هوش مصنوعی برای شبیه سازی سیستم هوشمند

مقاله تحقیق |دسترسی آزاد جلد 2020 |شناسه مقاله 6622927 |https://doi. org/10. 1155/2020/6622927 استناد

یک مدل مبتنی بر CNN-LSTM برای پیش بینی قیمت سهام

Wenjie Lu ، 1،2 Jiazheng Li ، 3 Yifan Li ، 3 Aijun Sun

، 1 و جینگیانگ وانگ 3

بیشتر نشان بده، اطلاعات بیشتر ویراستار دانشگاهی: عبد E. I.-Baset Hassanien 22 اکتبر 2020 دریافت کرد اصلاح شده 02 نوامبر 2020 پذیرفته شده 03 نوامبر 2020 منتشر شده 24 نوامبر 2020

خلاصه

داده های قیمت سهام ویژگی های سری زمانی را دارند. در عین حال ، بر اساس یادگیری ماشین یادگیری کوتاه مدت کوتاه مدت (LSTM) که مزایای تجزیه و تحلیل روابط بین داده های سری زمانی را از طریق عملکرد حافظه خود دارد ، ما یک روش پیش بینی قیمت سهام را بر اساس CNN-LSTM پیشنهاد می کنیم. در ضمن ، ما از MLP ، CNN ، RNN ، LSTM ، CNN-RNN و سایر مدل های پیش بینی استفاده می کنیم تا قیمت سهام را یک به یک پیش بینی کنیم. علاوه بر این ، نتایج پیش بینی این مدل ها مورد تجزیه و تحلیل و مقایسه قرار می گیرند. داده های مورد استفاده در این تحقیق مربوط به قیمت سهام روزانه از اول ژوئیه 1991 تا 31 اوت 2020 ، از جمله 7127 روز معاملاتی است. از نظر داده های تاریخی ، ما هشت ویژگی از جمله قیمت باز ، بالاترین قیمت ، کمترین قیمت ، قیمت بسته شدن ، حجم ، گردش مالی ، فراز و نشیب ها و تغییر را انتخاب می کنیم. در مرحله اول ، ما CNN را برای استخراج مؤثر از داده ها ، که موارد 10 روز گذشته است ، اتخاذ می کنیم. و سپس ، ما LSTM را برای پیش بینی قیمت سهام با داده های ویژگی استخراج شده اتخاذ می کنیم. با توجه به نتایج تجربی ، CNN-LSTM می تواند پیش بینی قیمت سهام قابل اعتماد را با بالاترین دقت پیش بینی ارائه دهد. این روش پیش بینی نه تنها ایده تحقیق جدیدی را برای پیش بینی قیمت سهام فراهم می کند بلکه تجربه عملی را برای محققان برای مطالعه داده های سری زمانی مالی فراهم می کند.

1. معرفی

روند تغییر قیمت سهام همیشه به عنوان یک مشکل بسیار مهم در حوزه اقتصادی مشخص شده است [1]. قیمت سهام تحت تأثیر عوامل داخلی و خارجی مختلف مانند محیط اقتصادی داخلی و خارجی ، وضعیت بین المللی ، چشم انداز صنعت ، داده های مالی شرکتهای ذکر شده و عملکرد بازار سهام قرار دارد. بنابراین ، روش پیش بینی نیز تأکید متفاوتی دارد [2 ، 3].

روش تجزیه و تحلیل سنتی مبتنی بر اقتصاد و امور مالی است که عمدتاً از روش تجزیه و تحلیل اساسی و روش تحلیل فنی استفاده می کند. از یک طرف ، روش تجزیه و تحلیل اساسی توجه بیشتری به ارزش ذاتی سهام می کند و از نظر کیفی عوامل خارجی را که بر سهام تأثیر می گذارد ، مانند نرخ بهره ، نرخ ارز ، تورم ، سیاست های صنعتی ، امور مالی شرکتهای ذکر شده ، روابط بین الملل ، تجزیه و تحلیل می کند. و سایر عوامل اقتصادی و سیاسی. از طرف دیگر ، روش تجزیه و تحلیل فنی عمدتاً بر جهت قیمت سهام ، حجم معاملات و انتظار روانی سرمایه گذاران متمرکز است ، که در درجه اول بر تجزیه و تحلیل مسیر شاخص سهام سهام های فردی یا کل بازار با استفاده از نمودار k-line متمرکز استابزارهای دیگردر حال حاضر ، تجزیه و تحلیل بنیادی سنتی و تجزیه و تحلیل فنی هنوز هم متداول ترین روش ها برای بسیاری از سازمان ها و سرمایه گذاران فردی است [4 ، 5].

