تسخیر روند عمیق بازار سهام برای یک سود بزرگ

این مقاله یک پارادایم تجاری جدید و کل نگر را برای سود در بلندمدت بررسی می کند. ما یک استراتژی معاملاتی پیشنهاد می کنیم که انواع شاخص های فنی اجتماعی، اقتصادی و تجاری را ترکیب می کند تا عملکرد معاملات اوراق بهادار را به طور قابل ملاحظه ای بهبود بخشد. در مرحله اول، یک الگوریتم تجاری واگرایی همگرایی میانگین متحرک (MACD) توسعه یافته است. سپس، ما یادگیری عمیق را برای تقویت بیشتر استراتژی معاملاتی پیشنهادی، با هدف گرفتن روند عمیق بازار سهام برای کسب سود بزرگ، اعمال می کنیم. در نهایت، با محاسبه مالی رفتاری و اجتماعی، استراتژی های معاملاتی سیستماتیک را بررسی می کنیم تا رفتار غیرمنطقی افراد و پویایی های بی قرار اجتماعی و اقتصادی را تطبیق دهیم. به طور امیدوارکننده، الگوی معاملاتی پیشنهادی را می توان به راحتی مقیاس و در طول زمان تغییر داد.

کلید واژه ها

• فین تک
• معاملات اوراق بهادار
• استراتژی معاملاتی
• MACD
• یادگیری عمیق

این یک پیش نمایش از محتوای اشتراک است که از طریق موسسه شما دسترسی دارد.

گزینه های خرید

29. 95 یورو قیمت شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب الکترونیکی 117. 69 یورو قیمت شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب جلد نرم 139. 99 یورو قیمت بدون مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب جلد گالینگور 199. 99 یورو قیمت بدون مالیات بر ارزش افزوده (فدراسیون روسیه)

منابع

• Fister, D., Mun, J. C., Jagrič, V., & Jagrič, T. (2019). یادگیری عمیق برای معاملات بازار سهام: استراتژی معاملاتی برتر؟دنیای شبکه عصبی، 29 (3)، 151-171. CrossRefGoogle Scholar
• طلا، اس (2018). معاملات الگوریتمی بازار سهام: آزمایشی از باندهای بولینگر که اثر فشار و شرایط MACD را در خود جای داده است. مجله تحقیقات مالی کاربردی، 1، 13-28. Google Scholar
• هیرشلیفر، دی (2015). مالی رفتاریبررسی سالانه اقتصاد مالی، 7، 133-159. CrossRefGoogle Scholar
• لیبرتو، دی (2019). شاخص ترس و طمع. https://www.investopedia.com/terms/f/fear-and-greed-index. asp.
• Lin, C. C., Chen, C. S., & Chen, A. P. (2018). استفاده از محاسبات هوشمند و جریان کاوی داده برای امور مالی رفتاری مرتبط با مشخصات بازار و فیزیک مالی. محاسبات نرم کاربردی، 68، 756-764. CrossRefGoogle Scholar
• Long, W., Lu, Z., & Cui, L. (2019). مهندسی ویژگی مبتنی بر یادگیری عمیق برای پیش بینی حرکت قیمت سهام. سیستم های مبتنی بر دانش، 164، 163-173. CrossRefGoogle Scholar
• کیو، R. G. (2009). تفکر محاسباتی سیستم های خدماتی: مدل سازی دینامیک و سازگاریعلم خدمات، 1 (1)، 42-55. CrossRefGoogle Scholar
• Qiu ، R. G. (2014). علوم خدمات: مبانی مهندسی خدمات و مدیریت. ویلیCrossRefGoogle Scholar
• Sang ، C. ، & Di Pierro ، M. (2019). بهبود تجزیه و تحلیل فنی تجارت با شبکه عصبی حافظه کوتاه مدت Tensorflow (LSTM). مجله امور مالی و علوم داده ، 5 (1) ، 1-11. CrossRefGoogle Scholar
• Troiano ، L. ، Villa ، E. M. ، & Loia ، V. (2018). تکرار یک استراتژی معاملاتی با استفاده از LSTM برای برنامه های صنعت مالی. معاملات IEEE در انفورماتیک صنعتی ، 14 (7) ، 3226-3234. CrossRefGoogle Scholar
• Vargas ، M. R. ، Dos Anjos ، C. E. ، Bichara ، G. L. ، & Evsukoff ، A. G. (2018 ، ژوئیه). یادگیری عمیق برای پیش بینی بازار سهام با استفاده از شاخص های فنی و مقالات خبری مالی. در کنفرانس مشترک بین المللی شبکه های عصبی سال 2018 (IJCNN) (صص 1-8). IEEEگوگل دانشکده
• Vezeris ، D. ، Kyrgos ، T. ، & Schinas ، C. (2018). سود را در ترکیب با سیستم معاملاتی MACD سود کسب کنید و مقایسه استراتژی های تجارت ضرر را متوقف کنید. مجله ریسک و مدیریت مالی ، 11 (3) ، 56. Crossrefgoogle Scholar

سلب مسئولیت

این پروژه صرفاً به منظور تحقیق است. سهام و تجارت امنیتی خطرناک است. در صورت اتخاذ چارچوب پیشنهادی توسط سرمایه گذاران یا شرکت های سرمایه گذاری ، نویسندگان هیچ مسئولیتی در قبال ضرر ندارند.

اطلاعات نویسنده

نویسندگان و وابستگی ها

1. بخش مهندسی و اطلاعات علمی ، دانشگاه ایالتی پنسیلوانیا ، مالورن ، پنسیلوانیا ، ایالات متحده رابین Qiu
2. منطقه مدرسه Methacton ، Eagleville ، PA ، USA Jeffrey Gong
3. گروه علوم کامپیوتر ، دانشگاه دوک ، دورام ، NC ، ایالات متحده جیسون Qiu

1. رابین Qiu