یادگیری عمیق برای پیش بینی حرکت قیمت شاخص بورس با استفاده از تجزیه و تحلیل فنی بهبودیافته

پیش‌بینی بازار سهام یکی از حوزه‌های مهم و تحقیقات رو به رشد در پیش‌بینی سری‌های زمانی اقتصادی است. با این حال، ویژگی های بازار سهام مانند پدیده های پر سر و صدا و غیر ثابت، پیش بینی را با چالش هایی مواجه می کند. روش‌های مختلفی برای پیش‌بینی قیمت سهام برای بررسی تغییرات قیمت قبلی در بازار سهام استفاده می‌شود. روش‌های خطی و غیرخطی مانند شبکه‌های عصبی مصنوعی (ANN) و روش‌های اتورگرسیو بازده سهام را پیش‌بینی می‌کنند. پیش بینی بازار سهام در هر دو دیدگاه نظری و کاربردی توجه قابل توجهی را به خود جلب کرد. فراوانی منابع داده توانایی پیش بینی جامع ارزش بازار سهام و پیش بینی قیمت را دقیق تر از همیشه ارائه می دهد.

مقالات مرتبط

مجله جهانی مدیریت سیستم های انعطاف پذیر

دانلود PDF رایگان مشاهده PDF

- بازار سهام یا بازار سهام تأثیر عمیقی در اقتصاد امروز دارد. افزایش یا کاهش قیمت سهم نقش مهمی در تعیین سود سرمایه گذار دارد. روش‌های پیش‌بینی موجود از الگوریتم‌های خطی (AR، MA، ARIMA) و غیرخطی (ARCH، GARCH، شبکه‌های عصبی) استفاده می‌کنند، اما آنها بر پیش‌بینی حرکت شاخص سهام یا پیش‌بینی قیمت برای یک شرکت با استفاده از بسته شدن روزانه تمرکز می‌کنند. قیمتروش پیشنهادی یک رویکرد مستقل مدل است. در اینجا ما داده‌ها را با یک مدل خاص تطبیق نمی‌دهیم، بلکه با استفاده از معماری‌های یادگیری عمیق، پویایی پنهان موجود در داده‌ها را شناسایی می‌کنیم. در این کار ما از سه معماری یادگیری عمیق مختلف برای پیش‌بینی قیمت شرکت‌های فهرست‌شده NSE و مقایسه عملکرد آنها استفاده می‌کنیم. ما از یک رویکرد پنجره کشویی برای پیش‌بینی مقادیر آتی بر مبنای کوتاه‌مدت استفاده می‌کنیم. عملکرد مدل‌ها با استفاده از درصد خطا اندازه‌گیری شد.

دانلود PDF رایگان مشاهده PDF

مجموعه مقالات ششمین کنفرانس بین المللی تحلیل و هوش تجاری (ICBAI'2016)

پیش بینی قیمت سهام همیشه یک کار چالش برانگیز برای محققان در حوزه مالی بوده است. در حالی که فرضیه کارآمد بازار ادعا می کند که پیش بینی دقیق قیمت سهام غیرممکن است ، در ادبیات کارهایی وجود دارد که نشان داده است که حرکات قیمت سهام را می توان با میزان معقول و منطقی پیش بینی کرد ، در صورت انتخاب متغیرهای مناسب و مدل های پیش بینی کننده مناسب ساخته می شوند. با استفاده از این متغیرهادر این کار ، ما یک چارچوب قوی و دقیق از پیش بینی قیمت سهام با استفاده از روشهای آماری ، یادگیری ماشین و یادگیری عمیق ارائه می دهیم. ما از داده های روزانه در مورد قیمت سهام در فاصله پنج دقیقه از زمان بورس ملی (NSE) هند استفاده می کنیم و این داده های دانه ای را به طور مناسب برای ساخت چارچوب پیش بینی قیمت سهام جمع می کنیم. ما ادعا می کنیم که این چارچوب ، با ترکیب چندین روش یادگیری ماشین و روشهای یادگیری عمیق ، می تواند نوسانات حرکت قیمت سهام را به طور دقیق مدل کند و از این رو می توان برای پیش بینی کوتاه مدت قیمت سهام استفاده کرد. هشت طبقه بندی و هشت مدل رگرسیون ، از جمله یک رویکرد مبتنی بر یادگیری عمیق ، با استفاده از داده های دو سهام ذکر شده در NSE-Tata Steel و Hero Moto ساخته شده است. نتایج گسترده ای در مورد عملکرد این مدل ها ارائه شده است.