صحت روش تجزیه و تحلیل بنیادی سنتی ، قانع کننده دشوار است. دلیل این امر نه تنها این است که عوامل تأثیرگذار در یک چرخه بلند مدت قرار دارند ، بلکه نتایج پیش بینی نیز بیشتر به کیفیت حرفه ای تحلیلگران وابسته است. به عنوان یک سری زمانی مالی ، داده های سهام ویژگی های پیاده روی تصادفی را دارند [6]. بر اساس آمار و نظریه احتمال ، برخی از محققان از مدل پیش بینی خطی سری زمانی استفاده می کنند تا قیمت سهام کوتاه مدت را با تعداد زیادی از داده های بلند مدت ، مانند Autoregression بردار (VAR) [7] ، Autoregression بردار بیزی (BVAR) پیش بینی کنند. مدل [8] ، حالت میانگین متحرک یکپارچه خودجوش (ARIMA) [9] ، و مدل ناهمگونی شرطی شرطی اتوگرافی تعمیم یافته (GARCH) [10]. با این حال ، صحت استفاده از مدل سری زمانی به تنهایی به دلیل عدم قطعیت و ویژگی های سر و صدای زیاد سری زمانی مالی و رابطه بین متغیرهای مستقل و متغیرهای وابسته ، در طول زمان مستعد تغییرات پویا است ، که این امر کاربرد و گسترش بیشتر آن را محدود می کند [11].

این محدودیت های مشخصی برای پیش بینی روند قیمت سهام با تک به سادگی با استفاده از مدل پیش بینی سری زمانی خطی یا مدل شبکه عصبی دارد. در حال حاضر ، ترکیب مزایای روش های مختلف و استفاده از بهترین الگوریتم های مختلف برای بهبود روش ترکیبی روند توسعه سری زمانی مالی یادگیری عمیق است [12]. بنابراین ، به منظور بهترین ویژگی های سری زمانی سری داده ها ، عمیقاً از ویژگی های داده ها و بهبود صحت پیش بینی قیمت سهام ، این مقاله یک روش پیش بینی قیمت سهام را بر اساس CNN-LSTM برای قیمت بسته شدن سهام پیشنهاد می کندپیش بینی روز بعدترکیب مزایای شبکه های عصبی حلقوی (CNN) که می تواند ویژگی های مؤثر را از داده ها استخراج کند ، و حافظه کوتاه مدت بلند (LSTM) که نه تنها می تواند وابستگی متقابل داده ها را در داده های سری زمانی پیدا کند ، بلکه به طور خودکار بهترین حالت مناسب را تشخیص می دهدبرای داده های مربوطه ، این روش می تواند به طور مؤثر دقت پیش بینی قیمت سهام را بهبود بخشد. مدل CNN-LSTM از CNN برای استخراج ویژگی های داده زمان ورودی استفاده می کند و از LSTM برای پیش بینی قیمت بسته شدن سهام در روز بعد استفاده می کند. به منظور تأیید اثربخشی مدل ، این مقاله از داده های معاملات روزانه 7127 روز معاملاتی از اول ژوئیه 1991 تا 31 آگوست 2020 استفاده می کند ، که در آن داده های روز اول معاملات 6627 مجموعه آموزش و 500 معاملات آخر استداده های روز مجموعه آزمون است.

