مجله IJRASET برای تحقیقات در علوم کاربردی و فناوری مهندسی

نظرسنجی در مورد سیستم پیش بینی قیمت سهام با استفاده از تکنیک های یادگیری ماشین

نویسندگان: آقای یاش کادام ، آقای سوجی کولکارنی ، آقای سویوگ لونسان ، پروفسور آنجالی اس. کنداگال

خلاصه

پیش بینی قیمت سهام یکی از مباحث تحقیق شده است و علاقه آکادمی و صنعت را به طور یکسان جمع می کند. در تجارت جهانی سهام یکی از مهمترین فعالیت ها است. پیش بینی بازار سهام یک عمل تلاش برای تعیین ارزش آینده سهام دیگر ابزار مالی است که در مبادله مالی معامله می شود. در این مقاله پیش بینی سهام با استفاده از یادگیری ماشین توضیح داده شده است. تجزیه و تحلیل فنی و اساسی یا سری زمانی توسط بیشتر کارگزاران سهام در حالی که پیش بینی های سهام را انجام می دهند ، استفاده می شود. از زبان برنامه نویسی برای پیش بینی بازار سهام با استفاده از یادگیری ماشین پایتون استفاده می شود. در این مقاله ما یک رویکرد یادگیری ماشین (ML) را پیشنهاد می کنیم که از داده های موجود در سهام موجود آموزش داده می شود و اطلاعاتی را به دست می آورد و سپس از دانش اکتسابی برای پیش بینی دقیق استفاده می کند. این مقاله به استفاده از رگرسیون خطی ، میانگین حرکت ، همسایگان K-Nearest ، Auto Arima ، پیامبر و تکنیک های یادگیری ماشین مبتنی بر LSTM برای پیش بینی مقادیر سهام متمرکز شده است. عوامل در نظر گرفته شده باز ، نزدیک ، کم ، زیاد و حجم هستند. مدل ها با استفاده از شاخص های استراتژیک استاندارد ارزیابی می شوند: RMSE و MAPE. مقادیر پایین این دو شاخص نشان می دهد که مدل ها در پیش بینی قیمت بسته شدن سهام کارآمد هستند. ما ارزیابی های جامعی را در مورد مدل های یادگیری ماشین که اغلب استفاده می شود انجام دادیم و نتیجه گرفتیم که راه حل پیشنهادی ما به دلیل مهندسی ویژگی جامع که ما ساخته ایم ، بهتر است. این سیستم برای پیش بینی قیمت بازار سهام به دقت کلی دست می یابد. این کار به جامعه تحقیقات تحلیل سهام هم در حوزه های مالی و فنی کمک می کند.

معرفی

مقدمه

الف - اطلاعات سهام

بازار سهام یک بازار عمومی است که در آن می توانید سهام شرکت های دارای فهرست عمومی را خریداری و بفروشید. سهام ، که به عنوان سهام نیز شناخته می شود ، نماینده مالکیت در شرکت است. بورس اوراق بهادار واسطه ای است که امکان خرید و فروش سهام را فراهم می کند. همه ما کلمه سهام را به یک روش یا دیگری شنیده ایم. به ویژه سهام با همکاران و شرکت هایی که تجاری شده اند و در دنیای بازاریابی مستقر هستند ، مرتبط است. کلمه دیگری که برای سهام استفاده می شود ، اشتراک است که به طور برجسته در زندگی روزمره استفاده می شود. افراد حتی به عنوان یک برنامه سرمایه گذاری است و این چیزی است که مردم به عنوان یک سرمایه گذاری بلند مدت می دانند که در سن بازنشستگی وجوه فراوانی را تأمین می کند و تأمین می کند.

منابع غیرقابل پیش بینی است ، بنابراین منابع و عواملی که برای خاموش کردن آن یا در مجموعه گرفته می شوند. هرگز در همان سطح نبوده و الگوی همان تا زمان هنوز غیرقابل پیش بینی است. برخی از روش های نزدیک بودن و پیش بینی به دست آمده و مقادیر تقریب یافته است و ارقام خشن به امید بهترین ها تولید می شود اما به همه منابع نمی توان اعتماد کرد و هنوز هم از نظر ماهیت غیرقابل پیش بینی است.

ب - پیش بینی بازار سهام

پیش بینی و تجزیه و تحلیل بازار سهام برخی از دشوارترین کار برای انجام است. دلایل بی شماری برای این امر وجود دارد ، از جمله نوسانات بازار و انواع متغیرهای وابسته و مستقل دیگر که بر ارزش یک سهام خاص در بازار تأثیر می گذارد. این متغیرها پیش بینی افزایش و سقوط بازار با دقت بسیار بسیار دشوار را برای هر متخصص بازار سهام بسیار دشوار می کند.

با این حال ، با معرفی یادگیری ماشین و الگوریتم های قوی آن ، جدیدترین تحقیقات بازار و پیش بینی بازار سهام در تجزیه و تحلیل داده های بازار سهام ، چنین رویکردهایی را شامل می شود.

هدف احتمالی پیش بینی بازار سهام می تواند قیمت سهام آینده یا نوسانات قیمت ها یا روند بازار باشد. در پیش بینی دو نوع مانند ساختگی و پیش بینی زمان واقعی وجود دارد که در سیستم پیش بینی بازار سهام استفاده می شود. در پیش بینی ساختگی ، آنها مجموعه ای از قوانین را تعریف کرده و قیمت آینده سهام را با محاسبه قیمت متوسط پیش بینی می کنند. در زمان واقعی پیش بینی اجباری از اینترنت استفاده شده و قیمت فعلی سهام شرکت را مشاهده کرده است.

