مجله IJRASET برای تحقیقات در علوم کاربردی و فناوری مهندسی

بهبود پیش بینی روند سهام با استفاده از شبکه عصبی LSTM که در یک استراتژی تجارت پیچیده آموزش دیده است

نویسندگان: S. Z. Mahfooz ، Iftikhar Ali ، Muhammad N. Khan

خلاصه

تجزیه و تحلیل فنی در معاملات سهام به موضوع مهم تصمیم گیری بهینه معاملات سریعاً می پردازد. پیش بینی حرکت جهت دار در بازار هدف با استفاده از شاخص های فنی کاملاً متداول است. علاوه بر بسیاری از برنامه های دیگر ، یادگیری ماشین به حل مشکل تجارت الگوریتمی در تعیین موقعیت های بهینه معاملات کمک می کند ، و برخی از انواع شبکه های عصبی عمیق به عنوان روش های به روز و آینده برای پیش بینی بازده بازار سهام اثبات شده است. کار فعلی ایده آموزش یک شبکه عصبی را در یک استراتژی معاملاتی جدید ، به نام ، استراتژی معاملاتی متحد (UTS) ارائه می دهد که شاخص های فنی را از سه دسته مشهور که به عنوان پیشرو ، تاخیر و نوسانات گفته می شود ، ادغام می کند. شبکه آموزش دیده با ساده کردن فرایند یافتن رویدادهای بالقوه تجارت مؤثر با عملکرد بهتر و قابلیت استفاده مجدد ، به عنوان یک جایگزین عالی برای مدل تجزیه و تحلیل فنی کلاسیک عمل می کند.

معرفی

مقدمه

داده های تاریخی در تجارت مالی شامل ویژگی های زمانی نهفته است که ممکن است الگوهای اقتصادی و روند بازار را حفظ کند. روشهای سنتی تجزیه و تحلیل فنی از نمودار و ابزارهای ریاضی برای تشخیص الگوهای سودآور سودآور از داده های تاریخی استفاده می کنند [1]. شاخص های فنی مالی از روشهای خاص ریاضی و آماری استفاده می کنند تا مفهوم عمیق تر داده های موجود در موجود در پیش بینی روندهای آینده را منعکس کنند [2]. بسیاری از سیستم های معاملاتی خودکار وجود دارد که به نظارت و مدیریت معاملات کمک می کنند. سیستم های معاملاتی در زمان واقعی [3] ، شبیه سازها [4] و سیستم های توصیه [5] به سرمایه گذاران کمک می کنند تا ریسک را کاهش داده و سود را در معاملات سهام به حداکثر برسانند. شاخص های فنی مبتنی بر الگوریتم از محاسبات داده های قیمت گذشته برای ردیابی کلیه شرایط بیش از حد یا بیش از حد بازارها استفاده می کنند. معامله گران کوتاه مدت و بلند مدت گزینه های مختلفی برای تجزیه و تحلیل اوراق بهادار برای تصمیم گیری در مورد ورود و خروج خود دارند. برخی از معامله گران ممکن است ترجیح دهند استراتژی ها و شاخص های سفارشی را برای ایده های بهتر تجارت تدوین کنند. این به آنها کمک می کند تا با میزان انعطاف پذیری بیشتری کار کنند و شانس تجارت موفق را افزایش می دهند. یک فرآیند مناسب همچنین با غلبه بر تاخیر که ناشی از استفاده از داده های قیمت گذشته است ، به تنظیم دقیق ورود و خروج کمک می کند.

بسیاری از مدل های یادگیری ماشین شخصیت های غیرخطی را در داده ها بدون دانش قبلی ضبط می کنند [6]. از دهه 1990 ، سیستم های معاملاتی خودکار بر اساس یادگیری ماشین و شاخص های فنی برای پیش بینی سهام ، ارز خارجی و بازارهای آینده کالاها به کار رفته است [7-10]. شبکه های عصبی مختلفی برای پیش بینی بازده بازار سهام اعمال شده است. شبکه فید چند لایه به جلو با الگوریتم backpropagation [11] ، سیستم استنتاج عصبی-فازی سازگار [12] ، شبکه عملکرد پایه شعاعی [13] و حافظه کوتاه مدت کوتاه (LSTM) [14] از سایر تکنیک های یادگیری ماشین مانند بهتر عمل کرده اندSVM [15] و جنگل تصادفی [16]. LSTM و داده های اصلی بورس ، از جمله قیمت های OHLC (باز ، بالا ، پایین و نزدیک) که برای پیش بینی بازار مورد استفاده قرار می گیرند ، با استثنائات چند مورد پیشرفت نسبت به روشهای سنتی نشان داده اند [17،18]. LSTM برای بررسی بازارهای سهام [19] ، اقتصاد سنجی [20] و پیش بینی بازار مالی به طور گسترده اعمال شده است [21].