دانلود PDF رایگان مشاهده PDF

مجموعه مقالات هفتمین کنفرانس بین المللی تجزیه و تحلیل و اطلاعات تجاری ، 5 - 7 دسامبر 2019 ، بنگلور ، هند

پیش بینی حرکت آینده قیمت سهام موضوع بسیاری از کارهای تحقیقاتی بوده است. ادبیات تجزیه و تحلیل فنی از قیمت سهام وجود دارد که هدف آن شناسایی الگوهای موجود در حرکات قیمت سهام و به دست آوردن سود از آن است. بهبود صحت پیش بینی ، تنها چالش ترین چالش در این زمینه از تحقیقات است. ما یک رویکرد ترکیبی برای پیش بینی حرکت قیمت سهام با استفاده از یادگیری ماشین ، یادگیری عمیق و پردازش زبان طبیعی پیشنهاد می کنیم. ما مقادیر شاخص Nifty 50 بورس اوراق بهادار ملی (NSE) هند را انتخاب می کنیم و حرکت روزانه آن را در طی یک دوره سه سال (2017-2017) جمع آوری می کنیم. بر اساس داده های 2015-2017 ، ما مدلهای پیش بینی مختلفی را با استفاده از یادگیری ماشین می سازیم و سپس از آن مدل ها برای پیش بینی ارزش بسته شدن Nifty 50 برای دوره ژانویه 2018 تا ژوئن 2019 با افق پیش بینی یک هفته استفاده می کنیم. برای پیش بینی الگوهای حرکت قیمت ، ما از تعدادی از تکنیک های طبقه بندی استفاده می کنیم ، در حالی که برای پیش بینی قیمت بسته شدن واقعی سهام ، از مدل های مختلف رگرسیون استفاده شده است. ما همچنین برای پیش بینی قیمت بسته شدن سهام و مقایسه دقت پیش بینی مدل های یادگیری ماشین با مدل LSTM ، یک شبکه یادگیری عمیق مبتنی بر حافظه بلند و کوتاه مدت (LSTM) ایجاد می کنیم. ما بیشتر مدل پیش بینی را با ادغام یک ماژول تجزیه و تحلیل احساسات در داده های توییتر تقویت می کنیم تا با احساسات عمومی قیمت سهام با احساسات بازار ارتباط برقرار کنیم. این کار با استفاده از احساسات توییتر و مقادیر بسته شدن هفته قبل برای پیش بینی حرکت قیمت سهام برای هفته آینده انجام شده است. ما طرح پیشنهادی خود را با استفاده از یک روش اعتبار سنجی متقاطع بر اساس شبکه های عصبی فازی خود سازماندهی (SOFNN) آزمایش کردیم و نتایج بسیار جالبی پیدا کردیم.

دانلود PDF رایگان مشاهده PDF

مجله انجمن فیزیک ریاضی نیجریه

در این مطالعه توانایی شبکه یادگیری عمیق گروه در پیش بینی قیمت بسته شدن روزانه بورس اوراق بهادار نیجریه مورد بررسی قرار گرفت. از روش گروهی متشکل از چندین شبکه یادگیری عمیق که شامل شبکه عصبی Feed Forward (FFN) ، شبکه عصبی مکرر (RNN) و شبکه رو به جلو Cascade (CFN) برای آموزش خروجی های Levenberg-Marquardt (LM) ، انتشار پشتی مقاومت (انعطاف پذیر) استفاده شد. RBP) و شیب مزدوج مقیاس (SCG) برای عملکرد پیشرفته. یک گروه با نظارت عمیق با ترکیب یادگیری عمیق و یادگیری نظارت برای دستیابی به یک نتیجه بهینه ارائه شد. مجموعه داده های مورد استفاده از قیمت سهام بسته بندی تاریخی با ادغام پنج تجزیه و تحلیل فنی به عنوان ورودی بدست آمد. نرخ بورس سهام روزانه بانک اول بنای تاریخی شهر و بانک Zenith که از سهام نیجریه استخراج شده است برای آزمایش توانایی پیش بینی مدل استفاده می شود. تجزیه و تحلیل نتیجه تجربی نشان می دهد که مدل پیشنهادی ما دارای دقت 99 ٪ بالاتر از سه شبکه یادگیری عمیق مورد استفاده در این مطالعه است.