ج - تجزیه و تحلیل سهام: تجزیه و تحلیل اساسی در مقابل تجزیه و تحلیل فنی

دو نوع برای تجزیه و تحلیل سهام که سرمایه گذاران قبل از سرمایه گذاری در سهام انجام می دهند وجود دارد ، ابتدا تجزیه و تحلیل اساسی است ، در این تجزیه و تحلیل سرمایه گذاران به ارزش ذاتی سهام و عملکرد صنعت ، اقتصاد ، آب و هوای سیاسی و غیره نگاه می کنند تا تصمیم بگیرند که آیاسرمایه گذاری یا نهاز طرف دیگر ، تجزیه و تحلیل فنی این تکامل سهام با استفاده از آمار حاصل از فعالیت بازار ، مانند قیمت های گذشته و حجم است.

پایه برای مقایسه

تجزیه و تحلیل اساسی روشی برای تجزیه و تحلیل اوراق بهادار با تعیین ارزش ذاتی سهام است.

تجزیه و تحلیل فنی روشی برای تعیین قیمت آینده سهام با استفاده از نمودارها برای شناسایی الگوهای و روندها است.

سرمایه گذاری بلند مدت

سرمایه گذاری های کوتاه مدت

برای شناسایی ارزش ذاتی سهام.

برای شناسایی زمان مناسب برای ورود یا خروج از بازار.

تصمیمات بر اساس اطلاعات موجود و آماری ارزیابی شده است.

تصمیمات براساس روند بازار و قیمت سهام است.

داده های گذشته و موجود.

گزارش های اقتصادی ، رویدادهای خبری و آمار صنعت.

پیش بینی شده بر اساس عملکرد گذشته و حال و سودآوری شرکت.

پیش بینی شده بر اساس نمودارها و شاخص ها.

معامله گر موقعیت بلند مدت.

معامله گر معامله گر و معامله گر کوتاه مدت.

جدول 1: تجزیه و تحلیل بنیادی در مقابل تحلیل فنی

پیشرفت های محاسباتی منجر به معرفی تکنیک های یادگیری ماشین برای سیستم های پیش بینی شده در بازارهای مالی شده است. در این مقاله ما از یک تکنیک یادگیری ماشین یعنی رگرسیون خطی ، میانگین حرکت ، همسایگان K-Nearest ، Auto Arima ، پیامبر و تکنیک های یادگیری ماشین مبتنی بر LSTM برای پیش بینی مقادیر سهام استفاده می کنیم و ما از زبان پایتون برای برنامه نویسی استفاده می کنیم.

ii. بررسی ادبیات

"آنچه افراد دیگر فکر می کنند" همیشه در طی تصمیم گیری ، اطلاعات مهم برای اکثر ما بوده است. اینترنت و وب اکنون (از جمله موارد دیگر) این امکان را داده اند که در مورد نظرات و تجربیات آن ها دریابیمدر استخر گسترده افرادی که نه آشنای شخصی ما و نه منتقدان حرفه ای مشهور هستند - یعنی افرادی که ما هرگز از آنها نشنیده ایم. و برعکس ، بیشتر و بیشتر افراد از طریق اینترنت نظرات خود را در دسترس غریبه ها قرار می دهند. کاربران انفرادی در نظرات آنلاین در مورد محصولات و خدمات نشان می دهند ، و تأثیر بالقوه ای از چنین نظرات ، چیزی است که برای این حوزه مورد علاقه نیروی محرکه است. نتایج مناسب از آنها را بدست آورید. در این بررسی ما روش اساسی را مورد تجزیه و تحلیل قرار دادیم که معمولاً در این فرآیند اتفاق می افتد و اقداماتی که برای غلبه بر چالش های پیش بینی شده انجام می شود.

الف) پیش بینی بازار سهام با استفاده از یادگیری ماشین

کار تحقیقاتی که توسط دانشجوی V Kranthi Sai Reddy ، ECM ، انستیتوی علوم و فناوری Sreenidhi ، حیدرآباد ، هند انجام شده است. در تجارت جهانی سهام یکی از مهمترین فعالیت ها است. پیش بینی بازار سهام یک عمل تلاش برای تعیین ارزش آینده سهام دیگر ابزار مالی است که در مبادله مالی معامله می شود. در این مقاله پیش بینی سهام با استفاده از یادگیری ماشین توضیح داده شده است. تجزیه و تحلیل فنی و اساسی یا سری زمانی توسط بیشتر کارگزاران سهام در حالی که پیش بینی های سهام را انجام می دهند ، استفاده می شود. از زبان برنامه نویسی برای پیش بینی بازار سهام با استفاده از یادگیری ماشین پایتون استفاده می شود. در این مقاله ما یک رویکرد یادگیری ماشین (ML) را پیشنهاد می کنیم که از داده های موجود در سهام موجود آموزش داده می شود و اطلاعاتی را به دست می آورد و سپس از دانش اکتسابی برای پیش بینی دقیق استفاده می کند. در این زمینه ، این مطالعه از یک تکنیک یادگیری ماشین به نام دستگاه بردار پشتیبانی (SVM) برای پیش بینی قیمت سهام برای سرمایه های بزرگ و کوچک و در سه بازار مختلف استفاده می کند و قیمت ها را با فرکانس های روزانه و به روز و هر دو دقیقه به کار می برد.

