪3216‬‬ ‫‪3247‬‬
‫صحيب‬
‫‪68.0117‬‬ ‫‪68.7788‬‬ ‫‪67.4822‬‬ ‫‪66.7015‬‬ ‫‪67.6913‬‬ ‫‪67.2522‬‬ ‫‪67.9005‬‬ ‫نسبة الصحيب‬
‫السجالت المصنفة بيكل‬
‫‪1530‬‬ ‫‪1493‬‬ ‫‪1555‬‬ ‫‪1593‬‬ ‫‪1545‬‬ ‫‪1566‬‬ ‫‪1535‬‬
‫خاطئ‬
‫‪31.9883‬‬ ‫‪31.2212‬‬ ‫‪32.5178‬‬ ‫‪33.2985‬‬ ‫‪32.3087‬‬ ‫‪32.7478‬‬ ‫‪32.0995‬‬ ‫نسبة الخاطئ‬
‫‪0.3648‬‬ ‫‪0.3768‬‬ ‫‪0.3519‬‬ ‫‪0.336‬‬ ‫‪0.3546‬‬ ‫‪0.3465‬‬ ‫‪0.3595‬‬ ‫احصائية ‪KAPPA‬‬

‫الص حيب‪ ،‬عند كل مجموعات‬ ‫بين الجدول الس ابق أن نس بة التص ني‬
‫الخاطئ كانت‬ ‫البيانات مقبولة نوعا ما مقابل النموذج الس ابق‪ ،‬ونس بة التص ني‬
‫منخفض ة‪ ،‬كما بين الجدول أن إحص ائية ‪ Kappa‬تحس نت وتجاوزت ‪ 0.3‬حيث ؤكد‬
‫مقبولة ولكن تبقى ضعيفة نسبياي‪.‬‬ ‫هذا المقياس بأن الدقة في التصني‬

‫‪15‬‬
 ‫صد ق‪ ،‬ساكت‪ ،‬الصباغ‬

‫ويمكن القول ان نسبة التغير تعطي توصيف أدق لحالة اتجاه السعر وذلك‬
‫كون المؤشرات الفنية تعمل على تأكيد االتجاه وليس الذبذبات اليومية‪.‬‬
‫وقد تبين مما سبق تحسن جودة التصنيف اعتماداً على نسب التغيرات ولكن‬
‫ليس إلى المستوى المطلوب‪ ،‬وتبين أن األسلوب المستخدم اعتماداً على السعر باء‬
‫بالفشل ‪ ،‬وباعتبار أن المؤشرات الفنية تدل على الحالة المستقبلية التجاهات السعر‬
‫فإن المشكلة تكمن في دالة الهدف وليس في المتغيرات المستقلة بحسب أري الباحنين‪،‬‬
‫وسنلجأ إلى تعديل نمذجة دالة الهدف‪.‬‬
‫‪ -11‬تعديل الدراسة العملية‪:‬‬
‫في عملية تمريل حركة االتجاه ال يمكن اعتبارها س لس لة مس تقرة دون األخذ‬
‫بعين االعتبار التميرات العي وائية اليومية التي تحدث لذا فال بد من التخله من هذه‬
‫التميرات العي وائي ة اليومي ة وتمري ل الحرك ة الع ام ة للس عر وفق ع دة آلي ات تمر ل‬
‫اس تراتيجيات تداول وذلك في محاولة تعد ل النموذج بالنس بة لدالة الهدف فقب‪ ،‬وذلك‬
‫على افترال أنه ال يمكن اس تقرار الس لس لة في أس وق العمالت وبالتالي ال يمكن‬
‫حس اب دالة الهدف المس تقبلية لمس توى زمني بعيد كون هدف الدراس ة التداول اليومي‬
‫والسرعة في اتخاذ القرار على شكل ومي‪.‬‬
‫‪ 1-11‬دالة الهدف المعدلة‪ :‬سيتم تعد ل دالة الهدف عبر استخدام المتوسب المستقبلي‬
‫وبذلك يمكن أن تعبر المعادالت التي س يتم بنائها عن حالة الس عر المس تقبلية بي كل‬
‫وس طي دون أخذ وم معين بحد ذاته للتخله من عي وائية التميرات اليومية‪ .‬وس يتم‬
‫التركيز على تعد ل دالة الهدف دون أي تميير في المتميرات المس تقلة‪ .‬و مكن ذلك‬
‫تيمناي باألس لوب الذي قدمه ]‪ ،Team Auquan[22‬كأس لوب لنمذجة دالة الهدف للتنبؤ‬
‫بمس تقبل س عر وذلك عبر حس اب ‪ 5‬متوس طات مس تقبلية لمقدار التمير في الس عر‬
‫كاس تراتيجية تداول لتطبيقها في التداول باس تخدام خوارزميات تعلم اآللة‪ ،‬وبما أن‬
‫الهدف هو التداول اليومي س يتم حس اب متوس ب اليومين التاليين لتقليل الفترة قدر‬
‫اإلمكان وتعجيل معرفة حالة الس عر وفق نفس االس تراتيجيتين الس ابقيتين من حيث‬
‫القيمة السعر ة ونسبة التمير‪ ،‬لذا سيتم إعادة نمذجة دالة الهدف كما لي‪:‬‬

