بهبود تصمیمات معاملات سهام بر اساس تشخیص الگوی با استفاده از فناوری یادگیری ماشین

  • 2021-07-1

Yaohu Lin ، مفهوم سازی ، درمان داده ها ، تجزیه و تحلیل رسمی ، نرم افزار ، نوشتن - پیش نویس اصلی ، 1 Shancun Liu ، کسب بودجه ، نوشتن - بررسی و ویرایش ، 1 ، 2 Haijun Yang ، مفهوم سازی ، تجزیه و تحلیل رسمی ، کسب بودجه ، روش شناسی ، نوشتن - بررسیو ویرایش ، 1 ، 3 ، * هریس وو ، داده های داده ، اعتبار سنجی ، نوشتن - بررسی و ویرایش ، 4 و بینگنگ جیانگ ، درمان داده ها ، اعتبار سنجی 5

یاهو لین

1 دانشکده اقتصاد و مدیریت ، دانشگاه Beihang ، پکن ، چین

شوکون لیو

1 دانشکده اقتصاد و مدیریت ، دانشگاه Beihang ، پکن ، چین

2 آزمایشگاه کلیدی تجزیه و تحلیل سیستم پیچیده ، مدیریت و تصمیم (دانشگاه Beihang) ، وزارت آموزش و پرورش ، پکن ، چین

هاجون یانگ

1 دانشکده اقتصاد و مدیریت ، دانشگاه Beihang ، پکن ، چین

3 مرکز نوآوری پیشرفته پکن برای داده های بزرگ و محاسبات مغز ، دانشگاه Beihang ، پکن ، چین

هریس وو

4 کالج تجارت Strome ، دانشگاه Old Dominion ، نورفولک ، ویرجینیا ، ایالات متحده آمریکا

بینگنگ جیانگ

5 مرکز مهندسی نرم افزار ، آکادمی علوم چین ، پکن ، چین

2 آزمایشگاه کلیدی تجزیه و تحلیل سیستم پیچیده ، مدیریت و تصمیم (دانشگاه Beihang) ، وزارت آموزش و پرورش ، پکن ، چین

3 مرکز نوآوری پیشرفته پکن برای داده های بزرگ و محاسبات مغز ، دانشگاه Beihang ، پکن ، چین

این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل بدون محدودیت در هر رسانه را فراهم می کند ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

داده های مرتبط

کلیه داده های مربوطه در داخل کاغذ و پرونده های اطلاعاتی پشتیبانی آن هستند. از طرف دیگر ، ممکن است با بارگیری پرونده های "threedays_sample. zip" و "twodays_sample. zip" در http://semen. buaa. edu. cn/fachulty/finance/yang_haijun/profile. htm.

چکیده

PRML ، یک مدل تشخیص الگوی شمعدان جدید با استفاده از روشهای یادگیری ماشین ، برای بهبود تصمیمات معاملات سهام پیشنهاد شده است. چهار روش یادگیری ماشین محبوب و 11 نوع ویژگی مختلف برای همه ترکیبات ممکن از الگوهای روزانه برای شروع برنامه تشخیص الگوی اعمال می شود. پنجره های زمانی مختلف از یک تا ده روز برای تشخیص اثر پیش بینی در دوره های مختلف استفاده می شود. یک استراتژی سرمایه گذاری با توجه به الگوهای شمعدانی مشخص شده و پنجره زمانی مناسب ساخته شده است. ما PRML را برای پیش بینی تمام سهام بازار چین از 1 ژانویه 2000 تا 30 اکتبر 2020 مستقر می کنیم. از جمله آنها ، داده های 1 ژانویه 2000 تا 31 دسامبر 2014 به عنوان مجموعه داده های آموزش و مجموعه داده ها از آن استفاده می شود1 ژانویه 2015 تا 30 اکتبر 2020 برای تأیید اثر پیش بینی استفاده می شود. نتایج تجربی نشان می دهد که الگوهای شمعدان دو روزه پس از فیلتر بهترین پیش بینی را در هنگام پیش بینی یک روز پیش می گذارند. این الگوهای به طور متوسط بازده سالانه ، نسبت شارپ سالانه و نسبت اطلاعات به ترتیب به ترتیب 36. 73 ٪ ، 0. 81 و 2. 37 به دست می آورند. پس از غربالگری ، الگوهای شمعدانی سه روزه نیز هنگام پیش بینی یک روز پیش رو ، تأثیر مفیدی را نشان می دهد که این الگوهای ویژگی های پایدار را نشان می دهند. دو روش یادگیری ماشین محبوب دیگر ، شبکه Perceptron چند لایه و شبکه های عصبی حافظه کوتاه مدت ، در چارچوب تشخیص الگوی برای ارزیابی وابستگی مدل پیش بینی استفاده می شود. هزینه معامله 0. 2 ٪ در الگوهای دو روزه پیش بینی یک روز پیش در نظر گرفته شده است ، بنابراین سودآوری را تأیید می کند. نتایج تجربی نشان می دهد که استفاده از روشهای مختلف یادگیری ماشین در الگوهای دو روزه و سه روزه برای پیش بینی های یک روزه می تواند سودآور باشد.

