Utafiti huu unachunguza jinsi kutokuwa na uhakika katika masoko ya fedha kunavyoweza kuhamishwa katika maamuzi ya biashara si kwa vizingiti vikali, bali kwa mbinu ya mantiki fifi (fuzzy logic), ambamo vigezo vinaweza kuwa vya hali tofauti kwa viwango fulani vya uanachama. Mfumo unaopendekezwa hubadilisha vigezo kama momentum ya bei ya hisa, ukuaji wa Pato la Taifa, mfumuko wa bei na ukosefu wa ajira kuwa seti fifi, kisha huzalisha ishara ya kununua, kusubiri au kuuza kupitia kanuni za IF–THEN zilizofafanuliwa kwa maarifa ya wataalamu. Baadaye, algoriti za kijeni hutathminiwa kwa ajili ya kuboresha msingi wa kanuni, huku mitandao ya neva ikitathminiwa kwa ajili ya urekebishaji wa kina wa modeli. Katika usimamizi wa hatari, centroid defuzzification hutumiwa kubadilisha matokeo fifi kuwa thamani mahususi ya biashara, na viwango vya stop-loss vinavyobadilika kulingana na volatility vinapendekezwa.

Hata hivyo, nguvu ya kitaalamu ya utafiti huu katika muktadha wa HFT inapaswa kutathminiwa kwa uangalifu. Ingawa makala inazungumzia mifumo ya biashara ya masafa ya juu katika kiwango cha mikrosekunde, utekelezaji wa kitaalamu unategemea vigezo vya masafa ya chini kama mfululizo wa bei za kila siku, momentum ya siku tano na wastani unaosogea wa siku kumi. Katika maelezo ya data, inaelezwa kuwa data za kila siku za “Company A” zilipatikana kutoka hifadhidata za kifedha za China, huku pia ikisemwa kuwa data hizo zilizalishwa kimaalgoriti kwa kutumia random functions. Kwa hiyo, utafiti huu si jaribio la utendaji lililofanywa kwenye mtiririko halisi wa oda za HFT katika kiwango cha mikrosekunde, bali ni onyesho la jumla zaidi la simula/backtest la utaratibu wa kufanya maamuzi ya biashara unaotegemea fuzzy logic.

Mantiki fifi huruhusu kigezo kuwa na viwango tofauti vya uanachama kati ya 0 na 1 badala ya kuwa tu “kweli” au “si kweli”. Hivyo, kwa mfano, momentum ya soko si lazima iwe “chanya” kabisa au “isiyoegemea upande wowote” kabisa; inaweza kuwa ya makundi yote mawili kwa uwiano fulani kwa wakati mmoja.

Kwa nini vizingiti vikali vya uamuzi vinaweza kuwa tatizo?

Katika mikakati ya kawaida ya biashara inayotegemea kanuni, maamuzi kwa kawaida huunganishwa na kuvukwa kwa vizingiti fulani. Kwa mfano, katika mfumo unaosema “nunua” ikiwa bei iko juu ya wastani unaosogea na “uza” ikiwa iko chini, mabadiliko madogo sana ya bei karibu na kizingiti yanaweza kuzalisha maamuzi tofauti kabisa.

Fuzzy logic hulainisha mpito huu. Thamani ya momentum inaweza kukubaliwa kwa wakati mmoja kama %70 “chanya” na %30 “isiyoegemea upande wowote”. Kwa njia hii mfumo unaweza kuchakata si tu kundi la kigezo, bali pia kiwango ambacho kigezo hicho ni cha kundi hilo.

Mantiki Fifi Inawakilishaje Kutokuwa na Uhakika wa Kifedha?

Katika mantiki fifi, kila thamani ya ingizo huunganishwa na seti moja au zaidi kwa kiwango cha uanachama. Kiwango cha uanachama huwa kati ya 0 na 1. Utafiti hutumia hasa vitendakazi vya uanachama vya pembetatu au vinavyofanana navyo vyenye gharama ndogo ya ukokotoaji.

Kitendakazi cha uanachama cha pembetatu kilichotolewa katika chanzo ni:

\[ \mu_A(x)= \begin{cases} 0, & x<a,\\ \dfrac{x-a}{b-a}, & a\leq x<b,\\ \dfrac{c-x}{c-b}, & b\leq x<c,\\ 0, & x\geq c \end{cases} \]

Katika usemi huu, \(a\), \(b\) na \(c\) huamua umbo la kitendakazi cha uanachama; \(\mu_A(x)\) ni kiwango cha uanachama cha thamani \(x\) katika seti fifi \(A\).