ب - پیش بینی شاخص بازار سهام با استفاده از تکنیک های هوش مصنوعی

کار پژوهشی که توسط لوفونو رونالد ماروالا انجام شده است ، پایان نامه ای که به دانشکده مهندسی و محیط ساخته شده ، دانشگاه ویتواترزاند ، یوهانسبورگ ، در تحقق الزامات مربوط به درجه کارشناسی ارشد علوم در مهندسی ارسال شده است. شکل ضعیف فرضیه بازار کارآمد (EMH) بیان می کند که پیش بینی قیمت آینده یک دارایی بر اساس اطلاعات موجود در قیمت های تاریخی یک دارایی غیرممکن است. این بدان معنی است که بازار به عنوان یک پیاده روی تصادفی رفتار می کند و در نتیجه باعث می شود پیش بینی غیرممکن شود. علاوه بر این ، پیش بینی مالی به دلیل پیچیدگی ذاتی سیستم مالی کار دشواری است. هدف از این کار استفاده از تکنیک های هوش مصنوعی (AI) برای الگوبرداری و پیش بینی قیمت آینده شاخص بازار سهام بود. سه روش هوش مصنوعی ، یعنی شبکه های عصبی (NN) ، ماشین های بردار پشتیبانی و سیستم های عصبی فازی با پیش بینی قیمت آینده شاخص بورس سهام بر اساس اطلاعات قیمت تاریخی آن اجرا می شوند. تکنیک های هوش مصنوعی توانایی در نظر گرفتن پیچیدگی های سیستم مالی را دارند و از آنها به عنوان ابزارهای پیش بینی سری زمانی استفاده می شود. از دو تکنیک برای محک زدن تکنیک های هوش مصنوعی ، یعنی میانگین متحرک خودکار (ARMA) که تکنیک مدل سازی خطی و تکنیک راه رفتن تصادفی (RW) است ، استفاده می شود. این آزمایش در داده های به دست آمده از بورس یوهانسبورگ انجام شد. داده های مورد استفاده مجموعه ای از قیمت های بسته شدن گذشته از شاخص All-Share بود. نتایج نشان داد که این سه تکنیک توانایی پیش بینی قیمت آینده شاخص را با دقت قابل قبول دارند. هر سه روش هوش مصنوعی از مدل خطی بهتر عمل کردند. با این حال ، روش پیاده روی تصادفی تمام تکنیک های دیگر را انجام داد. این تکنیک ها توانایی پیش بینی قیمت آینده را نشان می دهد ، اما به دلیل هزینه های معامله تجارت در بازار ، نمی توان نشان داد که این سه تکنیک می تواند شکل ضعیف راندمان بازار را رد کند. نتایج نشان می دهد که رتبه بندی عملکردهای وکتور پشتیبانی ، سیستم های عصبی-فازی ، شبکه های عصبی چند لایه Perceptron به اندازه گیری دقت مورد استفاده بستگی دارد.

ج - پیش بینی بازار سهام هند با استفاده از شبکه های عصبی مصنوعی در داده های کنه

کار تحقیقاتی که توسط Dharmaraja Selvamuthu ، Vineet Kumar و Abhishek Mishra گروه ریاضیات ، انستیتوی فناوری هند دهلی ، Hauz Khas ، دهلی نو 110016 ، هند انجام شده است. بورس سهام بستری برای تجارت سهام و مشتقات یک شرکت با قیمت توافق شده است. عرضه و تقاضای سهام بازار سهام را هدایت می کند. در هر کشور بورس یکی از بخش های نوظهور است. امروزه بسیاری از افراد به طور غیرمستقیم یا مستقیم با این بخش ارتباط دارند. بنابراین ، دانستن در مورد روند بازار ضروری است. بنابراین ، با توسعه بازار سهام ، مردم علاقه مند به پیش بینی قیمت سهام هستند. اما ، به دلیل ماهیت پویا و مسئولیت تغییرات سریع در قیمت سهام ، پیش بینی قیمت سهام به یک کار چالش برانگیز تبدیل می شود. سهام M قبلی روشهای مؤثر برای یادگیری بازنمایی های رویداد ارائه داده است که می تواند اطلاعات نحوی و معنایی را بر روی متن متن ضبط کند ، و اثربخشی آنها را برای کارهای پایین دست مانند پیش بینی رویداد اسکریپت نشان می دهد. از طرف دیگر ، وقایع استخراج شده از متون خام فاقد دانش عقل سلیم ، مانند اهداف و احساسات شرکت کنندگان در رویداد ، که برای تمایز جفت رویدادها مفید هستند وقتی که فقط تفاوت های ظریف در تحقق سطح آنها وجود دارد. برای پرداختن به این موضوع ، این مقاله پیشنهاد می کند دانش عقل عادی خارجی در مورد هدف و احساسات این رویداد را به کار گیرد.

