با توسعه اینترنت ، اطلاعات مربوط به بازار سهام به تدریج شفاف شده است و اطلاعات سهام به راحتی قابل دستیابی است. برای سرمایه گذاران ، عملکرد سرمایه گذاری به میزان سرمایه و استراتژی های تجاری مؤثر بستگی دارد. ابزار تجزیه و تحلیل که معمولاً توسط سرمایه گذاران و تحلیلگران اوراق بهادار استفاده می شود ، تجزیه و تحلیل فنی (TA) است. تجزیه و تحلیل فنی مطالعه اطلاعات بازار مالی گذشته و فعلی است و مقدار زیادی از داده های آماری برای پیش بینی روند قیمت و تعیین استراتژی های معاملاتی استفاده می شود. شاخص های فنی (TIS) نوعی تجزیه و تحلیل فنی است که به طور خلاصه روند احتمالی آینده قیمت سهام را بر اساس داده های آماری تاریخی برای کمک به سرمایه گذاران در تصمیم گیری خلاصه می کند. روند قیمت سهام یک داده های سری زمانی معمولی با ویژگی های ویژه مانند روند ، فصلی و تناوبی است. در سالهای اخیر ، شبکه های عصبی عمیق سری (DNN) عملکرد قدرتمند خود را در زمینه های ترجمه ماشین ، پردازش گفتار و زمینه های پردازش زبان طبیعی نشان داده اند. این تحقیق مفهوم BILSTM مبتنی بر توجه (ATTBILSTM) را برای طراحی استراتژی تجارت استفاده می کند و اثربخشی انواع TIS ، از جمله نوسان ساز تصادفی ، RSI ، BIAS ، W ٪ R و MACD را تأیید می کند. این تحقیق همچنین دو استراتژی معاملاتی مناسب برای DNN ، ترکیب با TIS و تأیید اثربخشی آنها را ارائه می دهد. سهم اصلی این تحقیق به شرح زیر است: (1) به عنوان بهترین دانش ما ، این اولین تحقیق برای پیشنهاد مفهوم استفاده از TIS در مدل سری زمانی با توجه به LSTM برای پیش بینی قیمت سهام است.(2) این مطالعه پنج TI مشهور را معرفی می کند ، که در دقت پیش بینی روند سهام به حداکثر 68. 83 ٪ رسیده است.(3) این تحقیق مفهوم صادرات احتمال مدل عمیق را به استراتژی تجارت معرفی می کند. در قسمت پشتی TPE0050 ، نتایج تجربی به بالاترین بازده سرمایه گذاری 42. 74 ٪ رسید.(4) این تحقیق از دیدگاه تجربی نتیجه می گیرد که تجزیه و تحلیل فنی همراه با شبکه عصبی عمیق سری زمانی دارای تأثیرات قابل توجهی در پیش بینی قیمت سهام و بازده سرمایه گذاری است.
روی نسخه خطی کار می کنید؟
مقدمه
در بازار سهام ، سرمایه گذاران مختلف نظرات مختلفی در مورد پیش بینی قیمت سهام دارند. Cootner [1] معتقد است که در بازار کارآمد ، قیمت سهام تمام اطلاعات عمومی را در هر زمان منعکس کرده است. بنابراین ، قیمت سهام غیرقابل پیش بینی است. برخی از محققان [2] معتقدند که بهترین استراتژی برای سرمایه گذاری سهام خرید و نگهداری برای مدت طولانی برای کسب درآمد سود سهام است. روشهای تجزیه و تحلیل کالاهای مالی را می توان به تجزیه و تحلیل اساسی و تجزیه و تحلیل فنی تقسیم کرد [3 ، 4]. استدلال اولی این است که ارزش محصولات مالی توسط محیط کلی اقتصادی ، محیط صنعتی که متعلق به آن است ، و شرکت های انفرادی و عملکرد عملیاتی تعیین می شود. از طرف دیگر ، اطلاعات زیادی در بازار سهام برای استفاده و مراجعه به سرمایه گذاران وجود دارد ، از جمله تغییرات روزانه سهام ، حجم معاملات ، نوسانات قیمت سهام ، تغییر در تراشه ها ، هزینه های متوسط ، معاملات حاشیه و غیره. با ارزش مرجع جمع شده و مورد تجزیه و تحلیل قرار گرفته و توسط فرمولهای خاص داده های خاص ، به اصطلاح شاخص های فنی (TIS) بیان شده است [5]. شاخص های فنی برای ساده کردن اطلاعات بازار و تأمل در مقادیر یا نمودارهای سرمایه گذاران برای مراجعه و تدوین استراتژی های معاملاتی کافی هستند.