‫‪16‬‬
‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫‪ .1‬المعادلة النالنة (‪ :)E3‬تدل على الفرق بين متوس ب س عر اليومين التاليين ‪T+2‬‬
‫عن س عر اليوم الحالي ‪ T‬وبذلك تعبر دالة الهدف هنا عن حالة الس عر المس تقبلية‬
‫والتخله من التميرات العيوائية على مستوى وم واحد وفق المعادلة التالية*‪:‬‬
‫‪E3 = AVGPT+2 − PT‬‬
‫وعليه تم بناء دالة الهدف وفق الصيا ة اليرطية التالية‪:‬‬
‫))"‪IF (E3 > 0 ; "UP" ; (IF (E3 = 0 ; "HOLD"; "DOWN‬‬
‫اعتماد على متوسب‬
‫ي‬ ‫‪ .2‬المعادلة الرابعة (‪ :)E4‬تم نمذجة دالة الهدف في هذه المعادلة‬
‫نس بة التميرات ‪ AvgChange‬وذلك للتخله من التميرات العي وائية وبذلك تكون دالة‬
‫اله دف تعبر عن االتج اه الحقيقي لحرك ة العمل ة إم ا ب الص عود أو الهبو أو ح ال ة‬
‫الرب ات‪ ،‬وب الت الي ت دل المع ادل ة على الفرق بين متوس ب مق دار التمير في اليومين‬
‫التاليين ‪ T+2‬عن تمير اليوم الحالي ‪ ،T‬وبذلك تعبر دالة الهدف عن متوس ب حالة‬
‫‪E4 = A𝑣𝑔ChT+2 − CT‬‬ ‫التمير المستقبلية كما لي**‪:‬‬
‫وفق الصيا ة اليرطية التالية‪:‬‬ ‫وعليه تم بناء دالة الهدف لخوارزمية التصني‬
‫))"‪IF (E4 > 0 ; "UP" ; (IF (E4 = 0 ; "HOLD"; "DOWN‬‬
‫وباعتماد نفس أس لوب بناء النموذج في المرحلة الس ابقة فقد تم اعادتها هنا‬
‫أيضاي دون أي تميير ذكر وسننتقل مباشرية إلى مرحلة التقييم‪.‬‬
‫‪ 2-11‬تقييم النماذج المعتمدة على المتوسطات المستقبلية‪:‬‬
‫س يتم هن ا تقييم النموذج المطبق على مجموع ات البي ان ات من حي ث ق درة‬
‫الص حيب لكل س جل من الس جالت المس تخدمة‪ ،‬وإحص ائية‬ ‫النموذج على التص ني‬
‫‪.Kappa‬‬
‫‪ .1‬تقييم النموذج وفق المعيادلية النيالنية ‪ :E3‬بين الج دول الت الي نت ائج عملي ة بن اء‬
‫النموذج لكل مجموعة بيانات وفقاي للمعادلة الرابعة ‪:E3‬‬

‫الجدول رقم (‪ )7‬التقييم األولي للنموذج ‪ E3‬بالنسبة لكل مجموعة من البيانات‬

‫*‬
‫(‪ )E3‬حركة متوسب السعر لليومين التاليين‪ )AVGPT+1( ،‬متوسب السعر لليومين التاليين‪ )PT( ،‬السعر الحالي‪.‬‬
‫**‬
‫حيث‪ )E4( :‬اتجاه متوسب حركة التمير في اليومين التاليين‪ )AvgChT+2( ،‬متوسب مقدار التمير في‬
‫اليومين التاليين‪ )ChT( ،‬مقدار التمير الحالي‪.‬‬

