تکنیک های یادگیری ماشین برای پیش بینی قیمت سهام و تشخیص سیگنال گرافیکی

تجزیه و تحلیل بازار سهام برای سرمایه گذاران بسیار مهم است زیرا دانستن روند آینده و درک ویژگی های در حال تغییر قیمت سهام باعث کاهش خطر سرمایه گذاری سرمایه برای سود می شود. پس از آن ، پیش بینی قیمت سهام و شناسایی سیگنال های گرافیکی نمودارهای شمعدانی ، که دو کار مهم در تجزیه و تحلیل قیمت سهام است ، به دلیل بازده و خطرات موجود در بازارهای مالی ، توجه زیادی را از سوی سرمایه گذاران جلب می کند. برای معرفی یک رویکرد معتبر برای پرداختن به این چالش ها ، این مقاله استراتژی های مدل سازی را بر اساس تکنیک های یادگیری ماشین (ML) ارائه می دهد. یک مدل پیش بینی نورد مبتنی بر Autoregression (VAR) برای پیش بینی قیمت سهام ارائه شده است ، و یک روش شناسایی سیگنال گرافیکی مبتنی بر مبتنی بر Gaussian (GFNN) برای تشخیص انواع مختلف سیگنال های قیمت سهام ارائه شده است. نتایج تجربی عملکرد بهتری را در مقایسه با روشهای پیشرفته نشان می دهد و می توان آن را با موفقیت در استراتژی های بورس اوراق بهادار در دنیای واقعی اعمال کرد.

معرفی

تجزیه و تحلیل قیمت سهام برای تصمیم هوشمند بازارهای مالی مهمترین است و نقش مهمی در استراتژی های معاملات سهام دارد. پیش بینی دقیق قیمت سهام و شناسایی سیگنال های گرافیکی نمودارهای شمعدانی از اهمیت بسیار واقعی برخوردار است ، زیرا آنها می توانند الگوهای روند قیمت سهام را درک کنند و به سرمایه گذاران کمک کنند تا استراتژی های سرمایه گذاری مناسب را تهیه کنند. فعالیتهای تجاری مؤثر می تواند برای دستیابی به بازده بیشتر با ریسک کمتری انجام شود (لی و همکاران ، 2022). با این حال ، با توسعه سریع ظرفیت محاسبه و تکنیک های یادگیری ماشین ، مدل های پیش بینی به طور فزاینده ای پیچیده و تفسیر سخت تر می شوند و این باعث می شود سرمایه گذاران احساس استفاده از استفاده ناخوشایند کنند. علاوه بر این ، همانطور که بوچانان (2009) و کشاورز و فولی (2009) خاطرنشان کردند که مدلهای اقتصادی کلاسیک در مواجهه با خطرات باید دوباره مورد بررسی قرار گیرند. ژو و همکاران.(2023) همچنین اظهار داشت كه یكی از مسائل بالقوه موجود در بورس سهام امروز ، تعامل فزاینده پیچیده ای است كه به راحتی مورد غفلت قرار می گیرند. به غیر از این ، انگیزه دانستن مقادیر دقیق قیمت سهام آینده باعث می شود بیشتر تحقیقات بر پیش بینی قیمت سهام و ضمن نادیده گرفتن تجزیه و تحلیل ویژگی های سیگنال گرافیکی ، تمرکز کند. از این رو ، نیازهای و اهمیت اساسی برای جستجوی ابزاری جدید برای شناسایی خودکار سیگنال های گرافیکی و پیش بینی قیمت سهام وجود دارد.