در سالهای اخیر ، شبکه عصبی عمیق [6] و الگوریتم های مختلف یادگیری عمیق در مسابقات اصلی به رسمیت شناختن الگوی و یادگیری ماشین درخشیدند. توسعه شدید شبکه های عصبی عمیق نه تنها زمینه جدیدی از تحقیقات یادگیری ماشین را ایجاد کرده است ، بلکه برنامه های مختلف آن به تدریج در زندگی افراد ظاهر شده است ، مانند تشخیص گفتار ، تشخیص احساسات ، پردازش زبان طبیعی و تشخیص تصویر [7،8 ،9،10،11،12]. در زمینه یادگیری عمیق ، شبکه عصبی مکرر (RNN) [13] ، حافظه کوتاه مدت کوتاه (LSTM) [14] و مکانیسم توجه [15 ، 16] در پردازش داده های سری زمانی مانند زبان طبیعی خوب هستندپردازش ، ترجمه ماشین ، تشخیص گفتار و پیش بینی شاخص مالی [17،18،19].
استفاده از شبکه های عصبی سری زمانی در روند کالاهای مالی و پیش بینی قیمت به تدریج به اخیراً به روند اصلی فناوری مالی (FinTech) تبدیل شده است [20]. نلسون و همکاران.[21] برای اولین بار مفهوم استفاده از شبکه های عصبی LSTM را برای پیش بینی روند آینده سهام پیشنهاد داد. برچسب مدل یک طبقه بندی باینری است: در مقایسه با قیمت بسته شدن روز گذشته ، بالا یا پایین. هدف آزمایش توسط چهار سهام از بورس اوراق بهادار برزیل انتخاب شد و نتیجه آن حداکثر دقت پیش بینی 55. 9 ٪ بود.
چن و همکاران.[22] یک روش RNN-Boost را پیشنهاد کرد و از تخصیص Dirichlet نهان (LDA) برای انتخاب ویژگی های داده استفاده کرد. این مدل به پیش بینی شاخص شاخص سهام شانگهای شنگن 300 (HS300) استفاده شد. نتایج نشان می دهد که مدل سری زمانی بهتر از سایر روشهای سنتی است ، مانند رویکرد مبتنی بر رگرسیون بردار پشتیبانی (SVR) [23].
لی و همکاران.[24] برای اولین بار مدل پیش بینی MI-LSTM (چند ورودی) را بر اساس مکانیسم توجه ارائه داد. در مدل پیشنهادی ، لایه توجه توسط یک لایه LSTM دنبال می شود و نتایج پیش بینی از طریق SoftMax به دست می آید. هدف آزمایشی شانگهای شانگهای-شنگن CSI 300 شاخص جامع است و نتایج نشان می دهد که مدل دنباله با مکانیسم توجه بهتر از مدلهای توالی عمومی است.
لی و همکاران.[25] زمینه های تصادفی مارکوف را با یک مدل RNN چند وظیفه ای پیشنهاد کرد و آن را برای پیش بینی حرکت قیمت سهام اعمال کرد. این مدل به 67. 97 ، 66. 80 و 68. 95 ٪ دقت پیش بینی در شاخص اوراق بهادار چین (CSI) 200/300/500 رسید.
Livieris و همکاران.[26] یک مدل مبتنی بر CNN-LSTM را برای پیش بینی روند بین المللی قیمت طلا پیشنهاد کرد. در مدل پیشنهادی آنها ، دنباله ورودی ابتدا به یک عملیات حلقوی 32 × 64 تبدیل می شود و سپس به دنباله LSTM وارد می شود تا نتیجه پیش بینی نهایی را بدست آورد. نتایج تجربی کمی بهتر از روش هسته SVR است.
هو [27] مفهوم استفاده از تجزیه کامل حالت تجربی را برای حذف سر و صدا ، اخبار نفتی وزنی و اخبار مالی با TF-IDF به عنوان ویژگی های ورودی ، همراه با LISTM برای پیش بینی قیمت نفت ، پیشنهاد کرد. نتایج تجربی نشان می دهد که روش پیشنهادی به طور قابل توجهی بهتر از SVR ، Adaboost ، جنگل تصادفی و سایر روش ها در ارزیابی RMSE است.