‫‪17‬‬
 ‫صد ق‪ ،‬ساكت‪ ،‬الصباغ‬
‫‪NZD/USD‬‬ ‫‪USD/CHF‬‬ ‫‪USD/CAD AUD/USD GBP/USD‬‬ ‫‪USD/JPY‬‬ ‫‪EUR/USD‬‬
‫السجالت المصنفة بيكل‬
‫‪2523‬‬ ‫‪2383‬‬ ‫‪2428‬‬ ‫‪2504‬‬ ‫‪2396‬‬ ‫‪2413‬‬ ‫‪2427‬‬
‫صحيب‬
‫‪52.7493‬‬ ‫‪49.8327‬‬ ‫‪50.7737‬‬ ‫‪52.3411‬‬ ‫‪50.1046‬‬ ‫‪50.4601‬‬ ‫‪50.7528‬‬ ‫نسبة الصحيب‬
‫السجالت المصنفة بيكل‬
‫‪2260‬‬ ‫‪2399‬‬ ‫‪2354‬‬ ‫‪2280‬‬ ‫‪2386‬‬ ‫‪2369‬‬ ‫‪2355‬‬
‫خاطئ‬
‫‪47.2507‬‬ ‫‪50.1673‬‬ ‫‪49.2263‬‬ ‫‪47.6589‬‬ ‫‪49.8954‬‬ ‫‪49.5399‬‬ ‫‪49.2472‬‬ ‫نسبة الخاطئ‬
‫‪0.0071‬‬ ‫‪0.0008‬‬ ‫‪-0.0011‬‬ ‫‪-0.0012‬‬ ‫‪-0.0017‬‬ ‫‪0‬‬ ‫‪0.0072‬‬ ‫احصائية ‪KAPPA‬‬

‫الص حيب‪ ،‬عند كل مجموعات‬ ‫بين الجدول الس ابق أن نس بة التص ني‬
‫الخاطئ كانت مرتفعة‪ ،‬كما بين الجدول‬ ‫بة التص ني‬ ‫البيانات ير جيدة‪ ،‬ونس‬
‫لم تكن‬ ‫إحص ائية ‪ Kappa‬المنخفض ة و ؤكد هذا المقياس بأن الدقة في التص ني‬
‫جيدة‪.‬‬
‫تبين مما سيييبق أن اسيييتخدام المتوسيييطات السيييعرية لم تغير أي شييييء في‬
‫النتائج‪ ،‬ويمكن القول أن اسيتخدام األسيعار كييم مجردة أو بالمتوسيطات ال كمكن أن‬
‫تعبر عن حالة السعر المستقبلية وال كمكن بها بناء استراتيجية ونموج تصنيف كمكن‬
‫به االعتماد على المؤشيييييرات الفنية لدعم ق اررات التداول اليومية في سيييييوق العمالت‬
‫األجنبية وذلك وفقاً لآللية التي تم استخدامها في هذه الدراسة‪.‬‬
‫‪ .2‬تقييم النموذج وفق المعييادليية الرابعيية ‪ :E4‬بين الج دول الت الي نت ائج عملي ة بن اء‬
‫النموذج لكل مجموعة بيانات وفقاي لعملية بناء دالة الهدف للمعادلة العاشرة ‪:E4‬‬
‫الجدول رقم (‪ )8‬التقييم األولي للنموذج ‪ E4‬بالنسبة لكل مجموعة من البيانات‬
‫‪NZD/USD‬‬ ‫‪USD/CHF‬‬ ‫‪USD/CAD‬‬ ‫‪AUD/USD‬‬ ‫‪GBP/USD USD/JPY‬‬ ‫‪EUR/USD‬‬
‫السجالت المصنفة بيكل‬
‫‪3499‬‬ ‫‪3391‬‬ ‫‪3481‬‬ ‫‪3446‬‬ ‫‪3377‬‬ ‫‪3422‬‬ ‫‪3427‬‬
‫صحيب‬
‫‪73.1549‬‬ ‫‪70.9118‬‬ ‫‪72.7938‬‬ ‫‪72.0318‬‬ ‫‪70.619‬‬ ‫‪71.56‬‬ ‫‪71.6646‬‬ ‫نسبة الصحيب‬
‫السجالت المصنفة بيكل‬
‫‪1284‬‬ ‫‪1391‬‬ ‫‪1301‬‬ ‫‪1338‬‬ ‫‪1405‬‬ ‫‪1360‬‬ ‫‪1355‬‬
‫خاطئ‬
‫‪26.8451‬‬ ‫‪29.0882‬‬ ‫‪27.2062‬‬ ‫‪27.9682‬‬ ‫‪29.381‬‬ ‫‪28.44‬‬ ‫‪28.3354‬‬ ‫نسبة الخاطئ‬
‫‪0.4645‬‬ ‫‪0.419‬‬ ‫‪0.4563‬‬ ‫‪0.4412‬‬ ‫‪0.4129‬‬ ‫‪0.4318‬‬ ‫‪0.4334‬‬ ‫احصائية ‪KAPPA‬‬