مدل LSTM که از داده های سری زمانی مناسب است برای پیش بینی مقادیر قیمت آینده سهام پس از مشاهده قیمت های تاریخی استفاده شده است [22-23]. مدل LSTM با ویژگی پیش بینی توالی می تواند با روش های اضافی برای پیش بینی روند بازار سهام برای تجارت خودکار اضافه شود [24-25]. ما روشی را تهیه کردیم که از LSTM برای حل مشکل طبقه بندی استفاده می کند ، آیا مجموعه ای از مقادیر قیمت یک صعود یا روند نزولی را تشکیل می دهد. این مدل برای یادگیری الگوهای روندهای بالا و پایین آموزش دیده است و سیگنال خرید/فروش را به عنوان خروجی آن تولید می کند.

برای آموزش مدل LSTM بر روی الگوهای مختلف روند بازار ، استراتژی تجارت ما از چندین شاخص فنی برای اعتبارسنجی روندهای موجود در داده های سهام استفاده می کند. مدل LSTM آموزش دیده سرانجام رفتار این شاخص های فنی را تقلید می کند و قادر به تولید خودکار سیگنال های خرید/فروش می شود.

در این کار تحقیقاتی ، یک استراتژی تجاری جدید به نام استراتژی تجارت یکپارچه (UTS) تدوین شده است که از عملکرد و کارآیی شاخص های فنی مشهور استفاده می کند. UTS از داده های روند معتبر برای آموزش یک مدل LSTM برای خودکار سازی تشخیص الگوهای موجود در روند استفاده می شود. نتایج ما نشان می دهد که استراتژی تجارت توسعه یافته و مدل شبکه عصبی آموزش دیده سرانجام قادر به تولید سیگنال های خرید/فروش برای معاملات خودکار هستند که از معاملات سهام دستی بهتر است. ما سعی می کنیم ارزیابی کنیم که چگونه یک تشخیص دهنده مبتنی بر LSTM در مقایسه با سیستم سنتی مبتنی بر الگوریتم رفتار می کند.

بقیه این مقاله به شرح زیر تنظیم شده است: بخش دوم روش مدل پیشنهادی را توصیف می کند ، و بخش سوم از کار و نتایج تجربی تشکیل شده است. سرانجام ، بخش چهارم نتیجه گیری و مسیرهای آینده را ارائه می دهد.

ii. روش شناسی

از شاخص های فنی برای تجزیه و تحلیل نمودار برای تشخیص الگوهای در نمودارهای قیمت استفاده می شود. آنها همچنین تجزیه و تحلیل قیمت را برای پیش بینی عملکرد قیمت آینده ارائه می دهند. بسته به عملکرد ، یک شاخص فنی ممکن است عقب مانده ، پیشرو یا بی ثبات باشد. میانگین حرکت (MA) و واگرایی همگرایی متوسط در حال حرکت (MACD) شاخص های عقب مانده است که به عنوان شاخص های روند نیز شناخته می شوند. شاخص های پیشرو مانند RSI (شاخص قدرت نسبی) سعی می کنند با محاسبه تغییرات نرخ قیمت ، روند قیمت آینده را پیش بینی کنند. همچنین به آنها به عنوان شاخص های مبتنی بر حرکت گفته می شود. میانگین شاخص حرکت جهت دار (ADX) و دامنه واقعی متوسط (ATR) نمونه هایی از شاخص های مبتنی بر نوسانات هستند [26] که میزان نوسانات قیمت را اندازه گیری می کند. بسیاری از مدل های پیش بینی مالی از این سیگنال های تجاری ساده برای مهندسی ویژگی استفاده می کنند. استراتژی ما یک یا چند شاخص از سه دسته مختلف از شاخص های فنی را اعمال می کند. این یک الگوریتم را برای جستجو و انتخاب سیگنال های روند مشترک دنبال می کند. در کل پنج شاخص فنی ، از جمله میانگین شاخص جهت (ADX) ، میانگین های متحرک نمایی (EMA) ، میانگین واگرایی همگرایی در حال حرکت (MACD) ، میانگین سه گانه نمایی (TRIX) و شاخص قدرت نسبی (RSI) توسط UTS در نظر گرفته می شوند. شرح کوتاهی از این شاخص ها در زیر آورده شده است.

Ag و Al متوسط دستاوردهای ساده و ضایعات متوسط در طی دوره 9 روزه هستند.

4- شاخص جهت متوسط (ADX): با یک نشانگر منهای جهت دار (-DI) و یک نشانگر جهت به علاوه (+DI) همراه است. از شاخص های حرکت جهت دار برای تشخیص روند سهام استفاده می شود ، که به طور معمول برای تعیین نقاط ورود و خروج استفاده می شود. ADX از میانگین صاف شده بین +DI و DI مشتق شده است. این قدرت روند را با گذشت زمان اندازه گیری می کند. با استفاده از هر سه شاخص در کنار هم ، می توانیم هم جهت و هم قدرت حرکت را تعیین کنیم. مقدار ADX بین 0 تا 100 متغیر است. خواندن زیر 20 ضعف روند را نشان می دهد ، و تمام قرائت های بالاتر از 40 حیاتی است.

5. میانگین نمایی سه گانه (TRIX): یک نوسان ساز حرکت است که نشان دهنده درصد تغییر یک سه گانه متوسط در حال حرکت است. در زیر مراحل مربوط به محاسبات Trix نه روز است.