آزمایش در سه کار مرتبط با رویداد ، یعنی شباهت رویداد ، پیش بینی رویداد اسکریپت و پیش بینی بازار سهام ، نشان می دهد که مدل ما تعبیه های رویداد بسیار بهتری را برای کارها بدست می آورد ، و به 78 ٪ پیشرفت در کار شباهت سخت می رسد ، و به استنتاج دقیق تر در متعاقب آن می دهدوقایع تحت زمینه های داده شده و دقت بهتری در پیش بینی نوسانات بورس سهام 1. بازارها بیشتر یک سیستم آشوب آور غیر پارامتری ، غیرخطی ، پر سر و صدا و قطعی هستند (Ahangar et al. 2010). با افزایش این فناوری ، معامله گران سهام به دنبال استفاده از سیستم های تجاری هوشمند به جای تجزیه و تحلیل اساسی برای پیش بینی قیمت سهام ، در حال حرکت هستند و این به آنها کمک می کند تا تصمیمات سرمایه گذاری فوری را بگیرند. یکی از اهداف اصلی یک معامله گر پیش بینی قیمت سهام به گونه ای است که می تواند قبل از کاهش ارزش آن ، آن را بفروشد یا قبل از افزایش قیمت سهام را خریداری کند. فرضیه بازار کارآمد آمده است که پیش بینی قیمت سهام امکان پذیر نیست و سهام در پیاده روی تصادفی رفتار می کند. به نظر می رسد جایگزینی حرفه ای یک معامله گر باتجربه برای پیش بینی قیمت سهام بسیار دشوار است. اما به دلیل در دسترس بودن مقدار قابل توجهی از داده ها و پیشرفت های فناوری ، اکنون می توانیم الگوریتم مناسبی را برای پیش بینی تدوین کنیم که نتایج آن می تواند سود را برای معامله گران یا شرکت های سرمایه گذاری افزایش دهد. بنابراین ، صحت یک الگوریتم به طور مستقیم متناسب با سود حاصل از الگوریتم است.

D. بورس و سرمایه گذاری

کار تحقیقاتی انجام شده توسط منه هه دوونگ بوریس سیلورستوف. بررسی رابطه بین قیمت سهام و سرمایه گذاری کل در کشورهای بزرگ اروپایی از جمله فرانسه ، آلمان ، ایتالیا ، هلند و انگلستان. افزایش ادغام بازارهای مالی اروپا احتمالاً منجر به همبستگی حتی قوی تر بین قیمت سهام در کشورهای مختلف اروپایی خواهد شد.

این فرایند همچنین می تواند منجر به همگرایی در توسعه اقتصادی در کشورهای اروپایی شود در صورتی که تحولات در بازارهای سهام بر مؤلفه های اقتصادی واقعی مانند سرمایه گذاری و مصرف تأثیر بگذارد. در واقع ، مدلهای اتورگرایی وکتور ما نشان می دهد که همبستگی مثبت بین تغییرات قیمت سهام و سرمایه گذاری به طور کلی قابل توجه است. از این رو ، مقامات پولی باید واکنشهای مربوط به قیمت سهم را به سیاست های پولی و تأثیرات آنها بر چرخه تجارت رصد کنند.

E. پیش بینی قیمت سهام خودکار با استفاده از یادگیری ماشین

کار تحقیقی توسط مریم موکلد وسیم الحاج محمد جابر، گروه علوم کامپیوتر دانشگاه آمریکایی بیروت انجام شده است. به طور سنتی و به منظور پیش بینی حرکت بازار، سرمایه گذاران علاوه بر اخبار مربوط به این سهام، به تجزیه و تحلیل قیمت سهام و شاخص های سهام نیز می پرداختند.

از این رو، اخبار مربوط به حرکت قیمت سهام اهمیت دارد. بیشتر کارهای قبلی در این صنعت بر طبقه بندی اخبار منتشر شده بازار به عنوان (مثبت، منفی، خنثی) و نشان دادن تأثیر آنها بر قیمت سهام متمرکز بود یا بر حرکت تاریخی قیمت متمرکز بود و حرکت آتی آنها را پیش بینی می کرد.

در این کار، ما یک سیستم معاملاتی خودکار را پیشنهاد می کنیم که توابع ریاضی، یادگیری ماشین و سایر عوامل خارجی مانند احساسات اخبار را با هدف دستیابی به دقت پیش بینی سهام بهتر و صدور معاملات سودآور یکپارچه می کند. به ویژه، هدف ما تعیین قیمت یا روند یک سهم خاص برای پایان روز آینده با در نظر گرفتن چند ساعت معاملاتی اول روز است.

برای رسیدن به این هدف، الگوریتم های یادگیری ماشین سنتی را آموزش دادیم و چندین مدل یادگیری عمیق را با در نظر گرفتن اهمیت اخبار مربوطه ایجاد/آموزش دادیم. آزمایش های مختلفی انجام شد که بالاترین دقت (91/82 درصد) با استفاده از SVM برای سهام شرکت اپل (AAPL) به دست آمد.

F. پیش بینی ضریب همبستگی قیمت سهام با مدل هیبریدی ARIMALSTM

کار تحقیقاتی انجام شده توسط هیونگ کیو چوی، گروه دانشجوی کارشناسی مدیریت بازرگانی دانشگاه کره سئول، کره. پیش بینی همبستگی قیمت دو دارایی برای دوره های زمانی آتی در بهینه سازی پرتفوی مهم است. ما از شبکه های عصبی بازگشتی LSTM (RNN) در پیش بینی ضریب همبستگی قیمت سهام دو سهم جداگانه استفاده می کنیم. RNN ها در درک وابستگی های زمانی صلاحیت دارند.

استفاده از سلول های LSTM خواص پیش بینی طولانی مدت آن را بیشتر افزایش می دهد. برای در نظر گرفتن خطی بودن و غیرخطی بودن در مدل، مدل ARIMA را نیز اتخاذ می کنیم. مدل ARIMA تمایلات خطی در داده ها را فیلتر می کند و مقدار باقیمانده را به مدل LSTM منتقل می کند.