در روشهای موجود پیش بینی قیمت سهام ، میانگین متحرک یکپارچه خودجوش (ARIMA) (Ariyo et al. ، 2014 ، Babu and Reddy ، 2015) ، Analysis Gray Relational (GRA) (Hamzaçebi and Pekkaya ، 2011) ، مجموعه خشن (Palو کار ، 2019) و دیگران معمولاً در برنامه های دنیای واقعی اعمال می شوند. همچنین ، با توجه به توانایی تفسیر قوی و توانایی تعمیم ، روشهای متداول مانند رگرسیون خطی ، میانگین متحرک و ناهمگونی مشروط مشروط عمومی (GARCH) برای پیش بینی سری زمانی مالی مطلوب هستند (لانگ و همکاران ، 2019). این روشهای سنتی در سری های زمانی خطی و ثابت عملکرد خوبی دارند اما در مورد داده های توالی غیرخطی و غیر ثابت به صورت ایده آل انجام نمی شوند. علاوه بر روشهای آماری سنتی ، الگوریتم های داده کاوی (DM) و یادگیری ماشین (ML) سوله های خود را در مشکلات مختلف پیش بینی مانند پیش بینی تولید نفت خام حک کرده اند (القانس و همکاران ، 2022a ، القانسو همکاران ، 2022c) ، برآورد به دام انداختن CO2 (القنس و همکاران ، 2022d) و پیش بینی انرژی باد (القنس و همکاران ، 2022b). آنها همچنین در زمینه پیش بینی سری زمانی مالی پتانسیل بسیار خوبی را نشان داده اند. به عنوان مثال ، با استفاده از روش پشتیبانی دستگاه بردار (SVM) ، CAO و TAY (2001) و Ince و Trafalis (2007) تحقیقات پیش بینی را در مورد داده های بورس روزانه قیمت سهام اجرا کردند. نتایج رضایت بخش با روشهای پیشنهادی آنها حاصل می شود. با این حال ، SVM به انتخاب توابع هسته و پارامترهای آنها حساس است ، که به صورت دستی تعیین می شود و دارای درجه خاصی از ذهنیت است. علاوه بر این ، در مقایسه با سایر روشهای ML بیشترین استفاده ، توانایی تعمیم SVM نیز نسبتاً ضعیف است. Sadorsky (2022) از چندین روش ML ، مانند جنگل های تصادفی (RF) ، کیسه ، SVM و درختان بسیار تصادفی استفاده کرد تا قیمت سهام را پیش بینی کند. نتایج تجربی آنها نشان می دهد که تکنیک های مبتنی بر درخت تصمیم (DT) مانند RF ، کیسه زدن و درختان بسیار تصادفی از سایر روشهای ML بهتر عمل می کنند. در حالی که ، متفاوت از یک الگوریتم واحد ، روشهای استفاده شده آنها روشهای یادگیری گروه است که از درختان تصمیم گیری چندگانه تشکیل شده است ، که بدون شک پیچیدگی را افزایش می دهد. در یک تحقیق دیگر ، گریتسن و همکاران.(2020) تجزیه و تحلیل معدن قانون تجارت را برای سودآوری در بازارهای بیت کوین انجام داد ، و یافته های آزمایشی نشان می دهد که روش آنها از روشهای سنتی بهتر عمل می کند. با این اوصاف،