Kielelezo 2 cha chanzo kinaonyesha seti tatu kuu za uanachama kwa momentum ya hisa:

• Momentum hasi: Kushuka kwa bei katika kipindi cha hivi karibuni.
• Momentum isiyoegemea upande wowote: Mwendo wa bei usioonyesha mwelekeo dhahiri.
• Momentum chanya: Kupanda kwa bei katika kipindi cha hivi karibuni.

Ukuaji wa Pato la Taifa umegawanywa katika seti za ukuaji wa chini, wa kati na wa juu. Hivyo, nukta ileile ya data inaweza kuwa ya hali jirani za kiuchumi kwa viwango tofauti badala ya kutenganishwa na mipaka mikali ya madarasa.

Fuzzy rule base hufanyaje kazi?

Viwango vya uanachama havibadiliki moja kwa moja kuwa oda ya biashara. Mfumo kwanza huvichambua kupitia msingi wa kanuni.

Kanuni za mfano kutoka chanzo:

• IF Stock Momentum is Positive AND GDP Growth is High → Buy
• IF Stock Momentum is Negative AND GDP Growth is Low → Sell
• IF Stock Momentum is Neutral OR GDP Growth is Moderate → Hold

Muundo huu huruhusu viashiria vingi kutathminiwa pamoja kwa wakati mmoja. Hivyo uamuzi wa biashara hautolewi kwa kuzingatia momentum ya bei pekee au kigezo cha jumla cha uchumi pekee.

Uamuzi Fifi Hubadilishwaje Kuwa Ishara Halisi ya Biashara?

Kutokana na fuzzy inference, mfumo unaweza kutoa matokeo fifi kama “hamu ya kununua = 0,72”. Hata hivyo, ili injini halisi ya biashara itoe uamuzi unaoweza kutekelezwa, matokeo haya lazima yageuzwe kuwa thamani mahususi. Mchakato huu huitwa defuzzification.

Utafiti hutumia centroid au mbinu ya “kitovu cha uzito”. Mbinu hii hukokotoa kitovu cha kijiometri cha eneo lote la matokeo fifi na kutoa thamani moja ya uamuzi.

Kielelezo 10 cha chanzo kinaonyesha seti ya pembetatu ya “buy strength” na nukta ya centroid katikati ya seti hiyo. Mfumo hutafsiri nukta hii kama nguvu mahususi ya uamuzi wa biashara.

Kwa nini mbinu hii ni tofauti na kizingiti kikali?

Mfumo wa kawaida unaweza kusema “ikiwa momentum iko juu ya 5, nunua”. Mfumo wa fuzzy, kwa upande mwingine, unaweza kutathmini kwa pamoja viwango vya uanachama vya momentum, ukuaji, mfumuko wa bei na ingizo nyingine, kisha kutoa nguvu ya uamuzi wa kununua kwenye kipimo endelevu.

Kwa njia hii uso wa uamuzi huwa laini zaidi na uwezekano wa mabadiliko madogo karibu na kizingiti kuzalisha miamala inayokinzana kabisa unaweza kupunguzwa.

Mbinu na Matokeo ya Utafiti

Muundo wa data

Chanzo kinasema kuwa kilitumia takriban mwaka mmoja wa data za kila siku kwa “Company A”. Katika Jedwali 1, safu za mfano zinazoanza 1 Januari 2022 zina bei ya hisa, kiwango cha ukuaji wa Pato la Taifa, mfumuko wa bei na kiwango cha ukosefu wa ajira.

Hata hivyo, kuna kutokuwa na uhakika muhimu katika metodolojia ya data. Kwa upande mmoja maandishi yanasema kuwa data za kihistoria za kila siku za hisa zilikusanywa kutoka hifadhidata za kifedha za China, lakini katika sehemu hiyo hiyo:

“The Data were algorithmically generated using random functions to simulate the natural volatility and fluctuations observed in financial markets.”

yanasema kuwa data zilizalishwa kwa kutumia random functions.

Kwa hiyo haiwezekani kutenganisha kwa uhakika kutoka katika maandishi ya chanzo ni sehemu gani ya seti ya data ni halisi na ni sehemu gani ni sintetiki.

Je, hizi kweli ni data za masafa ya juu?

Chanzo kinazungumzia HFT, tick data na ucheleweshaji wa mikrosekunde katika sehemu za utangulizi na motisha. Hata hivyo, katika utekelezaji halisi wa backtest, zilitumika:

• bei za kufunga za kila siku,
• momentum ya siku 5,
• wastani unaosogea wa siku 10,
• vigezo vya jumla vya uchumi vya kila siku

.