1. مقدمه

تجزیه و تحلیل و پیش بینی بازار سهام به دلیل درجه بالای سر و صدای [1] و شکل نیمه قوی کارایی بازار [2] ، که به طور کلی پذیرفته شده است ، بسیار مشکل است. یک پیش بینی دقیق منطقی ممکن است پتانسیل بازده مزایا و محافظت در برابر خطرات بازار را افزایش دهد. با این حال ، اقتصاددانان مالی اغلب وجود فرصت های پیش بینی های سودآور را زیر سوال می برند [3].

تجزیه و تحلیل فنی ، که به آن نمودار شمعدان نیز گفته می شود ، یکی از متداول ترین روش های تجزیه و تحلیل سنتی برای پیش بینی بازار مالی است. با استفاده از قیمت های نزدیک و نزدیک به ترتیب زمانی ، نمودار شمعدان می تواند نه تنها تعادل در حال تغییر بین عرضه و تقاضا را منعکس کند [4] بلکه احساسات سرمایه گذاران در بازار [5]. Bulkowski 103 الگوی شناخته شده را در زبان طبیعی توصیف کرد [6] ، و سپس مشخصات رسمی جامع الگوهای شمعدانی شناخته شده ارائه شد [7]. در سالهای اخیر ، تجزیه و تحلیل فنی در تجزیه و تحلیل بازار سهام مؤثر است. به عنوان مثال ، Caginalp و Laurent توانایی پیش بینی الگوهای شمعدانی را آزمایش کردند و دریافتند که استفاده از استراتژی های معاملاتی شمعدانی در بازده سهام روزانه در سهام S& P 500 می تواند منجر به سود شود [8]. گو و همکاران. دریافت که بسیاری از الگوهای یک روزه شمعدان و وارونگی می توانند با پیروی از استراتژی های معاملاتی شمعدان ، به سرمایه گذاران کمک کنند تا بازده قابل توجهی را بدست آورند [9]. علاوه بر این ، سودآوری استراتژی های معاملاتی شمعدان بیشتر تأیید شد [10 ، 11]. در آخرین تحقیقات از الگوهای پیچیده تر شمعدان استفاده شده است. قدرت پیش بینی 5 الگوی معکوس دو روزه مورد بررسی قرار گرفت [12] و 4 جفت الگوهای دو روزه مورد بررسی قرار گرفت [13]. لو و همکاران. سودآوری 8 الگوی معکوس سه روزه را در شرایط روند و استراتژی های مختلف برگزاری مورد مطالعه قرار داد [11].

اگرچه این مطالعات نشان داده اند که استفاده از استراتژی الگوی شمعدان می تواند سودآور باشد ، اما صداهای مخالف در آکادمی پدیدار شده اند. Fock و همکاران. هیچ مدرکی از توانایی پیش بینی الگوهای شمعدانی به تنهایی یا در ترکیب با سایر شاخص های فنی رایج در قرارداد شاخص سهام DAX و آینده نرخ سود BUND پیدا نکرد [14]. Duvingage و همکاران. قدرت پیش بینی داخل شمعدان های ژاپنی را در فاصله 5 دقیقه ای در 30 مؤلفه شاخص DJIA آزمایش کرد و نتیجه گرفت که استراتژی های معاملاتی شمعدان عملکرد سرمایه گذاری را بهبود نمی بخشد [15]. این نتیجه گیری های متناقض در مورد الگوهای شمعدانی ما را وادار می کند تا بیشتر تحقیق کنیم.