دانلود PDF رایگان مشاهده PDF

مجله بین المللی تحقیقات در علوم کاربردی و فناوری مهندسی IJRASET

اقدامات ارزش سهام با اطمینان در فکر عوامل و مقامات مختلف قرار گرفته است. گمانه زنی های استاندارد معتقد است که معاملات سهام از نظر ماهیت پراکنده است و تلاش برای پیش بینی آنها بی معنی است. از آنجا که اجزای مختلف گنجانیده شده اند ، پیش بینی سهام به ارزش خود یک مسئله مشکل ساز است. تا زمان توجه بیشتر ، بازار مانند یک دستگاه مبتنی بر محبوبیت ادامه می یابد ، اما با گذشت زمان ، مانند یک دستگاه اندازه گیری عمل می کند ، بنابراین می تواند طرح هایی را در یک دوره زمانی به تدریج گسترده پیش بینی کند. استفاده از پیشرفت یادگیری ماشین و شمارش های مختلف در معاینه ارزش سهام و شکل یک زمینه امیدوار کننده است. در این مقاله ، ما ابتدا به سرعت طبقه بندی منطقی بازار سهام و طبقه بندی روشهای پیش بینی بازار سهام را ترسیم می کنیم. در آن زمان ، ما بر برخی تحقیقات به ارزیابی و تصمیم گیری در مورد سهام متمرکز خواهیم شد. ما به استراتژی های خاص ، فنی ، اساسی و کوتاه مدت شبکه حافظه کوتاه مدت مورد استفاده در معاینه سهام نگاه می کنیم. سرانجام ، ما چند چالش و فرصت های تحقیق را در این زمینه ارائه می دهیم.

دانلود PDF رایگان مشاهده PDF

مجله بین المللی روندهای نوظهور در تحقیقات مهندسی

سهام یکی از ابزارهای سرمایه گذاری بود که می تواند مزایایی را به جای صرفه جویی در هزینه فراهم کند ، اما سرمایه گذاری در صورت اشتباه در سرمایه گذاری در سهام نیز می تواند منجر به ضرر شود. بنابراین تعیین بازه زمانی از قبل پیش بینی روند حرکات سهام در یک بازه زمانی خاص را آسان تر می کند. روش تجزیه و تحلیل پیش بینی سهام که تاکنون در بین معامله گران بسیار محبوب بود ، استفاده از شمعدان بود. الگوهای شمعدان اغلب توسط تجزیه و تحلیل پیش بینی سهام در چند قرن پیش استفاده می شد. شکل شمعدان می تواند جهت قیمت ها را استنباط کند. CNN ، RNN و LTSM در حال حاضر به طور گسترده ای برای پیش بینی در حرکت پیش بینی سهام مورد استفاده قرار گرفتند. مناسب ترین روش برای مجموعه داده های تصویر CNN بود. در این مقاله ، ما رویکرد CNN و شمعدانی را برای شناسایی یک تصویر برای شناسایی قدرت یک الگوی روند در حرکت پیش بینی سهام ارائه دادیم. بر اساس آزمایش ما ، CNN با رویکرد شمعدان می تواند به طور کلی تا 99. 3 ٪ دقت کند. بنابراین ، این روش می تواند دقت خوبی ایجاد کند.