مدل ترکیبی ARIMA-LSTM در برابر سایر مدل های مالی پیش بینی کننده سنتی مانند مدل کامل تاریخی، مدل همبستگی ثابت، مدل تک شاخصی و مدل چند گروهی آزمایش می شود.

در مطالعه تجربی ما، توانایی پیش بینی مدل ARIMA-LSTM نسبت به سایر مدل های مالی در مقیاس قابل توجهی برتر بود. کار ما نشان می دهد که ارزش آن را دارد که مدل ARIMALSTM برای پیش بینی ضریب همبستگی برای بهینه سازی پورتفولیو در نظر گرفته شود.

ز. پیش بینی حرکات جهتی قیمت سهام برای معاملات روزانه با استفاده از LSTM و جنگل های تصادفی

کار تحقیقاتی انجام شده توسط Pushpendu Ghosh، Ariel Neufeld، Jajati Keshari Sahoo Department of Computer Science & Information Systems، BITS Pilani K. K. پردیس بیرلا گوا، بخش علوم ریاضی هند، دانشگاه فنی نانیانگ، بخش ریاضیات سنگاپور، BITS Pilani K. K. پردیس بیرلا گوا، هند. ما از جنگل های تصادفی و شبکه های LSTM (دقیقاً CuDNNLSTM) به عنوان روش های آموزشی استفاده می کنیم تا اثربخشی آن ها را در پیش بینی حرکت های جهت دار خارج از نمونه سهام تشکیل دهنده S& P 500 از ژانویه 1993 تا دسامبر 2018 برای معاملات روزانه بررسی کنیم. ما یک تنظیم چند ویژگی را معرفی می کنیم که نه تنها از بازده با توجه به قیمت های بسته شدن، بلکه با توجه به قیمت های افتتاحیه و بازده روزانه تشکیل شده است. به عنوان استراتژی تجاری، ما از Krauss و همکاران استفاده می کنیم.(2017) و Fischer & Krauss (2018) به عنوان معیار و در هر روز معاملاتی، 10 سهم با بالاترین احتمال را بخرید و 10 سهم با کمترین احتمال را برای عملکرد بهتر از بازار از نظر بازده روزانه به فروش برسانید - همگی با یکسان. وزن پولینتایج تجربی ما نشان می دهد که تنظیم چند ویژگی بازده روزانه، قبل از هزینه های تراکنش، 0. 64% با استفاده از شبکه های LSTM و 0. 54% با استفاده از جنگل های تصادفی را فراهم می کند. از این رو، ما از تنظیمات تک ویژگی در Fischer & Krauss (2018) و Krauss et al.(2017) که فقط شامل بازده روزانه با توجه به قیمت های بسته شدن است، با بازده روزانه متناظر 0. 41٪ و 0. 39٪ با توجه به LSTM و جنگل های تصادفی، به ترتیب. 1 کلمات کلیدی: جنگل تصادفی، LSTM، پیش بینی، آربیتراژ آماری، یادگیری ماشین، تجارت روزانه.

III. بیان مسأله

بازار سهام هر روز در اخبار ظاهر می شود. شما در مورد آن می شنوید هر بار که به یک سطح جدید یا پایین جدید می رسد. اگر یک الگوریتم کارآمد برای پیش بینی قیمت کوتاه مدت یک سهام فردی می تواند نرخ سرمایه گذاری و فرصت های شغلی در بورس را افزایش دهد. روشهای قبلی پیش بینی سهام شامل استفاده از شبکه های عصبی مصنوعی و شبکه های عصبی Convolution است که به طور متوسط 20 ٪ از بین می رود. در این پروژه خواهیم دید که آیا امکان ابداع یک مدل با استفاده از شبکه عصبی مکرر وجود دارد که قیمت سهام را با درصد کمتر خطا پیش بینی می کند. و اگر جواب مثبت شود ، ما نیز خواهیم دید که این مدل چقدر قابل اعتماد و کارآمد خواهد بود.

الف - هدف و اهداف

1. برای تعیین ارزش آینده سهام شرکت یا سایر ابزار مالی که در مبادله معامله می شود.
2. در بازار رقابتی فعلی در حال ظهور ، پیش بینی بازده سهام و همچنین وضعیت مالی شرکت از قبل مزایای بیشتری را برای سرمایه گذاران به منظور سرمایه گذاری با اطمینان فراهم می کند.
3. پیش بینی و پیش بینی روند بازار.
4. برای کمک به سرمایه گذاران برای درک اینکه چه زمانی و چه سهام می توانند برای رشد سرمایه گذاری خود خریداری کنند.

ب. بیانیه دامنه

پیش بینی بازار سهام عمل تلاش برای تعیین ارزش آینده سهام شرکت یا سایر ابزار مالی که در مبادله معامله می شود. پیش بینی موفقیت آمیز قیمت آینده سهام می تواند سود قابل توجهی داشته باشد. این پروژه نیاز به بررسی روند در بورس سهام و عوامل مؤثر بر قیمت سهام دارد. این پروژه با هدف پیش بینی بازار سهام با استفاده از اخبار مالی ، نظرات تحلیلگر و نقل قول ها به منظور بهبود کیفیت تولید انجام شده است. این یک روش جدید برای پیش بینی قیمت بسته شدن بورس سهام ارائه می دهد.

ج - زمینه نرم افزار

برای توسعه الگوریتم ها ، به Python 3. 5 در Google Colab نیاز داریم. از آن برای پیش پردازش داده ها ، آموزش مدل و پیش بینی استفاده می شود.

