چکیده: استراتژی‌های مبتنی بر تحلیل تکنیکال، به دلیل وابستگی شدید به پارامترهای ورودی مانند دوره زمانی، با چالش‌هایی نظیر انتخاب بهینه و ریسک بیش‌برازش مواجه هستند. انتخاب دستی این پارامترها اغلب فرآیندی ذهنی و مبتنی بر آزمون و خطا است که می‌تواند به عملکرد ضعیف استراتژی در شرایط متغیر بازار منجر شود. این پژوهش، شکاف موجود در این حوزه را با ارائه یک رویکرد سیستماتیک برای بهینه‌سازی خودکار پارامترهای کلیدی یک استراتژی معاملاتی با استفاده از الگوریتم‌های فراابتکاری، مورد بررسی قرار می‌دهد. در این پژوهش، یک استراتژی معاملاتی مبتنی بر شناسایی نقاط اوج و حضیض در میانگین متحرک نمایی قیمت دارایی‌ها به کار گرفته شده است. برای بهینه‌سازی پارامتر کلیدی این استراتژی، یعنی دوره زمانی میانگین متحرک، از الگوریتم بهینه‌ساز گرگ خاکستری استفاده شد. این الگوریتم با الهام از رفتار اجتماعی گرگ‌ها، فضای پارامتر را برای یافتن مقداری که منجر به حداکثر شدن ارزش سبد دارایی می‌شود، جستجو می‌کند. مدل بر روی داده‌های تاریخی قراردادهای آتی کالاها (شامل طلا، نقره و نفت خام) از ابتدای سال ۲۰۲۰ تا ۲۰۲۴ آموزش داده شد و عملکرد آن بر روی داده‌های خارج از نمونه مربوط به سال ۲۰۲۴ مورد ارزیابی قرار گرفت. نتایج نشان داد که استراتژی بهینه‌سازی‌شده با الگوریتم گرگ خاکستری، بازدهی قابل توجهی را در دوره آموزش (درون نمونه) ایجاد می‌کند. ارزیابی استراتژی بر روی داده‌های خارج از نمونه (آزمون) نیز عملکرد مثبتی را نشان داد و به سودآوری میانگین ۸۵.۷۸ درصدی در سبد دارایی‌ها منجر شد. هرچند این بازدهی با نوسان‌پذیری بالاتری همراه بود که چالش‌های تعمیم‌پذیری مدل در بازارهای واقعی را برجسته می‌سازد. این پژوهش پتانسیل بالای الگوریتم‌های فراابتکاری را در خودکارسازی و بهبود تصمیم‌گیری‌های معاملاتی مبتنی بر تحلیل تکنیکال تأیید می‌کند و چارچوبی داده‌محور برای توسعه استراتژی‌های معاملاتی ارائه می‌دهد.