این روش کاملاً بر قوانین طراحی شده با دست تکیه دارد و نمی توان آن را در طیف گسترده ای پیوند داد. از زمانی که وایت (1988) برای اولین بار از شبکه عصبی مصنوعی (ANN) برای پیش بینی نرخ بازده روزانه سهام عادی IBM استفاده کرد، استفاده از شبکه عصبی به دلیل منحصر به فرد غیرقابل پیش بینی و مقاوم در برابر نویز، به کانون اصلی پیش بینی قیمت سهام تبدیل شده است. و خواص تطبیقیحتی با وجود روابط پیچیده بین متغیرها، روش های ANN (Xu و همکاران، 2022، یانگ و همکاران، 2021، ژانگ و لو، 2021) به اثرات نویدبخش پیش بینی و شناسایی تغییرات سری زمانی سهام دست یافته اند. با این حال، توسعه شبکه های عصبی و وظایف مربوط به طراحی معماری، پارامترهای فوق العاده شبکه و نمونه های آموزشی ساخته شده نیاز به مراقبت کامل برای دستیابی به سطح تعمیم مطلوب دارد. به طور خاص، روش های فوق عمدتاً بر پیش بینی قیمت سهام تمرکز دارند، اما سیگنال های گرافیکی سهام را تجزیه و تحلیل نمی کنند. به همین دلیل، چن و همکاران.(2021) تغییرات قیمت سهام را مطالعه کرد و یک مدل RVFL-GMDH را برای پیش بینی نقاط عطف به جای مقادیر دقیق قیمت سهام پیشنهاد کرد. اگرچه روند تغییر قیمت سهام تجزیه و تحلیل می شود، اما شناسایی سیگنال گرافیکی قیمت سهام در کار آنها دخالت ندارد. اخیراً یکی از روش های نوین ML به نام یادگیری عمیق (DL) نیز در این زمینه به کار گرفته شده است. سزر و اوزبای اوغلو (2018) برای استفاده از قدرت یک شبکه عصبی کانولوشن عمیق (CNN) یک سری زمانی مالی 1 بعدی را به نمایش داده های تصویری 2 بعدی تبدیل کردند و یک مدل DL به نام CNN-TA را برای بازار سهام پیشنهاد کردند. پیش بینیدر حالی که این روش حجم زیادی از کار را مصرف می کند، به ویژه زمانی که مجموعه داده در مقیاس بزرگ باشد و هزینه آموزشی بالایی را می طلبد. آلونسو-مونسالو و همکاران(2020) یک CNN عمیق برای پیش بینی روند با فرکانس بالا نرخ مبادله ارزهای دیجیتال معرفی کرد. نتایج تجربی آنها نشان می دهد که CNN های عمیق از روش های مرسوم بهتر عمل می کنند و برای پیش بینی روند قیمت در اکثر ارزهای دیجیتال مناسب هستند. با این وجود، اندازه بزرگ مدل های عمیق CNN استفاده از آنها را محدود می کند. با توجه به پیشرفت های تکنولوژیکی، معماری شبکه عصبی بازگشتی (RNN) مانند شبکه های حافظه بلند مدت (LSTM) و واحد بازگشتی دروازه ای (GRU) نیز برای پیش بینی قیمت سهام به کار گرفته شده است (سعود و شاکیا، 2020، توزانی). و دوزی، 2021، خو و همکاران، 2022). مشابه مسائلی که قبلا ذکر شد، اگرچه نتایج خوب معقولی در ادبیات گزارش شده است.

• روش فوق الذکر در درجه اول مقادیر دقیق قیمت بسته شدن سهام را پیش بینی می کند ، در حالی که تجزیه و تحلیل روابط داخلی سری های زمانی را نادیده می گیرد. علاوه بر این ، بیشتر شبکه های عصبی عمیق معمولاً دست و پا گیر هستند ، با حجم زیاد و استقرار در برنامه های تلفن همراه دشوار است. تعداد زیادی از پارامترهایی که باید توسط داده های عظیم با برچسب آموزش داده شوند نیز برای مدل های DL مشکل دارند (ładyżyński و Grzegorzewski ، 2013). با وجود محدودیت ، مطالعات قبلی با موفقیت پتانسیل روشهای ML و ANN را برای رفع مشکلات در مقیاس بزرگ و در مقیاس کوچک نشان داده اند.< Pan> روشهای فوق الذکر در درجه اول مقادیر دقیق قیمت بسته شدن سهام را پیش بینی می کنند ، در حالی که تجزیه و تحلیل روابط داخلی سری های زمانی را نادیده می گیرند. علاوه بر این ، بیشتر شبکه های عصبی عمیق معمولاً دست و پا گیر هستند ، با حجم زیاد و استقرار در برنامه های تلفن همراه دشوار است. تعداد زیادی از پارامترهایی که باید توسط داده های عظیم با برچسب آموزش داده شوند نیز برای مدل های DL مشکل دارند (ładyżyński و Grzegorzewski ، 2013). با وجود محدودیت ، مطالعات قبلی با موفقیت پتانسیل روشهای ML و ANN را برای پرداختن به مشکلات در مقیاس بزرگ و در مقیاس کوچک نشان داده اند. روشهای فوق در درجه اول مقادیر دقیق قیمت بسته شدن سهام را پیش بینی می کنند ، در حالی که تجزیه و تحلیل روابط داخلی سری زمانی را نادیده می گیردبشرعلاوه بر این ، بیشتر شبکه های عصبی عمیق معمولاً دست و پا گیر هستند ، با حجم زیاد و استقرار در برنامه های تلفن همراه دشوار است. تعداد زیادی از پارامترهایی که باید توسط داده های عظیم با برچسب آموزش داده شوند نیز برای مدل های DL مشکل دارند (ładyżyński و Grzegorzewski ، 2013). با وجود محدودیت ، مطالعات قبلی با موفقیت پتانسیل روشهای ML و ANN را برای رفع مشکلات در مقیاس بزرگ و در مقیاس کوچک نشان داده اند.