D. محدودیت های اصلی

به طور کلی ، پیش بینی قیمت سهام نسبتاً ساده تر از پیش بینی قیمت سهام است که بسیار دشوارتر است. برای پیش بینی ، مدل باید چندین ورودی داشته باشد. این می تواند شامل رویدادهای مهم سیاسی و اقتصادی و ارزیابی تأثیر آنها بر قیمت سهام باشد. همچنین ، جنبه هایی که برای ضبط سخت است ، مانند روحیه بازار ، روانشناسی و ذهنیت گله ، باید به مدل اندازه گیری و تغذیه شوند. اگر کاربر بتواند این کار را انجام دهد ، مطمئناً مدل می تواند قیمت سهام را پیش بینی کند. دلیل این امر این است که حتی وقتی مؤلفه های درگیر برای پیش بینی موفقیت آمیز ارزش سهام از جسمی تا روانی ، ناشی از انگیزه های انسانی که اغلب می توانند غیر منطقی باشند ، وجود دارد ، هنوز هم الگویی وجود دارد که مدل یادگیری ماشین می تواند ضبط کند. آنچه باید درک شود این است که نوسانات موجود در بازار به این دلیل است که قیمت سهام فقط تحت تأثیر انسان است (این یک بازار است ، به هر حال) ، و انسان ها غالباً غیرقابل پیش بینی و غیرمنطقی هستند. با این وجود ، غیرقابل پیش بینی و غیر منطقی بودن آنها نیز الگویی دارد که یک مدل یادگیری ماشین می تواند ضبط کند. فرض کنید رئیس جمهور این کشور که در آن سهام معامله می شود ، بازار رایگان است و انتخابات را از دست می دهد. در این حالت ، مردم می توانند سهام و فروش سهام را که منجر به افت ناگهانی قیمت می شود ، هراس کرده و بفروشند ، در حالی که اگر رئیس جمهور ضد سرمایه داری دیگری از دست بدهد ، بازار متضاد واکنش نشان می دهد و قیمت سهام می تواند افزایش یابد.

E. روش شناسی حل مسئله و مسائل کارآیی

معماری سطح بالا محلول پیشنهادی ما می تواند به سه بخش از هم جدا شود. اولین بخش انتخاب ویژگی است ، برای تضمین ویژگی های انتخاب شده بسیار مؤثر است. دوم ، ما به داده ها نگاه می کنیم و کاهش بعد را انجام می دهیم. و قسمت آخر ، که نقش اصلی کار ما است ، ساخت یک مدل پیش بینی سهام هدف است.

IVروش شناسی پیشنهادی

سهام از نظر ماهیت غیرقابل پیش بینی و لیبرال است. دنبال کردن همین موضوع از نظر طبیعت چشمگیر و تمایلی ندارد. پیدا کردن پیش بینی و نزدیکترین رسیدن به بهترین هدف برای همین است. برآورد دقیق و دقیق همان یکسان هرگز ممکن نیست. محدودیت های مختلفی وجود دارد که قیمت گذاری و نرخ سهام را درون آن قرار می دهد. این محدودیت ها قبل از پرش به نتیجه گیری و گزارش مشتق باید مورد توجه قرار بگیرند.

در اینجا همانطور که در شکل بالا توضیح داده شده است ، سیستم پیشنهادی دارای ورودی از مجموعه داده است که در زیر آن استخراج می شود و در زیر آن طبقه بندی می شود. تکنیک طبقه بندی مورد استفاده تحت نظارت است و تکنیک های مختلف الگوریتم های سطح دستگاه به همین ترتیب اجرا می شود. مجموعه داده های آموزشی برای آموزش دستگاه ایجاد می شود و موارد آزمون برای انجام تجسم و توطئه ها به دست می آید و اجرا می شود. نتیجه تولید شده به شکل گرافیکی منتقل و تجسم می شود.

A. میانگین حرکت

"متوسط" به راحتی یکی از رایج ترین مواردی است که در زندگی روزانه خود استفاده می کنیم. به عنوان مثال ، محاسبه میانگین نمرات برای تعیین عملکرد کلی یا پیدا کردن میانگین دمای چند روز گذشته برای دریافت ایده در مورد دمای امروز - اینها همه کارهای روزمره ای هستند که به طور مرتب انجام می دهیم. بنابراین ، این یک نقطه شروع خوبی برای استفاده در مجموعه داده های ما برای پیش بینی است.

قیمت بسته شدن پیش بینی شده برای هر روز میانگین مجموعه ای از مقادیر قبلاً مشاهده شده خواهد بود. به جای استفاده از میانگین ساده ، ما از تکنیک متوسط در حال حرکت استفاده خواهیم کرد که از آخرین مجموعه مقادیر برای هر پیش بینی استفاده می کند. به عبارت دیگر ، برای هر مرحله بعدی ، مقادیر پیش بینی شده ضمن حذف قدیمی ترین مقدار مشاهده شده از مجموعه ، مورد توجه قرار می گیرند.

ب - رگرسیون خطی

اساسی ترین الگوریتم یادگیری ماشین که می تواند روی این داده ها پیاده سازی شود ، رگرسیون خطی است. مدل رگرسیون خطی معادله ای را برمی گرداند که رابطه بین متغیرهای مستقل و متغیر وابسته را تعیین می کند.

معادله رگرسیون خطی را می توان به صورت:

ج. همسایگان K-Nearest

یکی دیگر از الگوریتم های جالب ML که می توانید در اینجا استفاده کنید KNN (K نزدیکترین همسایگان) است. بر اساس متغیرهای مستقل ، KNN شباهت بین نقاط داده جدید و نقاط داده قدیمی را پیدا می کند.