Kwa hiyo utekelezaji wa majaribio haupaswi kutathminiwa kama mfumo halisi wa HFT unaotumia data za daftari la oda katika kiwango cha mikrosekunde au milisekunde.

Mikakati iliyolinganishwa

Utafiti unafafanua kinadharia mbinu nne za kawaida:

• momentum,
• mean reversion,
• statistical arbitrage,
• market making.

Hata hivyo, katika vielelezo vya kitaalamu, ulinganisho mkuu unafanywa na mikakati ya momentum na mean-reversion.

Mkakati wa Momentum

Katika mbinu ya momentum, ishara ya kununua hutolewa ikiwa bei iko juu ya wastani unaosogea wa siku 10, na ishara ya kuuza hutolewa ikiwa iko chini.

Kielelezo 4 cha chanzo kinaonyesha ishara hizi kwenye mfululizo wa bei za kila siku. Waandishi wanaelekeza kwamba idadi kubwa ya ishara inaweza kuongeza gharama za miamala katika mazingira halisi ya biashara.

Mkakati wa Mean-reversion

Mbinu ya mean-reversion hutumia Bollinger Bands. Ishara ya kununua hutolewa bei inaposhuka hadi bendi ya chini, na ishara ya kuuza hutolewa inapofika bendi ya juu.

Kielelezo 5 cha chanzo kinaonyesha ishara za mkakati huu kwenye mfululizo wa bei.

Fuzzy strategy

Katika mfumo wa fuzzy, momentum ya bei na viashiria vya jumla vya uchumi hutathminiwa pamoja. Kielelezo 6 cha chanzo kinaonyesha ishara za kununua na kuuza zilizozalishwa kwenye mfululizo wa bei za kila siku.

Hoja kuu ya waandishi ni kwamba, ikilinganishwa na mikakati inayotumia kiashiria kimoja, kutathmini kwa pamoja viwango vya uanachama vya vigezo vingi kunaweza kutoa uamuzi wenye undani zaidi.

Je, Chanzo Kinathibitisha Ubora wa Mkakati wa Fuzzy?

Katika muhtasari na sehemu ya hitimisho, maandishi ya chanzo yanadai kuwa mkakati wa fuzzy-logic unatoa utendaji bora kuliko mbinu za kawaida za HFT na kwamba mapato yaliyorekebishwa kwa hatari yanaongezeka. Hata hivyo, matokeo ya picha yaliyotolewa na makala hayatoshi yenyewe kuthibitisha hitimisho hili.

Mapato ya jumla yaliyoonyeshwa katika Kielelezo 7 cha chanzo yanafikia takriban:

• Mkakati wa Momentum: takriban 165–170,
• Mkakati wa Fuzzy logic: takriban 70–75,
• Mkakati wa Mean-reversion: karibu na sifuri au hasi

.

Kwa hiyo, kwa upande wa mapato ghafi ya jumla, mkakati wa momentum uko wazi juu ya mkakati wa fuzzy kwenye grafu.

Kinadharia, mbinu ya fuzzy inaweza kutoa matokeo bora yaliyorekebishwa kwa hatari kutokana na Sharpe ratio ya juu au drawdown ya chini. Hata hivyo, chanzo hakitoi jedwali la kina la Sharpe, Sortino, maximum drawdown, gharama za miamala au muda wa kujiamini linalolinganishia mikakati kwa namba.

Kwa hiyo kauli za utafiti za “consistent superiority” na “higher risk-adjusted returns” haziwezi kuthibitishwa kwa kujitegemea kwa kutumia taarifa zilizoripotiwa.

Sharpe ratio

Kwa ajili ya kutathmini utendaji uliorekebishwa kwa hatari, utafiti unatoa uwiano wa Sharpe:

\[ \text{Sharpe Ratio} = \frac{R_p-R_f}{\sigma_p} \]

na kuufafanua kwa namna hii.

Hapa \(R_p\) ni mapato yanayotarajiwa ya jalada, \(R_f\) ni kiwango cha riba kisicho na hatari, na \(\sigma_p\) ni mkengeuko wa kawaida wa mapato ya jalada.

Hata hivyo, ingawa mlinganyo huu umetambulishwa, matokeo halisi ya Sharpe ya mikakati tofauti hayajatolewa katika chanzo kwa jedwali pana la kulinganisha.