2. کار مرتبط

در حال حاضر، بازار مالی یک سیستم پویای پر سر و صدا و ناپارامتریک است و دو نوع روش اصلی پیش بینی قیمت سهام وجود دارد: روش تحلیل سنتی و روش یادگیری ماشین [13]. روش های اقتصادسنجی سنتی یا معادلات با پارامترها برای تحلیل داده های سری مالی پیچیده، با ابعاد بالا و نویز مناسب نیستند. در سال های اخیر، شبکه عصبی به یک جهت تحقیقاتی داغ در زمینه پیش بینی سهام تبدیل شده است، زیرا می تواند ویژگی های داده را از تعداد زیادی داده خام با فرکانس بالا بدون تکیه بر دانش قبلی استخراج کند. در سال 1988، وایت از شبکه عصبی برای پیش بینی سهام IBM استفاده کرد، اما نتایج تجربی خوب نبود [14]. در سال 2003، ژانگ از شبکه عصبی و مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA) به ترتیب برای پیش بینی سهام استفاده کرد. نتایج تجربی نشان می دهد که شبکه های عصبی مزایای آشکاری در پیش بینی داده های غیرخطی دارند، اما دقت هنوز نیاز به بهبود دارد [15]. در سال 2005، سان و همکاران. یک روش پیش بینی سری های زمانی مبتنی بر شبکه عصبی را پیشنهاد کرد. این روش الگوریتم پارتیشن بهینه (OPA) و شبکه عصبی تابع پایه شعاعی (RBF) را ترکیب می کند [16]. در سال 2014، آدیکاری و همکاران. روشی را با ترکیب پیاده روی تصادفی (RW) و شبکه عصبی مصنوعی (ANN) برای پیش بینی چهار داده سری زمانی مالی پیشنهاد کرد و نتایج نشان داد که دقت پیش بینی بهبود خاصی داشته است [17]. در سال 2018، ژانگ و همکاران. ساختار شبکه پیش بینی قیمت سهام را بر اساس شبکه عصبی LM-BP پیشنهاد کرد که کاستی های الگوریتم آموزش شبکه عصبی سنتی BP را در سرعت آموزش آهسته و دقت پایین بهبود بخشید [18]. در سال 2018، نتایج تجربی Hu و همکاران. نشان می دهد که شبکه عصبی کانولوشنال می تواند سری های زمانی را پیش بینی کند و یادگیری عمیق برای حل مسئله سری های زمانی مناسب تر است. با این حال، از آنجا که CNN بیشتر برای حل تشخیص تصویر و استخراج ویژگی استفاده می شود، دقت پیش بینی CNN به تنهایی نسبتاً پایین است [19]. در سال 2020، کامالوف از MLP، CNN و LSTM برای پیش بینی قیمت سهام چهار شرکت بزرگ دولتی ایالات متحده استفاده کرد. نتایج تجربی نشان داد که این سه روش در مقایسه با مطالعات مشابهی که جهت تغییر قیمت را پیش بینی می کنند، نتایج بهتری را نشان دادند [20]. در سال 2020، Xue و همکاران. یک مدل پیش بینی کوتاه مدت با دقت بالا از سری های زمانی بازار مالی مبتنی بر شبکه عصبی عمیق LSTM و مقایسه با شبکه عصبی BP، RNN سنتی و شبکه عصبی عمیق LSTM بهبود یافته ایجاد کرد.

نتایج نشان داد که شبکه عصبی عمیق LSTM از دقت پیش بینی بالایی برخوردار است و می تواند به طور مؤثر سری زمانی بورس سهام را پیش بینی کند [21].

سهم اصلی این مقاله به شرح زیر است: (1) با تجزیه و تحلیل همبستگی و سری زمانی داده های قیمت سهام ، یک روش جدید یادگیری عمیق (CNN-LSTM) برای پیش بینی قیمت سهام پیشنهاد شده است. در این روش از CNN برای استخراج ویژگی زمانی داده استفاده می شود و LSTM برای پیش بینی داده ها استفاده می شود. این می تواند از دنباله زمانی داده های قیمت سهام برای به دست آوردن پیش بینی قابل اطمینان تر استفاده کند.(2) با مقایسه شاخص های ارزیابی CNN-LSTM با Perceptron چند لایه (MLP) ، CNN ، RNN ، LSTM و CNN-RNN ، ثابت شده است که CNN-LSTM دارای دقت پیش بینی بالایی است و برای تهیه قیمت سهام مناسب تر است.

3. CNN-LSTM

3. 1مدل CNN-LSTM