‫الص حيب‪ ،‬عند كل مجموعات‬ ‫بين الجدول الس ابق أن نس بة التص ني‬
‫الخاطئ كانت منخفض ة‪ ،‬كما بين الجدول إحص ائية‬ ‫البيانات جيدة‪ ،‬ونس بة التص ني‬
‫جيدة وأفض ل مما‬ ‫‪ Kappa‬تجاوز ‪ 0.4‬حيث ؤكد هذا المقياس بأن الدقة التص ني‬
‫كانت عليه‪ .‬وبعد هذ التحس ن الملحو الس تراتيجية الس ابقة وفق المعادلة الرابعة س يتم‬

‫‪18‬‬
‫‪2019‬‬ ‫العدد ‪ 36‬العام‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

‫تقييم النموذج من حيث األصناف للتأكد من قابلية التطبيق‪.‬‬

‫‪ 3-11‬تقييم دقة تصنيف النموذج لكل صنف في دالة الهدف للمعادلة ‪:E4‬‬
‫فقد تم استخدام المقا يس التالية‪:‬‬ ‫بالنسبة لكل صن‬ ‫لقياس دقة التصني‬
‫• ‪ TPR‬معدل التصنيفات الموجبة الصحيحة‪ :‬تعبر عن نسبة السجالت االيجابية التي‬
‫تم التنبؤ بها‪ ،‬وكلما اقتربت اليمته من ال ‪ 1‬كان اداء النموذج افضل في تصني‬
‫في دالة الهدف]‪.[23‬‬ ‫الصن‬
‫• منحنى ‪ :ROC‬يعبر عن قدرة النموذج على التمييز بين االص ناف‪ ،‬وتكون اليمته‬
‫‪ 1‬كانت قدرة النموذج على تمييز‬ ‫بين (‪ ،)0 ،1‬وكلما اق تربت اليمته من ال‬
‫األص ناف جيدة‪ ،‬أما اذا اقتربت من ‪ 0.5‬وما دون يكون النموذج ير قادر على‬
‫التمييز بين األصناف ]‪.[24‬‬
‫الجدول رقم (‪ )9‬مقاييس دقة النموذج لكل صنف‬
‫‪USD_JPY USD_CHF USD_CAD NZD_USD GBP_USD EUR_USD AUD_USD‬‬
‫‪0.71‬‬ ‫‪0.717‬‬ ‫‪0.726‬‬ ‫‪0.733‬‬ ‫‪0.728‬‬ ‫‪0.742‬‬ ‫‪0.714‬‬ ‫‪U‬‬ ‫‪TP‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪H‬‬ ‫‪Ra‬‬
‫‪0.722‬‬ ‫‪0.703‬‬ ‫‪0.731‬‬ ‫‪0.733‬‬ ‫‪0.685‬‬ ‫‪0.692‬‬ ‫‪0.728‬‬ ‫‪D‬‬ ‫‪te‬‬
‫‪0.75‬‬ ‫‪0.744‬‬ ‫‪0.775‬‬ ‫‪0.754‬‬ ‫‪0.752‬‬ ‫‪0.754‬‬ ‫‪0.744‬‬ ‫‪U‬‬ ‫‪R‬‬
‫‪0.452‬‬ ‫‪0.524‬‬ ‫‪0.463‬‬ ‫‪0.564‬‬ ‫‪0.467‬‬ ‫‪0.481‬‬ ‫‪0.485‬‬ ‫‪H‬‬ ‫‪O‬‬
‫‪0.75‬‬ ‫‪0.744‬‬ ‫‪0.775‬‬ ‫‪0.755‬‬ ‫‪0.751‬‬ ‫‪0.753‬‬ ‫‪0.745‬‬ ‫‪D‬‬ ‫‪C‬‬
‫لكل صن ‪ ،‬نجد ما لي‪:‬‬ ‫ومن الجدول السابق الذي لخه مقا يس دقة التصني‬
‫العمود ‪ :TP Rate‬كانت جيدة من اجل كال الصنفين ‪ UP‬و‪DWON‬أما عند‬
‫‪ HOLD‬كانت اليمتها (‪.)0‬‬ ‫الصن‬
‫العمود ‪ :ROCArea‬فك ان ت جي دة مم ا ؤك د ق درة النموذج على التمييز بين‬
‫‪.HOLD‬‬ ‫‪ ،DOWN‬وكانت منخفضة عند الصن‬ ‫‪ UP‬والصن‬ ‫األصناف‪ ،‬الصن‬
‫إن األهمية هنا لحالة االرتفاع بمرل اقتناص الفرص ة وتحقيق الربب‪ ،‬وأيض يا‬
‫حالة االنخفال بهدف تجنب وقوع الخس ارة‪ ،‬أما حالة الربات فلن تؤدي إلى أي ربب‬
‫أو خس ارة‪ ،‬هذا يعني أنه باإلمكان اتخاذ القرار المناس ب في الوقت المناس ب باالعتماد‬
‫على االستراتيجية المبنية في المعادلة الرابعة وتمريلها بنموذج أشجار القرار ‪.C4.5‬‬
‫‪ .12‬النتائج‪:‬‬