• از طرف دیگر ، تاکنون توجه کمی به استفاده از روشهای ML و ANN برای شناسایی سیگنال های گرافیکی قیمت سهام وجود ندارد. برخی از تحقیقات موجود بر شناسایی سیگنال گرافیکی قیمت سهام با استفاده از روشهای تطبیق الگوی متمرکز است. بر اساس رویکردهای الگوی و قانون ، فو و همکاران.(2007) دو رویکرد تطبیق الگوی زمانی انعطاف پذیر برای شناسایی سیگنال گرافیکی قیمت سهام را پیشنهاد کرد. در میان آنها ، رویکرد مبتنی بر الگوی ابزاری برای تطبیق الگوی سری زمانی فراهم می کند ، در حالی که رویکرد مبتنی بر قانون توانایی بیشتری را برای توصیف الگوهای پرس و جو ارائه می دهد. با این حال ، این رویکرد کاملاً بسته به الگوی و قانون طراحی شده دستی است که به دانش تخصصی نیاز دارد و ترویج آن دشوار است. با استفاده از مفهوم به اصطلاح پروتوفورم هندسی فازی ، ładyżyński و Grzegorzewski (2013) الگوهای موجود در تجسم گرافیکی داده های قیمت سهام را مشخص کردند. در حالی که ، فرآیند محاسبه این روش پیچیده است و ابهام خاصی دارد. بنابراین ، به دلایل بررسی ادبیات مربوطه ، این مقاله به بررسی تکنیک های جدید یادگیری ماشین برای پیش بینی قیمت سهام و شناسایی سیگنال های گرافیکی سری زمان سهام می پردازد. یک مدل پیش بینی نورد مبتنی بر Autoregression (VAR) برای پیش بینی قیمت سهام پیشنهاد شده است. مقدار آخرین دوره با استفاده از VAR ابتدا پیش بینی می شود ، و سپس نتایج پیش بینی همراه با جدیدترین مقدار واقعی به عنوان ورودی برای پیش بینی نورد مرحله بعدی استفاده می شود. با استفاده از قیمت سهام به عنوان ورودی و انواع مختلف سیگنال گرافیکی به عنوان خروجی ، یک شبکه های عصبی Feed-Forward Gaussian (GFNN) پیشنهاد و آموزش داده می شود تا انواع سیگنال گرافیکی سری زمانی سهام را شناسایی کند. آزمایش های متعدد انجام شده است و یافته های آزمایشی اعتبار و امکان سنجی روش پیشنهادی را نشان می دهد. به طور خلاصه ، سهم اصلی این مطالعه می تواند به شرح زیر باشد.

• • برای تشخیص الگوی یا جهت نوسانات قیمت سهام ، ما هشت سیگنال اصلی گرافیکی نمودار شمعدان قیمت سهام را خلاصه کرده ایم. ویژگی های هر سیگنال گرافیکی مورد تجزیه و تحلیل قرار گرفته و استراتژی های تجاری مربوطه برای هر سیگنال گرافیکی نمودار شمعدان نیز ارائه شده است.

• با استفاده از روابط داخلی قیمت های مختلف سهام ، یک مدل پیش بینی نورد مبتنی بر VAR برای پیش بینی قیمت سهام ارائه شده است. به خصوص ، با توجه به این قاعده که وزن در هنگام نزدیک شدن و کوچک بودن زیاد است ، استراتژی استفاده از آخرین نتایج پیش بینی همراه با جدیدترین مقدار برای ورودی مدل اتخاذ شده است.