اخیراً از هوش مصنوعی برای پرداختن به داده های سری هرج و مرج و تصادفی استفاده شده است [16 ، 17]. استفاده محاسباتی شدید از مدلهای پیش بینی هوشمند معمولاً تحت یادگیری ماشین مورد مطالعه قرار گرفته است [18]. در مقایسه با مدل های سنتی تر ، مدل های یادگیری ماشین انعطاف پذیری بیشتری را فراهم می کنند [19] ، نیازی به فرضیات توزیع ندارند و به راحتی می توانند طبقه بندی کننده های فردی را برای کاهش واریانس ترکیب کنند [20]. بسیاری از تکنیک های دستگاه قبلاً برای پیش بینی بازار سهام اعمال شده است [20-36]. به عنوان مثال ، رگرسیون لجستیک (LR) و شبکه های عصبی (NNS) [27 ، 29 ، 30 ، 36] ، شبکه های عصبی عمیق (DNNS) [22] ، درختان تصمیم گیری (DTS) [22 ، 25] ، دستگاه های بردار پشتیبانی (SVMS) [24 ، 26 ، 28] یا رگرسیون وکتور پشتیبانی (SVR) [21] ، K-Nearest همسایگان (KNN) [23 ، 33] ، جنگل های تصادفی (RFS) [22] ، شبکه های حافظه کوتاه مدت (LSTMS)[1 ، 31 ، 34] و ماشین های Boltzmann محدود (RBMS) [32] برای پیش بینی حرکات بازار سهام استفاده شده است. در مقایسه چندین روش یادگیری ماشین ، فیشر و همکاران.(2018) شبکه های LSTM را برای پیش بینی حرکات جهت دار خارج از نمونه برای سهام تشکیل دهنده S& P 500 از سال 1992 تا سال 2015 مستقر کنید. آنها شبکه های LSTM را برای بهتر از RF ، DNN و LR پیدا می کنند. پاتل و همکاران.(2015) عملکرد چهار مدل (یعنی ANN ، SVM ، RF و Naïve-Bayes) را با توجه به شاخص های زیر و شرکت های موجود در بورس هند مقایسه کنید: CNX Nifty ، S& P BSE Sensex ، Infosys Ltd. و Reliance Industries[35]Brownstone (1996) از یک شبکه عصبی برای پیش بینی قیمت بسته شدن روزانه به مدت پنج روز و بیست و پنج روز شاخص سهم FTSE 100 در انگلستان استفاده کرد و از رگرسیون خطی متعدد برای مقایسه نتایج پیش بینی استفاده کرد [30]. کراوس و همکاران.(2017) اثربخشی یک روزه شبکه های عصبی عمیق (DNN) ، درختان تقویت شده شیب (GBTS) و جنگل های تصادفی (RFS) را در تمام سهام S& P 500 از 1992 تا 2015 اجرا و تجزیه و تحلیل کرد. سیگنال ها بر اساس احتمال پیش بینی تولید شدند. این تکنیک ها همه سهام را در سطح مقطع K به ترتیب نزولی مرتب می کنند. پنج استراتژی مختلف سرمایه گذاری با رفتن طولانی به سهام k k و سهام k پایین ، با k∈. این تکنیک ها وقتی K = 10 و RF از GBT و DNN بهتر عمل می کنند ، به بهترین عملکرد دست می یابند [22]. الگوهای سودآور ممکن است بر اساس بازده های اخیر و داده های روزانه کشف شود. Qiu و همکاران.

(2020) LSTM را با یک چارچوب پیش بینی موجک برای پیش بینی قیمت های افتتاح سهام ایجاد کرد [34].

تحقیقات موجود نشان می دهد که روشهای یادگیری ماشین می توانند به طور مؤثر جهت بازار مالی را پیش بینی کنند. با این حال ، استفاده از فناوری یادگیری ماشین برای تشخیص الگوی شمعدان هنوز هم رواج کمتری دارد. علاوه بر این ، تحقیقات سنتی در مورد الگوهای شمعدان عمدتاً بر تعداد محدودی از الگوهای متمرکز است [9-15]. آخرین فناوری اطلاعات مصنوعی ما را وادار می کند تا در نظر بگیریم که به رسمیت شناختن الگوی در تصمیم گیری در بورس سهام استفاده کنیم. از آنجا که روشهای مختلف یادگیری ماشین در سناریوهای مختلف [1 ، 22 ، 30 ، 35] متفاوت عمل می کنند ، یک چارچوب پیش بینی که می تواند با روش های مختلف یادگیری ماشین سازگار باشد ، قابلیت استفاده از مدل را تا حد زیادی بهبود می بخشد.

باقیمانده این مقاله به شرح زیر سازماندهی شده است: بخش 2 طراحی این مقاله را تشریح می کند. یک چارچوب پیش بینی تشخیص الگوی با چهار روش یادگیری ماشین محبوب طراحی شده است. سپس از دو روش یادگیری ماشین محبوب دیگر برای جایگزینی چهار روش یادگیری ماشین برای ارزیابی وابستگی چارچوب پیش بینی استفاده می شود. بخش 3 نتایج تجربی را ارائه می دهد. بخش 4 مقاله را نتیجه می گیرد.

2. روش شناسی

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.