‫‪19‬‬
 ‫صد ق‪ ،‬ساكت‪ ،‬الصباغ‬

‫لنموذج خوارزمية أش جار القرار المبني اعتماديا‬ ‫‪ .1‬أظهرت النتائج أن جودة التص ني‬
‫على المؤشرات الفنية تتأثر بآلية نمذجة دالة الهدف التي تعبر عن المستقبل‪.‬‬
‫‪ .2‬أظهرت النتائج أن نمذجة دالة الهدف باالعتماد على اليمة الس عر أو نس بة التمير‬
‫أو باس تخدام متوس طات الس عر لنموذج ش جرة قرار مبني باالعتماد على المؤش رات‬
‫بناء على نتائج التقييم األولي للنماذج‪.‬‬
‫الفنية قد باء بالفيل‪ ،‬ي‬
‫‪ .3‬أظهرت النتائج أن نمذجة دالة الهدف اعتماداي على حساب متوسب مستقبلي لنسب‬
‫التميرات في المعادلة ‪ E4‬لبناء نموذج ش جرة قرار اعتماداي على المؤش رات الفنية‬
‫بناء على تقييم النموذج بي كل أولي وتقييم دقة‬
‫كمتميرات مس تقلة كانت جيدة ي‬
‫النموذج بالنس بة لألص ناف‪ ،‬و مكن به دعم ق اررات التداول اليومي في س وق‬
‫العمالت األجنبية وذلك بنمذجة البيانات باس تخدام المؤش رات الفنية كمتميرات‬
‫مستقلة ونمذجة دالة لهدف وفق متوسطات المتميرات المعادلة الرابعة ‪.E4‬‬
‫‪ .13‬التوصيات‪:‬‬
‫‪ .1‬عند اس تخدام المؤش رات الفنية كمتميرات مس تقبلية عدم ص يا ة دالة الهدف بناء‬
‫على اليمة الس عر أو نس بة التمير أو متوس طات الس عر‪ ،‬وإنما ص يا تها اعتماداي‬
‫على متوسطات نسبة التمير بيكل يعبر عن المستقبل‪.‬‬
‫‪ .2‬اس تخدام خوارزمية ‪ C4.5‬وفق نفس األس لوب المس تخدم في النمذجة لتطبيقها‬
‫على أس واق رأس المال‪ ،‬والمي اكل المي ابهة المتعلقة بس الس ل بيانات األس عار‬
‫اليومية‪.‬‬
‫‪ .3‬اعتماد أس لوب نمذجة المؤش رات الفنية كمتميرات مس تقلة وأس لوب نمذجة دالة‬
‫الهدف عبر حس اب متوس ب التميرات اليومية لنقطتي تمير مس تقبلي (المعادلة‬
‫الرابعة)‪ ،‬واعتمادها كاس تراتيجية تداول جد دة باس تخدام خوارزمية أش جار القرار‬
‫‪ C4.5‬لدعم ق اررات التداول اليومي في سوق العمالت األجنبية‪.‬‬
‫المراجع‪:‬‬
‫ض حى ‪ – 2018‬اسيييتخدام الشيييبكات العصيييبية وأشيييجار‬ ‫‪ .1‬سييياكت س ان‪ ،‬عدا‬
‫القرار للتنبؤ بحركة األسهم‪ ،‬مجلة بحوث جامعة حلب‪ ،‬سلسلة العلوم االقتصادية‬