• پس از جمع آوری داده های تاریخی و برچسب زدن سیگنال های گرافیکی ، ما داده های نمونه متخصص را برای تشخیص سیگنال های گرافیکی ایجاد کردیم. سپس ، یک مدل مبتنی بر GFNN برای شناسایی انواع سیگنال گرافیکی قیمت سهام پیشنهاد شده است و از این طریق به استراتژی مبادله بورس کمک می کند.

نوشتن باقیمانده به صورت تزئین شده است: بخش 2 مطالب مورد استفاده در این مقاله را معرفی می کند و از همه مهمتر در مورد روش ، از جمله آثار مرتبط و رویکرد پیشنهادی بحث می کند. بخش 3 به تجزیه و تحلیل آزمایشی اختصاص یافته است ، یک سری آزمایشات در این بخش اجرا می شود و اثرات آن ارزیابی می شود. بخش 4 این مقاله را با خلاصه ای به پایان می رساند و به جهت کار بیشتر اشاره می کند.

قطعه قطعه

مواد

داده های قیمت سهام عملی به عنوان مواد موجود در تحقیقات ما در مورد شناسایی سیگنال گرافیکی و تجزیه و تحلیل پیش بینی قیمت سهام استفاده می شود. با جستجوی داده های تاریخی ضبط های تجارت سهام از Finance Yahoo (https://fiance. yahoo. com) ، ما به طور تصادفی چندین سهام را به عنوان اشیاء تجزیه و تحلیل انتخاب کردیم. کد سهام 600728. SS برای PCI-Suntek و کد سهام TSCO. L در تشکیل دهنده شاخص FTSE-100 در تجزیه و تحلیل ما انتخاب شد. داده های 3 سال گذشته توسط

راه اندازی آزمایش

ما یک سری آزمایشات را برای تأیید اثربخشی روش پیشنهادی اجرا می کنیم. به جز برخی از الگوریتم های طبقه بندی که توسط نرم افزار Modeler اجرا شده اند ، الگوریتم های اولیه با استفاده از R و Pycharm (Python 3. 6) انجام می شوند ، جایی که کتابخانه های اغلب استفاده شده مانند Tensorflow و Scikit-Lea (https://scikit-lea. org/stable/))برای عملکرد الگوریتم استفاده می شود. محیط سخت افزار آزمایشی شامل Intel® Core ™ I7-8750 CPU @ 2. 20 گیگاهرتز ، حافظه 16 گیگابایتی و NVIDIA GeForce GTX 1060 است

نتیجه گیری

پیش بینی قیمت سهام و شناسایی سیگنال های گرافیکی برای استراتژی معاملات سهام بسیار مهم است. این می تواند به سرمایه گذاران کمک کند تا استراتژی های خرید یا فروش برای سود را با توجه به دانش قیمت های سهام پیش بینی شده و ویژگی های سیگنال گرافیکی شناسایی شده تعیین کنند. در این مطالعه، یک روش پیش بینی نورد مبتنی بر VAR برای پیش بینی قیمت سهام پیشنهاد شد و یک مدل شناسایی سیگنال گرافیکی مبتنی بر GFNN برای شناسایی کلاس های سیگنال گرافیکی معرفی شد.

بیانیه مشارکت نویسنده CRediT

Junde Chen: روش شناسی، نرم افزار، نوشتن پیش نویس اصلی. Yuxin Wen: کمک به بازبینی، تصحیح، نظارت. Y. A. ننه کاران: آزمایش ها، کمک به ویرایش مقاله اصلی، تصحیح، چک کردن انگلیسی. M. D. Suzauddola: بررسی داده ها، کمک به آزمایش ها و نتایج تجزیه و تحلیل شده. Weirong Chen: پشتیبانی پروژه، نرم افزار. Defu Zhang: ارائه پشتیبانی از پروژه، نظارت.

اعلامیه منافع رقابتی

نویسندگان اعلام می کنند که هیچ منافع مالی رقیب یا روابط شخصی شناخته شده ای ندارند که به نظر می رسد بر کار گزارش شده در این مقاله تأثیر بگذارد.