Arima یک روش آماری بسیار محبوب برای پیش بینی سری زمانی است. مدل های ARIMA مقادیر گذشته را برای پیش بینی مقادیر آینده در نظر می گیرند. سه پارامتر مهم در آریما وجود دارد:

1. P (مقادیر گذشته مورد استفاده برای پیش بینی مقدار بعدی)
2. س (خطاهای پیش بینی گذشته برای پیش بینی مقادیر آینده استفاده می شود)
3. D (ترتیب تفاوت)

تنظیم پارامتر برای Arima زمان زیادی را مصرف می کند. بنابراین ، ما از Auto Arima استفاده خواهیم کرد که به طور خودکار بهترین ترکیب (P ، Q ، D) را انتخاب می کند که کمترین خطا را ایجاد می کند.

تعدادی از تکنیک های سری زمانی وجود دارد که می توانند در مجموعه داده های پیش بینی سهام اجرا شوند ، اما بیشتر این تکنیک ها قبل از قرار دادن مدل به پیش پردازش داده های زیادی نیاز دارند. پیامبر ، که توسط فیس بوک طراحی و پیشگام شده است ، یک کتابخانه پیش بینی سری زمانی است که نیازی به پردازش داده ای ندارد و اجرای آن بسیار ساده است. ورودی برای پیامبر یک قاب داده با دو ستون است: تاریخ و هدف (DS و Y).

F. حافظه کوتاه مدت بلند (LSTM)

LSTM ها به طور گسترده ای برای مشکلات پیش بینی توالی استفاده می شوند و ثابت شده اند که بسیار مؤثر هستند. دلیل این که آنها خیلی خوب کار می کنند این است که LSTM قادر به ذخیره اطلاعات گذشته است که مهم است و اطلاعات موجود را فراموش نمی کند. LSTM دارای سه دروازه است:

1. دروازه ورودی: دروازه ورودی اطلاعات را به حالت سلول اضافه می کند.
2. The Forge Gate: اطلاعاتی را که دیگر توسط مدل مورد نیاز نیست ، حذف می کند.
3. دروازه خروجی: دروازه خروجی در LSTM اطلاعاتی را که به عنوان خروجی نشان داده می شود انتخاب می کند.

V. هدف پروژه

پیش بینی بازار سهام یک نرم افزار سیستم پیش بینی است که ریسکی را که در طول سرمایه گذاری در بازار سهام انجام می شود ، روشن می کند. این پیش بینی نرخ سهام و نرخ مبادله آن را با تأیید درک اساسی و تجزیه و تحلیل آماری در مقابل کاربران پیش بینی می کند. موضوع اصلی پروژه پیش بینی منحنی های چرخش و ارائه روش پیش بینی و انجام روند و الگوریتم ها برای نتیجه گیری به یک منبع منبع مناسب است. این پروژه به پل زدن منابع و توانمندسازی مردم برای شناخت و تجارت بیشتر از سهام و درک نسل و آسیب پذیری هایی که باید دیده و پیش بینی می شود کمک می کند. تقویت همین کار با نمودار منابع انجام می شود که باعث می شود کاربر یا مشتری بتوانند همان را تجزیه و تحلیل کنند و نیازها و جزئیات مهم را قبل از معامله در نظر بگیرند و آن موارد را برای عملکردی که شخص مایل به سرمایه گذاری است در نظر بگیرید. پیش بینی پیش بینی سهام برای هفته آینده انجام می شود. پیش بینی بودن خود یک چالش است و این هدف اصلی پروژه است.

viنتیجه

viiپیشرفت آینده

بازار بورس بهترین جایگزین برای رشد کسب و کار است و یک درآمد جانبی برای افرادی است که آماده سرمایه گذاری و کسب درآمد از آن هستند. اصطلاح سهام از آن زمان مطرح بود و هر روز به صورت عمده در حال رشد است. هزاران سرمایه گذار روی همین سرمایه گذاری می کنند و از آن ثروت به دست می آورند. پروژه را می توان برای به دست آوردن اثربخشی پیش بینی با پیاده سازی های اضافه محتوا که می تواند شامل سناریوی بلادرنگ و نحوه اجرا و پردازش سناریوی بلادرنگ باشد، ادامه داد. محدودیت های مختلفی باید اضافه شود و عملکرد آن می تواند در آینده برای نتایج مؤثر آسیله شود. شکل مورد انتظار نمایشگر نمودار است در حالی که از همان شکل ظاهر و تنظیمات بیشتر نمایشگر را می توان ادغام کرد و یک نمودار دایره ای و یک نمودار سفارشی را می توان بیشتر بر روی آن پیاده سازی کرد.

هشتم. تصدیق

از استاد خانم ع. س. Khandagale، راهنمای پروژه ما، به دلیل راهنمایی بیماران، تشویق مشتاقانه و انتقادات مفید از این کار تحقیقاتی.

همچنین از خانم V. R. پالاندورکار، برای مشاوره و کمک او در حفظ پیشرفت ما در برنامه.

همچنین می خواهم از تکنسین های آزمایشگاه گروه فناوری اطلاعات برای کمک به من در ارائه منابع در اجرای برنامه تشکر کنم.

در پایان، مایلم از والدینم برای حمایت و تشویق آنها در طول تحصیل تشکر کنم.