‫‪20‬‬
2019 ‫ العام‬36 ‫العدد‬ ‫سلسلة العلوم االقتصادية‬ ‫مجلة بحوث جامعة حلب‬

.30 ‫العدد‬
‫ – استخدام تقنيات التنقيب في البيانات لبناء شجرة ق اررات‬2016 ،‫ صديق محمد‬.2
‫ رس الة ماجس تير ير‬،‫لدعم ق اررات التداول في سييييوق دمشييييق لألوراق المالية‬
.‫ سور ة‬،‫ حلب‬،‫ جامعة حلب‬،‫منيوره‬
3. Paliyawan P. 2015, Stock Market Direction Prediction Using
Data Mining Classification, ARPN Journal of Engineering and
Applied Sciences, VOL 10.
4. Imandoust S. Bolandraftar M. 2014, Forecasting the direction
of stock market index movement using three data mining
techniques: the case of Tehran Stock Exchange, Journal of
Engineering Research and Applications, VOL 4.
،‫ ارب د‬،‫ ع الم الكت ب الح د ث‬،‫ األسيييييييييواق المالية والنقدكة‬- 2006 ،‫ خلف فليب‬.5
.‫األردن‬
.‫ سويسرا‬،‫ غالند‬،‫ – سويسكوت بانك‬2017 ،‫ مقدمة في تداول الفوركس‬.6
،‫ عمان‬،‫ دار الرقافة‬،‫ إدارة االستنمار بين النظرية والتطبيق‬،2009، ‫ علوان قاسم‬.7
.263‫ ص‬،‫األردن‬
‫ التحليل الفني لألسيييييييييواق المالية كأداة للتنبؤ بأسيييييييييعار‬،2013 ،‫ نعيمة برودي‬.8
،‫ جامعة أبو بكر بلقا د‬،‫ رس الة دكتوراه‬،‫األوراق المالية واتجاهات األسيييييييييواق‬
.221‫ ص‬،‫ الجزائر‬،‫تلمسان‬
9. Silwattananusarn T., Tuamsuk K., 2012, Data Mining and Its
Applications for Knowledge Management: A Literature Review
from 2007 to 2012, International Journal of Data Mining &
Knowledge Management Process, Vol 2, P15.
10. Wittenn I., et al., 2011, Data Mining Practical Machine
Learning Tools and Techniques, 3rd ED, Morgan Kaufmann, p5.
11. Padhy N., et al., 2012, The Survey of Data Mining Applications
And Feature Scope, International Journal of Computer Science,
Engineering and Information Technology, Vol 2, p46.
12. Reddi K., et al., 2010, A Novel Algorithm for Scaling up the
Accuracy of Decision Trees, International Journal on Computer
Science and Engineering, Vol 2, P126
13. Wong M., Sak L., 2002, DATA MINING USING GRAMMAR

21
 ‫ الصباغ‬،‫ ساكت‬،‫صد ق‬

BASED GENETIC PROGRAMMING AND APPLICATIONS,

Kluwer Academic Publishers, NewYork, USA, P9.
14. https://www.investing.com
15. Ponsi E., 2016, Technical Analysis and Chart Interpretations: A
Comprehensive Guide to Understanding Established Trading
Tactics for Ultimate Profit, Wiley, USA, P 253-256.
16. https://www.ifcmarkets.com/en/ntx-indicators/parabolic.
17. https://www.tradingview.com/wiki/Parabolic_SAR_(SAR)#THE_
BASICS
18. http://stockcharts.com/school/doku.php?id=chart_school:technical_
indicators:parabolic_sar
19. Wei Y., Chiu D., 2015, Machine Learning with R Cookbook,
Packt, Birmingham, UK P552
20. Nettleton D., 2014 Commercial Data Mining Processing,
Analysis and Modeling for Predictive Analytics Projects: The
Savvy Manager's Guide, Elsevier, p114.
21. Kuhn M., Johnson K., 2013, Applied Predictive Modeling,
Springer, NewYork, USA, P55.
22. Team Auquan, 2017, Application of Machine Learning
Techniques to Trading, https://medium.com/auquan.
23. Gupta L., et al., 2012, Performance Analysis of Classification
Tree Learning Algorithms, International Journal of Computer
Applications, Vol 55, p41.
24. Fernandesc G., et al., 2016, Classification methods applied to
credit scoring: A systematic review and overall comparison,
Elsevier, p13.

22