Gharama za miamala

Chanzo kinasema kwamba mkakati wa momentum unaweza kutoa idadi kubwa ya ishara za biashara na kwamba hali hii inaweza kusababisha transaction cost ya juu. Hata hivyo, mapato yaliyolinganishwa hayajaripotiwa kwa kina kama utendaji halisi baada ya gharama za miamala.

Kwa kuwa katika tathmini halisi ya HFT mambo kama kamisheni, spread, slippage, market impact, latency na nafasi kwenye foleni ni muhimu, upungufu huu unapunguza uhalali wa kutumia matokeo katika soko halisi.

Algoriti ya Kijeni na Mtandao wa Neva Huboresha Mfumo wa Fuzzy Jinsi Gani?

Utafiti unapendekeza kuwa fuzzy rule base inaweza kuboreshwa kwa kutumia algoriti ya kijeni. Mchakato una hatua zifuatazo:

1. kuunda idadi ya awali ya seti zinazowezekana za kanuni,
2. kuchagua kulingana na utendaji wa backtest,
3. crossover,
4. mutation,
5. kubadilisha kanuni zenye utendaji wa chini kwa mpya,
6. kuzalisha vizazi vipya hadi kigezo cha kusimamisha kifikiwe.

Kielelezo 8 cha chanzo kinaonyesha mkunjo wa ukaribiaji ambapo utendaji wa seti bora ya kanuni kwa ujumla huongezeka katika vizazi 100.

Hata hivyo, katika sehemu ya hitimisho waandishi wanakubali kuwa uboreshaji wa GA uliendeshwa mara moja tu na kwamba sensitivity analysis haikufanywa kwa hyperparameter kama population size, mutation rate au elite count.

Jukumu la mtandao wa neva

Mtandao wa neva hutumiwa kujifunza mahusiano yasiyo ya mstari kati ya ingizo za kihistoria za soko na matokeo. Kielelezo 9 cha chanzo kinaonyesha mkunjo wa mafunzo ambapo MSE loss hupungua kutoka takriban 0,9 hadi karibu 0,1 katika epoch 100.

Grafu hii inaonyesha kwamba mtandao umefanya fit bora kwenye data za mafunzo; hata hivyo, yenyewe haithibitishi uwezo wa kujumlisha katika soko halisi. Chanzo pia kinaeleza kuwa kuna hatari ya overfitting ikiwa mafunzo yatazidishwa.

Fuzzy Logic Inawezaje Kutumika katika Usimamizi wa Hatari?

Moja ya sehemu zilizo wazi zaidi kwa upande wa matumizi katika utafiti ni mbinu ya stop-loss inayobadilika kulingana na volatility.

Katika mifumo ya kawaida, umbali wa stop-loss unaweza kuwa wa kudumu. Katika mbinu ya fuzzy, volatility inaweza kutathminiwa kwa viwango vya uanachama kama “chini”, “kati” au “juu”, na umbali wa stop unaweza kubadilishwa kwa namna inayojirekebisha.

Kielelezo 11 cha chanzo kinaonyesha:

• stop-loss nyembamba zaidi wakati volatility iko chini,
• stop-loss pana zaidi wakati volatility iko juu

kama mfano.

Hoja ni kwamba katika volatility ya juu, mabadiliko ya kawaida ya bei huwa makubwa zaidi. Kutumia stop-loss iliyo nyembamba sana kunaweza kusababisha nafasi kufungwa mapema kwa sababu ya kelele za kawaida za soko.

Mfumo sawa unaweza pia kutumiwa kurekebisha kwa namna ya kubadilika umbali wa take-profit kulingana na hali za sasa za soko.

Ni nini nguvu ya utafiti huu?

Jambo muhimu zaidi katika makala ni kuunganisha vipengele vya fuzzy logic katika mtiririko mmoja wa biashara:

Data → vitendakazi vya uanachama → kanuni za fuzzy → inference → defuzzification → uamuzi wa biashara → udhibiti wa hatari → uboreshaji wa GA/NN.

Muundo huu unaonyesha kwa njia inayoeleweka jinsi uso wa uamuzi ulio rahisi kubadilika zaidi kuliko vizingiti vikali unaweza kuundwa katika mifumo ya maamuzi ya kifedha.