نتیجه

بازار بورس بهترین جایگزین برای رشد کسب و کار است و یک درآمد جانبی برای افرادی است که آماده سرمایه گذاری و کسب درآمد از آن هستند. اصطلاح سهام از آن زمان مطرح بود و هر روز به صورت عمده در حال رشد است. هزاران سرمایه گذار روی همین سرمایه گذاری می کنند و از آن ثروت به دست می آورند. پروژه را می توان برای به دست آوردن اثربخشی پیش بینی با پیاده سازی های اضافه محتوا که می تواند شامل سناریوی بلادرنگ و نحوه اجرا و پردازش سناریوی بلادرنگ باشد، ادامه داد. محدودیت های مختلفی باید اضافه شود و عملکرد آن می تواند در آینده برای نتایج مؤثر آسیله شود. شکل مورد انتظار نمایشگر نمودار است در حالی که از همان شکل ظاهر و تنظیمات بیشتر نمایشگر را می توان ادغام کرد و یک نمودار دایره ای و یک نمودار سفارشی را می توان بیشتر بر روی آن پیاده سازی کرد.

منابع

[1] N. Babu و B. E. Reddy ، "پیش بینی سهام هند انتخاب شده با استفاده از یک مدل ترکیبی Arima-Garch" ، 2014 Int. کنفرانسمشاورالکترونرایانه. ارتباطICAECC 2014 ، 2015. [2] M. D. Shubhrata ، D. Kaveri ، T. Pranit ، and S. Bhavana ، "پیش بینی و تجزیه و تحلیل بازار سهام با استفاده از Bayes Laïve" ، Int. J. نوآوری اخیر.comput Trends.commun. ، جلد. 4 ، No. 11 ، صص 121 124 ، 2016. [3] X. Ding ، Y. Zhang ، T. Liu ، and J. Duan ، "یادگیری عمیق برای پیش بینی سهام محور رویداد" ، شماره. IJCAI ، صص 2327 2333 ، 2015. [4] K. A. Smith and J. N. D. Gupta ، "شبکه های عصبی در تجارت: تکنیک ها و برنامه های کاربردی برای محقق عملیات ،" Comput. عملRes. ، جلد. 27 ، نه. 11 12 ، صص 1023-1044 ، 2000. [5] M. S. Babu ، N. Geethanjali و P. B. Satyanarayana ، "رویکرد خوشه بندی برای پیش بینی بازار سهام" ، جلد. 1291 ، صص 1281 - 1291 ، 2012. [6] A. A ، Adebiyi ، A. K ، Charles ، A. O ، Marion و O. O ، یکشنبه ، "پیش بینی قیمت سهام با استفاده از شبکه عصبی با شاخص های بازار هیبریداسیون ،"J. Emerg.comput Trends. inf. Sci. ، Vol. 3 ، نه. 1 ، صص 1-9 ، 2012. [7] S. Kayode ، "پیش بینی روند سهام با استفاده از تجزیه و تحلیل رگرسیون - یک رویکرد داده کاوی ،" Arpn J. Syst. نرم افزار ، جلد. 1 ، نه. 4 ، صص 154-157 ، 2011. [8] A. Sharma ، D. Bhuriya ، and U. Singh ، "بررسی پیش بینی بازار سهام با استفاده از رویکرد یادگیری ماشین" ، صص 506-509 ، 2017. [9] H. L. Siew and M. J. Nordin ، "تکنیک های رگرسیون برای پیش بینی روند قیمت سهام" ، ICSSBE 2012 - Processings ، 2012 Int. کنفرانسآمارعلمیاتوبوس. مهندس "توانمندسازی تصمیم گیری. Mak. با آمار. Sci. ، صص 99-103 ، 2012. [10] B. Sivakumar and K. Srilatha ،" یک روش جدید برای تقسیم رگ های خونی و دیسک نوری در تصاویر شبکیه Fundus ، "Res. J. Pharm. Biol. Chem. Sci. ، Vol. 7 ، No. 3 ، pp. 365-373 ، 2016. [11] M. P. Mali ، H. Karchalkar ، A. Jain ، A. Singh ، and V. کومار ، "پیش بینی قیمت باز بازار سهام با استفاده از تجزیه و تحلیل رگرسیون" ، Ijarcce ، جلد 6 ، شماره 5 ، صص 418-421 ، 2017. [12] L. Khaidem ، S. Saha ، and S. R. Dey ، "پیش بینیجهت قیمت بازار سهام با استفاده از جنگل تصادفی ، "جلد 0 ، شماره 0 ، صص 1 - 20 ، 2016. [13] T. Manojlovi؟ و I. štajduhar ،" پیش بینی روند بازار سهام با استفاده از جنگل های تصادفی: نمونه ای ازبورس اوراق بهادار Zagreb ، "38th Int. Conv. Inf.commun. Technol. Electron. Microelectron. Mipro 2015 ، شماره مه ، صص 1189-1193 ، 2015. [14] S. B. Imandoust و M. Bolandraftar ،" پیش بینی جهت جهت گیریحرکت شاخص بورس سهام با استفاده از سه روش داده کاوی: مورد بورس اوراق بهادار تهران ، "Int. J. Eng. Res. Appl. ، Vol. 4 ، نه. 6 ، صص 106 117 ، 2014.

کپی رایت

کپی رایت © 2022 آقای یاش کادام ، آقای سوجی کولکارنی ، آقای سویوگ لونسان ، پروفسور آنجالی س. Khandagale. این یک مقاله دسترسی آزاد است که تحت 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 کار اصلی به درستی ذکر شود.