پیش بینی رفتار بازار سهام از طریق اجرای شاخص های فنی ، بر اساس یادگیری عمیق تقویت و رویکرد شبکه های حلقوی مطالعه موردی: سهام سهام ایران

امروزه بورس سهام نقش مهمی در اقتصاد کشورهای مختلف ایفا می کند. فراوانی داده ها در بورس سهام و نیاز به پردازش سریع و صحیح داده ها و تصمیم گیری های مناسب ، استفاده از رایانه ها را اجتناب ناپذیر کرده است. در این مقاله ، با استفاده از یادگیری تقویت عمیق ، مدلی برای ارائه وظایف یک معامله گر در بازار سهام ایران با توجه به سهام انحلال طراحی شده است. در مرحله اول ، تاریخچه قیمت سهام به همراه شاخص های مبتنی بر آن به عنوان ورودی به شبکه عصبی حلقوی ارائه می شود. در مرحله بعدی ، به منظور محاسبه نرخ تطبیق خروجی حلقوی با خروجی مورد انتظار ، از عملکرد هزینه خطای مربع استفاده می شود که به نوبه خود در فرآیند بهینه سازی به حداقل می رسد. از آنجا که داده های موجود در بازار سهام ایران محدود است ، با استفاده از مدل Convolution به جای جدول Q در مدل تقویت عمیق از اتصالات بیش از حد مدل جلوگیری می کند. به منظور ارزیابی مدل ، از داده های بورس تهران در دوره 1390 تا 1400 استفاده شده است. عملکرد روش پیشنهادی با استراتژی خرید و نگه داشتن مقایسه شد. نتایج نشان می دهد ، در برخی موارد ، سود از روش پیشنهادی بر خلاف استراتژی خرید و نگه داشتن به ترتیب 21 ٪ و-7 ٪ است.

کلید واژه ها

• یادگیری تقویت عمیق
• شبکه حلقوی
• نشانگر فنی
• تجزیه و تحلیل فنی

20. 1001. 1. 24766291. 1401. 7. 4. 3. 0

منابع

[1] Sharma ، A. ، D. Bhuriya ، and U. Singh. بررسی پیش بینی بازار سهام با استفاده از رویکرد یادگیری ماشین. در کنفرانس بین المللی الکترونیک ، ارتباطات و فناوری هوافضا (ICECA). 2017. IEEE.

[2] Sutton ، R. S. و A. G. Barto ، یادگیری تقویت: مقدمه. Robotica ، 1999. 17 (2): ص. 229-235.

[3] Barroso ، B. ، R. Cardoso و M. Melo ، تجزیه و تحلیل عملکرد ادغام بین بهینه سازی نمونه کارها و استراتژی های تحلیل فنی در بازار سهام برزیل. سیستم های خبره با برنامه ها ، 2021. 186: ص. 115687.

[4] Dehghan ، A. and M. Kamyabi ، در بازار سهام تهران در شرایط چرخه ای. 2019.

[5] Hejazi ، R. ، et al. ، رابطه بین سقوط قیمت سهام و سرمایه گذاران نهادی اختصاصی و سرمایه گذاران نهادی گذرا. 2020

[6] علی اصغر، ع. ر. و ب. لاری سمنانی، بررسی رابطه سپرده های بانکی و سرمایه گذاری اوراق توسعه صنعتی دولتی با جذابیت سرمایه گذاری (نقد و سرمایه) در بورس اوراق بهادار تهران (TSE). تحقیقات مدیریت در ایران، 1386. 11(20): ص. 1-29.

[7] فرچایلد، آر. جی. و J. Kinsella، چارچوب مالی احساسی برای بررسی حباب ها و خرابی ها. موجود در SSRN 3999323، 2022.

[8] هاتفی مججومرد، م.، گ. زمانیان، و م. ن. شاهیکی تاش، ارزیابی حباب های متعدد در بورس اوراق بهادار تهران. فصلنامه اقتصاد کمی، 1396. 14(2): ص. 85-110.

[9] باقرزاده، س.، کاهش قیمت اولیه عرضه های عمومی و عوامل تعیین کننده آن در بورس اوراق بهادار تهران. علوم انسانی مدرس، 1390. 15(1): ص. 77-107.