دانلود PDF رایگان مشاهده PDF

ماهیت حرکت بازار سهام به دلیل عوامل تاثیرگذار مختلف همواره برای سرمایه گذاران مبهم بوده است. هدف این مطالعه کاهش قابل توجه خطر پیش‌بینی روند با یادگیری ماشین و الگوریتم‌های یادگیری عمیق است. چهار گروه بازار سهام شامل انواع مالی، نفت، کانی‌های غیرفلزی و فلزات اساسی از بورس اوراق بهادار تهران برای ارزیابی تجربی انتخاب شدند. این مطالعه 9 مدل یادگیری ماشین (درخت تصمیم، جنگل تصادفی، تقویت تطبیقی (Adaboost)، تقویت گرادیان فوق العاده (XGBoost)، طبقه‌بندی بردار پشتیبانی (SVC)، بیز ساده، K-نزدیک‌ترین همسایه (KNN)، رگرسیون لجستیک و عصبی مصنوعی را مقایسه می‌کند. شبکه (ANN)) و دو روش یادگیری عمیق قدرتمند (شبکه عصبی مکرر (RNN) و حافظه کوتاه مدت (LSTM). ده شاخص فنی از داده های تاریخی ده ساله مقادیر ورودی ما هستند و دو روش برای به کارگیری آنها در نظر گرفته شده است. اولاً محاسبه شاخص ها بر اساس ارزش معاملات سهام به عنوان داده های پیوسته و ثانیاً تبدیل شاخص ها به داده های باینری قبل از استفاده هر مدل پیش بینی با سه معیار بر اساس راه های ورودی ارزیابی می شود. نتایج ارزیابی نشان می دهد که برای داده های پیوسته، RNN وLSTM با تفاوت قابل توجهی از سایر مدل‌های پیش‌بینی بهتر عمل می‌کند. همچنین نتایج نشان می‌دهد که در ارزیابی داده‌های دودویی، آن روش‌های یادگیری عمیق بهترین هستند، اما این تفاوت تبدیل می‌شود. به دلیل بهبود محسوس عملکرد مدل ها در راه دوم کمتر است.

دانلود PDF رایگان مشاهده PDF

پیش بینی قیمت شاخص سهام کار سختی است و به دلایل مختلف مربوط به بسیاری از دلایل فناوری و غیر فناوری ، دانش قیمت سهم یک محیط بسیار دشوار ، غیرقابل پیش بینی و پویا است. به موازات تکنیک های یادگیری عمیق ، انواع آزمایشات دانشگاهی از رشته های مختلف برای حل این موضوع و تکنیک های یادگیری ماشین یکی از بسیاری از فناوری های مورد استفاده است. بسیاری از تکنیک های یادگیری ماشین در این زمینه قادر به تولید نتایج قابل قبول بودند در حالی که در این نوع پیش بینی ها استفاده می شد. در این مقاله پیش بینی قیمت سهام سهام با استفاده از مدل LSTM که بر روی قیمت شاخص سهام داده های تاریخی به همراه تجزیه و تحلیل نشانه ها اعمال می شود ، مورد استفاده قرار می گیرد که برای دستیابی به نتایج دقیق تر استفاده می شود. در این مطالعه ، مجموعه داده های قیمت های تاریخی سهام مشترک فناوری Agilent ، و سهام مشترک گروه هواپیمایی آمریکایی برای دستیابی به این هدف جمع آوری شد و چندین آزمایش با استفاده از LSTM انجام شد ، یافته ها با استفاده از RMSE و RMSPE ارزیابی شد که تضمین کننده بهتر استعملکرد برای روش LSTM استفاده شده است.

دانلود PDF رایگان مشاهده PDF

مدل های حافظه کوتاه مدت کوتاه مدت (LSTM) و واحد مکرر گیت (GRU) معماری محبوب یادگیری عمیق برای پیش بینی بازار سهام هستند. مطالعات مختلف حدس زده اند که ترکیب احساسات اخبار مالی در پیش بینی می تواند عملکرد بهتری نسبت به استفاده از ویژگی های سهام به تنهایی ایجاد کند. این مطالعه یک مقایسه عادی در عملکرد LSTM و GRU برای پیش بینی بازار سهام در همان شرایط انجام داده و به طور عینی اهمیت ترکیب احساسات خبری مالی را در پیش بینی بازار سهام ارزیابی کرده است. این مطالعه تطبیقی بر روی معماری تعاونی آموزش عمیق که توسط ما پیشنهاد شده است انجام شده است. آزمایشات ما نشان می دهد که: (1) هر دو LSTM و GRU در صورت استفاده از ویژگی های بازار سهام ، در پیش بینی سهام هستند.(2) عملکرد LSTM و GRU برای پیش بینی قیمت سهام می تواند با ترکیب احساسات خبری مالی با ویژگی های سهام به عنوان ورودی ، به میزان قابل توجهی بهبود یابد.(3) هر دو مدل LSTM-News و GRU-News قادر به پیش بینی بهتر در قیمت سهام به طور یکسان هستند.(4) معماری آموزش عمیق تعاونی که در این مطالعه ارائه شده است می تواند به عنوان یک سیستم تخصصی که شامل مدل های LSTM-NEWS و GRU-NEWS است ، اصلاح شود تا بهترین پیش بینی ممکن را در هر کدام از مدل ها می تواند به صورت پویا تولید کند.