هنگامی که شاخص بورس اوراق بهادار ارزش خود را در مقایسه با عملکرد قبلی خود افزایش می دهد ، به آن به عنوان یک صعود گفته می شود و یک شاخص بازار نسبتاً در حال کاهش ، یک حرکت نزولی را نشان می دهد [27]. پیش بینی می شود سیگنال خرید هنگامی که اعتقاد بر این است که امنیت بیش از حد ، یعنی تجارت بالاتر از ارزش منصفانه یا ذاتی خود ، پیش بینی می شود. از طرف دیگر ، یک سیگنال فروش از یک بازار فراگیر نتیجه می گیرد که به شدت کاهش یافته است. یک استراتژی معاملاتی مجموعه ای از قوانین از پیش تعیین شده است که تصمیم می گیرد برای دستیابی به بازده سودآور چگونه به تجارت سهام نزدیک شود. UTS یک استراتژی پیروی از روند است که بر روی یک مدل برک آوت ، خرید قدرت و فروش ضعف کار می کند. نکات زیر به درک روش UTS کمک می کند ، که در شکل 1 نیز نشان داده شده است.

شاخص های فنی (TI) با قیمت نزدیک داده های تاریخی موجود اعمال می شود. هر یک از این TI سعی می کنند یک روند را تعیین و علامت گذاری کنند.

آ. یک دوره روند ممکن است توسط برخی از اوایل TI تعیین شود ، و برخی دیگر ممکن است آن را دیر مشاهده کنند یا اصلاً ممکن است آن را مشاهده نکنند. این الگوریتم روزهای مجاور را در حدود یک دوره روند برای جستجو و شمارش چندین TI اسکن می کند و این دوره را به عنوان یک روند بالقوه نشان می دهد.

ب. برای تأیید صعود یا روند نزولی ، حداقل تعداد TI را برای تأیید این روند تعیین می کنیم.

ج. میانگین روزهای مشخص شده توسط TI مختلف به عنوان روز شروع روند انتخاب می شود.

د. جانبه نادیده گرفته می شود. فقط صعودها و نردبان ها به طور متناوب مشخص می شوند.

تغییر قیمت قابل توجه و مداوم به عنوان یک ویژگی مناسب برای دوره روند است. این تغییر با در نظر گرفتن تفاوت قیمت روزهای متوالی محاسبه می شود. تغییر مثبت در قیمت ها نشان دهنده افزایش (سیگنال های خرید) است و یک تغییر منفی نشانگر کاهش قیمت ها (سیگنال های فروش) است. این افزایش و کاهش به عنوان برچسب های کلاس برای روش رگرسیون تعیین کننده حرکت جهت دار عمل می کند. ما از این ویژگی ها برای آموزش مدل LSTM خود استفاده می کنیم.

مدل LSTM به عنوان یک مدل مبتنی بر یادگیری ماشین می تواند قدرت پیش بینی کننده شاخص های سنتی را در موقعیت های مختلف بازار تخمین بزند. همچنین ، در مقایسه با مدل های دیگر ، تشخیص ویژگی با استفاده از مدل های LSTM بسیار عالی است. آنها شبکه های عصبی مکرر (RNN) هستند که برای مقابله با مشکل ناپدید شدن یا منفجر شدن شیب طراحی شده اند. این کار با معرفی حافظه کوتاه مدت طولانی در RNN انجام می شود ، جایی که فقط اطلاعات لازم در ارزیابی ها مجاز است. معادلات 8 تا 14 ساختار LSTM را نشان می دهد و معماری آن در شکل 2 آورده شده است.

iiiآزمایش و نتایج

ویژگی های ورودی برای آموزش مدل DNN ما از مجموعه داده برای 120 سهام مختلف ایالات متحده جمع آوری شده از مالی یاهو تولید می شود [28]. UTS روزها را برای بالا و پایین آمدن نشان می دهد و تغییر قیمت برای روزهای مشخص شده محاسبه می شود. خروجی از نوع باینری است و برای صعودها و رکودها ، تفاوت قیمت ها به ترتیب مثبت یا منفی است. هدف تطبیق تغییرات به جای ارزش ، ارائه مقایسه عادلانه در سهام و دوره های مختلف است. این تأیید می کند که مدل ما یک الگوی کلی را برای پیش بینی هر سهام با استفاده از داده های تاریخی ، که جوهر تحلیل فنی است ، می آموزد.

مدل پیشنهادی در پایتون با استفاده از كروس های كتابخانه یادگیری عمیق [29] اجرا می شود. نامزد و مجموعه های بهینه بیش از حد پارامترهای مدل در جدول I. نشان داده شده است. مجموعه های مختلف نامزد شامل تعداد واحدهای پنهان ، اولیه سازنده پارامتر ، نوع فعال سازی ، میزان ترک تحصیل و نوع بهینه سازی بودند. نمونه مقادیر بهینه بیش از حد پارامتر در ستون آخر نشان داده شده است.

جدول I: نامزد Hyper-Parameters مدل LSTM و مجموعه های بهینه

نمونه ای از مقادیر بیش از حد پارامتر