یک مدل پیش بینی بازار سهام بر اساس شبکه های یادگیری عمیق

پیش بینی دقیق بازار سهام می تواند به یک نمونه کارها کارآمد و مدیریت ریسک کمک کند. با این حال ، پیش بینی دقیق روند قیمت سهام هنوز یک هدف گریزان است ، نه تنها به این دلیل که بازار سهام تحت تأثیر سیاست ها ، محیط بازار و احساسات بازار قرار می گیرد ، بلکه به این دلیل است که داده های قیمت سهام ذاتاً پیچیده ، پر سر و صدا و غیرخطی است. اخیراً ، پیشرفت سریع یادگیری عمیق می تواند طبقه بندی کننده ها را قوی تر کند ، که می تواند برای حل مشکلات غیرخطی استفاده شود. این مطالعه یک چارچوب ترکیبی را با استفاده از حافظه کوتاه مدت ، AutoEncoder و شبکه های عصبی عمیق (LSTM-AE-DNNS) پیشنهاد می کند. به طور خاص ، LSTM-AE مسئول استخراج ویژگی های مربوطه است و به منظور پیش بینی حرکت قیمت ، این ویژگی ها بر اساس یک شبکه عصبی مکرر (RNN) و Perceptron چند لایه (MLP) در دو مدل یادگیری عمیق تغذیه می شوند. مجموعه داده های مورد استفاده برای این کار ، سهام روزانه داو جونز برای سالهای 2008-2018 است که در این مقاله استفاده شده است. علاوه بر این ، برای ارزیابی بیشتر عملکرد پیش بینی مدل پیشنهادی ، ویژگی های اصلی سهام به مدلهای RNN و MLP منفرد تغذیه می شوند. نتایج نشان داد که مدل پیشنهادی نسبت به دیگری دقیق تر و بهترین نتیجه را می دهد. به طور خاص ، LSTM-AE+RNN عملکرد بهتری نسبت به LSTM-AE+MLP نشان می دهد. علاوه بر این ، مدل های ترکیبی عملکرد بهتری را در مقایسه با یک DNN واحد تغذیه شده با ویژگی های All-Stock به طور مستقیم نشان می دهند.

کلید واژه ها

• پیش بینی بازار سهام
• یادگیری عمیق
• کاهش ابعاد
• AutoEncoder Memory Term کوتاه مدت (LSTM-AE)

20. 1001. 1. 23222301. 2022. 8. 4. 1. 9

منابع

Albahli ، S. ، Nazir ، T. ، Mehmood ، A. ، Irtaza ، A. ، Alkhalifah ، A. ، & Albattah ، W. (2022). AEI-DNET: یک مدل Densenet رمان با یک AutoEncoder برای پیش بینی بازار سهام با استفاده از شاخص های فنی سهام. الکترونیک ، 11 (4) ، 611.https://doi. org/10. 3390/electronics11040611

Bachelier ، L. (1900). Théorie de la Spéculation. Aales Scientifiques de l'école normale supérieure ،

Baek ، Y. ، & Kim ، H. Y. (2018). MODAUGNET: یک چارچوب پیش بینی جدید برای ارزش شاخص بازار سهام با ماژول LSTM پیشگیری بیش از حد و یک ماژول LSTM پیش بینی. سیستم های خبره با برنامه های کاربردی ، 113 ، 457-480.https://doi. org/10. 1016/j. eswa. 2018. 07. 019

Bao ، W. ، Yue ، J. ، & Rao ، Y. (2017). یک چارچوب یادگیری عمیق برای سری زمانی مالی با استفاده از AutoEncoders انباشته و حافظه کوتاه مدت کوتاه. PLOS ONE ، 12 (7) ، E0180944.https://doi. org/10. 1371/joual. pone. 0180944

Barboza ، F. ، Kimura ، H. ، & Altman ، E. (2017). مدل های یادگیری ماشین و پیش بینی ورشکستگی. سیستم های خبره با برنامه های کاربردی ، 83 ، 405-417.https://doi. org/10. 1016/j. eswa. 2017. 04. 006

Bhandari ، H. N. ، Rimal ، B. ، Pokhrel ، N. R. ، Rimal ، R. ، Dahal ، K. R. ، & Khatri ، R. K. (2022). پیش بینی شاخص بازار سهام با استفاده از LSTM. یادگیری ماشین با برنامه ها ، 100320.https://doi. org/10. 1016/j. mlwa. 2022. 100320

Box ، G. ، Jenkins ، G. ، Reinsel ، G. ، & Ljung ، G. (2015). تجزیه و تحلیل سری زمانی ، کنترل و پیش بینی. هابوکندر: نیوجرسی: جان ویلی و پسرانبشرhttps://doi. org/10. 1111/jtsa. 12194

Cavalcante ، R. C. ، Brasileiro ، R. C. ، Souza ، V. L. ، Nobrega ، J. P. ، & Oliveira ، A. L. (2016). اطلاعات محاسباتی و بازارهای مالی: یک نظرسنجی و جهت های آینده. سیستم های خبره با برنامه های کاربردی ، 55 ، 194-211.https://doi. org/10. 1016/j. eswa. 2016. 02. 006

Dahl ، G. E. ، Yu ، D. ، Deng ، L. ، & Acero ، A. (2011). شبکه های عصبی عمیق از پیش آموزش داده شده وابسته به متن برای تشخیص گفتار با نام های بزرگ. معاملات IEEE در پردازش صوتی ، گفتار و زبان ، 20 (1) ، 30-42.https://doi. org/10. 1109/tasl. 2011. 2134090

Dietrich ، R. ، Opper ، M. ، & Sompolinsky ، H. (1999). مکانیک آماری شبکه های بردار پشتیبانی. نامه های بررسی فیزیکی ، 82 (14) ، 2975.https://doi. org/10. 1103/physrevlett. 82. 2975

Doğan ، S. ، Koçak ، D. ، & Atan ، M. (2022). پیش بینی پریشانی مالی با استفاده از ماشین های بردار پشتیبانی و رگرسیون لجستیک. در پیشرفت در اقتصاد سنجی ، تحقیقات عملیاتی ، علوم داده و مطالعات آکواریوم (صص 429-452). اسپرینگرhttps://doi. org/10. 1007/978-3-030-85254-2_26

FAMA ، E. F. (2021). راندمان بازار ، بازده بلند مدت و امور مالی رفتاری. دانشگاه شیکاگو پرس.10. 7208/9780226426983-019

Gensler ، A. ، Henze ، J. ، Sick ، B. ، & Raabe ، N. (2016). یادگیری عمیق برای پیش بینی انرژی خورشیدی - رویکردی با استفاده از شبکه های عصبی Autoencoder و LSTM. 2016 کنفرانس بین المللی IEEE در مورد سیستم ها ، مرد و سایبرنتیک (SMC) ،https://doi. org/10. 1109/smc. 2016. 7844673

Gunduz ، H. (2021). یک مدل پیش بینی بازار سهام کارآمد با استفاده از روش کاهش ویژگی ترکیبی بر اساس خودروهای متغیر و حذف ویژگی های بازگشتی. نوآوری مالی ، 7 (1) ، 1-24.https://doi. org/10. 1186/S40854-021-00243-3

Gündüz ، H. ، çataltepe ، Z. ، & Yaslan ، Y. (2017). پیش بینی بازگشت روزانه سهام با استفاده از ویژگی های گسترده و انتخاب ویژگی. مجله ترکیه مهندسی برق و علوم رایانه ، 25 (6) ، 4829-4840.10. 3906/ELK-1704-256