[10] Afsar, A. and F. Helyel, A Hybrid Approach to Optimization Portfolio Using Technical Analysis and Data Mining. پژوهش های نوین در تصمیم گیری، 2017. 2(2): ص. 1-22.

[11] کتانی، س.، ف. صمدی و ز. حاجی ها، بهینه سازی پرتفوی چندهدفه با استفاده از الگوریتم رقابت امپریالیستی در بورس اوراق بهادار تهران. 2021.

[12] BELAGHİ, R. A., M. AMİNNEJAD, and Ö. G. ALMA، پیش بینی بازار سهام با استفاده از روش های ناپارامتریک فازی و پارامتری GARCH. مجله پیش بینی ترکیه، 2018. 2(1): ص. 1-8.

[13] نبی پور، م.، و همکاران، یادگیری عمیق برای پیش بینی بازار سهام. آنتروپی، 2020. 22 (8): ص. 840.

[14] نبی پور، م.، و همکاران، پیش بینی روندهای بازار سهام با استفاده از الگوریتم های یادگیری ماشینی و یادگیری عمیق از طریق داده های پیوسته و باینری. یک تحلیل مقایسه ایدسترسی IEEE، 2020. 8: ص. 150199-150212.

[15] دنگ، ی.، و همکاران، یادگیری تقویت مستقیم عمیق برای نمایش سیگنال مالی و تجارت. معاملات IEEE در شبکه های عصبی و سیستم های یادگیری، 2016. 28 (3): ص. 653-664.

[16] Xiong، Z.، و همکاران، رویکرد یادگیری تقویتی عملی برای معاملات سهام. پیش چاپ arXiv arXiv:1811. 07522، 2018.

[17] منگ، تی. ال. و م. خوشی، یادگیری تقویتی در بازارهای مالی. داده ها، 2019. 4(3): ص. 110.

[18] Li، Y.، P. Ni، و V. Chang، کاربرد یادگیری تقویتی عمیق در استراتژی های معاملات سهام و پیش بینی سهام. محاسبات، 2020. 102 (6): ص. 1305-1322.

[19] Carta، S.، و همکاران، Multi-DQN: مجموعه ای از عوامل یادگیری عمیق Q برای پیش بینی بازار سهام. سیستم های خبره با برنامه های کاربردی، 2021. 164: ص. 113820.

[20] Shi, Y., et al., کشف قانون تجارت سهام با شبکه Q دو عمیق. محاسبات نرم کاربردی، 2021. 107: ص. 107320.

[21] Théate ، T. and D. Est ، کاربرد یادگیری تقویت عمیق به تجارت الگوریتمی. سیستم های خبره با برنامه ها ، 2021. 173: ص. 114632.

[22] Sun ، T. ، D. Huang ، and J. Yu ، بهینه سازی استراتژی از طریق یادگیری تقویت عمیق. دسترسی IEEE ، 2022.

[23] جیانگ ، دبلیو. ، برنامه های یادگیری عمیق در پیش بینی بازار سهام: پیشرفت اخیر. سیستم های خبره با برنامه ها ، 2021. 184: ص. 115537.

[24] Amihud ، Y. ، نقص و بازده سهام: اثرات مقطع و سری زمانی. مجله بازارهای مالی ، 2002. 5 (1): ص. 31-56.

[25] Jansen ، S. ، یادگیری ماشین برای تجارت الگوریتمی: مدل های پیش بینی کننده برای استخراج سیگنال ها از بازار و داده های جایگزین برای استراتژی های تجاری سیستماتیک با پایتون. 2020: انتشارات Packt Limited.

[26] Mehrabanpour ، M. ، A. Azar ، and M. Shahrami Babkan ، پیش بینی قیمت سهام با ارائه یک مدل ترکیبی با استفاده از تجزیه و تحلیل مؤلفه اصلی و تئوری مجموعه خشن. تحقیقات مدرن در تصمیم گیری ، 2022. 7 (2): ص. 137-167.

[27] Minh ، D. L. ، et al. ، رویکرد یادگیری عمیق برای پیش بینی روند سهام کوتاه مدت بر اساس شبکه واحد مکرر دو سطح دروازه. IEEE Access ، 2018. 6: ص. 55392-55404.

[28] هسل ، م. ، و همکاران. رنگین کمان: ترکیب پیشرفت در یادگیری عمیق. در کنفرانس AAAI در سی و دوتایی AAAI در مورد هوش مصنوعی. 2018.