Vikwazo vikuu vya utafiti

• Licha ya dai la “HFT”, backtest ilifanywa kwa masafa ya kila siku.
• Daftari halisi la oda za kikomo au mtiririko wa biashara wa mikrosekunde haukutumiwa.
• Maelezo hayako thabiti kuhusu ikiwa data ni halisi au sintetiki.
• Kampuni iliachwa bila kutajwa kwa jina kama “Company A”.
• Kipindi cha data ni takriban mwaka mmoja tu na kinaweza kutegemea mazingira ya 2022.
• Maelezo ya jaribio la Out-of-sample au walk-forward hayajatolewa.
• Gharama za miamala, spread, slippage na latency hazikuigwa kwa uhalisia.
• Hakuna jedwali la kina la utendaji uliorekebishwa kwa hatari linalounga mkono ubora wa mkakati wa fuzzy.
• Katika Kielelezo 7, mkakati wa momentum unaonyesha mapato ya jumla yaliyo juu kuliko mkakati wa fuzzy.
• GA ilitathminiwa kwa uendeshaji mmoja tu.
• Uchambuzi wa unyeti wa hyperparameter za GA haukufanywa.
• Hakukuwa na ulinganisho na Deep reinforcement learning.
• Uhalali wa Cross-asset na cross-market haukujaribiwa.
• Orodha ya marejeleo ina marejeleo yasiyohusiana na mada.
• Marejeleo [22]–[30] hayapo katika orodha ya marejeleo.

Maelezo ya Chanzo na Mbinu

Kichwa asili: Harnessing Fuzzy Logic in High-Frequency Trading for Enhanced Market Resilience

Waandishi: Abdulsalam Kamara; Li Zhen; Kadiatu Fofanah.

Jarida: International Journal of Fuzzy Logic and Intelligent Systems.

Juzuu / toleo: 26 / 2.

Kurasa: 211–227.

Tarehe ya kuchapishwa: Juni 2026.

DOI: 10.5391/IJFIS.2026.26.2.211.

Historia ya makala: Received 5 February 2025; Revised 9 October 2025; Accepted 14 February 2026.

Taasisi: Abdulsalam Kamara na Li Zhen — School of Management, Jiangsu University, Zhenjiang, China. Kadiatu Fofanah — School of International Trade and Economics, Jiangxi University of Finance and Economics, Nanchang, China.

Leseni: Creative Commons Attribution Non-Commercial License 3.0 (CC BY-NC 3.0).

Aina ya utafiti: Ubunifu wa trading-strategy unaotegemea fuzzy logic, simula/backtest, uboreshaji kwa algoriti ya kijeni na utekelezaji wa neural-network fine-tuning.

Masafa ya data: Sehemu ya kitaalamu inatumia masafa ya kila siku. Kwa hiyo huu si mtihani halisi wa HFT wa mikrosekunde.

Onyo kuhusu chanzo cha data: Chanzo kinasema kuwa data za Company A zilipatikana kutoka hifadhidata za kifedha za China, huku katika sehemu hiyo hiyo kikisema kuwa data hizo zilizalishwa kimaalgoriti kwa kutumia random functions. Kwa hiyo asili ya data haiko wazi kikamilifu.

Ingizo kuu za fuzzy: Stock price momentum, GDP growth, inflation na unemployment.

Matokeo makuu: Buy / Hold / Sell.

Defuzzification: Centroid method.

Uboreshaji: Genetic Algorithm na Neural Network.

Vipimo vya utendaji: Chanzo kinajadili dhana za Sharpe ratio, Sortino ratio na drawdown; hata hivyo, hakitoi jedwali kamili la kulinganisha kwa namba utendaji uliorekebishwa kwa hatari kati ya mikakati.

Kutolingana kwa matokeo ndani ya chanzo: Muhtasari unadai kuwa mkakati wa fuzzy ni bora kwa uthabiti kuliko mbinu za kawaida, huku Kielelezo 7 kikionyesha mkakati wa momentum ukiwa na mapato ya jumla yaliyo juu kuliko mkakati wa fuzzy. Kwa hiyo dai la ubora haliungwi mkono na grafu ya mapato ya jumla iliyotolewa pekee.

Onyo kuhusu ukamilifu wa marejeleo: Orodha ya marejeleo ina baadhi ya tafiti zisizohusiana moja kwa moja na HFT na nambari [22]–[30] zimeachwa kama “No item”. Hata hivyo, maandishi yanazitaja nambari hizo.

Mgongano wa maslahi: Waandishi wanatangaza kuwa hakuna mgongano unaowezekana wa maslahi unaohusiana na makala.

Kikomo cha tafsiri: Utafiti unatoa usanifu wa kufundisha na unaoweza kutumika kuhusu jinsi fuzzy logic inaweza kutekelezwa katika maamuzi ya trading. Hata hivyo, majaribio yaliyopo hayatoshi kuthibitisha kuwa fuzzy logic huongeza kwa ubora ustahimilivu wa soko au faida katika mifumo halisi ya HFT ya mikrosekunde.