بر اساس ادبیات فوق ، بیشتر مطالعات بحث های عمیق در مورد استفاده از شاخص های فنی در شبکه های عمیق متوالی انجام نداده اند. در تحقیقات قبلی ما [28] ، ما به بررسی اثربخشی و عملی بودن شاخص های فنی مختلف تجزیه و تحلیل مالی در شبکه های یادگیری عمیق سری. در تجارت کالاهای مالی ، تجزیه و تحلیل و بحث در مورد قیمت ها در سطوح مختلف مانند تجزیه و تحلیل اساسی ، فنی و تراشه معمول است. تجزیه و تحلیل فنی بیشترین استناد به عنوان ابزار اصلی برای انتخاب سهام هوشمند توسط نرم افزار مختلف تجارت است. این تحقیق امکان استفاده از تجزیه و تحلیل فنی به عنوان انتخاب ویژگی شبکه های عمیق را بررسی می کند. این مطالعه روشهای انتخاب ویژگی را برای شاخص های فنی معروف ، مانند 9 K-9D ، 16 K-16D ، RSI ، MACD و Williams ٪ R طراحی کرده و آن را با LSTM چهار لایه اندازه گیری می کند. سهم اصلی [28] تعریف منظم شاخص های فنی اصلی اعمال شده برای شبکه های عصبی متوالی است.
با توجه به ادبیات فوق ، تحقیقات مرتبط اخیر در مورد یادگیری عمیق که برای FinTech اعمال می شود ، عمدتاً بر پیش بینی ظهور و سقوط محصولات مالی و طراحی مدل متمرکز است. تحقیقات در مورد معرفی TA ها به مدل های DNN بسیار نادر است. بحث عمیق بعدی در مورد تحقیقات استراتژی تجارت حتی بیشتر نیست. در حال حاضر ، تحقیق در مورد شاخص های فنی مالی و یادگیری عمیق دو جهت تحقیق مستقل است. نحوه ترکیب مؤثر دو زمینه تحقیقاتی و استفاده از آنها در طراحی استراتژی های معاملاتی و حتی تجارت خودکار بر اساس یادگیری عمیق ، یک چالش بزرگ در سطح کاربرد عملی است. این تحقیق یک شبکه عصبی BILSTM مبتنی بر توجه را همراه با استراتژی تجارت ارائه می دهد. در این مطالعه ما عملکرد TIS به طور گسترده استفاده شده ، از جمله KD ، RSI ، BIAS ، MACD و WILLIAMS ٪ R را در شبکه عصبی سری زمانی تجزیه و تحلیل می کنیم. این تحقیق همچنین اثربخشی استفاده از شبکه های عصبی سری زمانی برای ساخت استراتژی های تجارت کالاهای مالی را نشان می دهد. باقیمانده این مقاله به شرح زیر است: فرقه. 2 بررسی ادبیات و تکنیک ها است. فرقه3 روش این تحقیق است. فرقه4 طراحی آزمایشی ، نتایج و بحث و گفتگو است و بخش آخر نتیجه گیری و کار آینده است.
تکنیک های مرتبط و بررسی ادبیات
یادگیری ماشین و یادگیری عمیق
یادگیری ماشین شاخه اصلی هوش مصنوعی (AI) است. هوش مصنوعی به طور کلی به استدلال ، القاء و دانش به دست آمده از طریق برنامه ها اشاره دارد. یادگیری ماشین قوانین ریاضی و به معنای تحقق هوش مصنوعی است [29 ، 30].
یادگیری ماشین و یادگیری عمیق پس از توسعه Alphago توسط DeepMind (به دست آمده توسط Google در سال 2014) به طور گسترده ای برای عموم شناخته شده است (31]. در سال 2018 ، "جایزه تورینگ" به دانشمندان مشهور یادگیری عمیق اهدا شد ، که یادگیری ماشین/یادگیری عمیق را به اوج در یک فروپاشی فرو برد و یک نقطه عطف بسیار مهم در تاریخ به جا گذاشت [32]. فن آوری های یادگیری عمیق در سالهای اخیر به طور گسترده در زمینه های مختلف مورد استفاده قرار گرفته است ، مانند سیستم های رانندگی خودمختار [33] ، سیستم های تشخیص صدا [34 ، 35] ، Aiot [36 ، 37] ، تشخیص چهره [38] ، خانه هوشمند و مارت سیتی[39،40،41،42] ، پردیس هوشمند [43 ، 44] ، ترجمه ماشین [45،46،47] ، پردازش و بازیابی تصویر [48،49،50] ، پردازش زبان طبیعی [51 ، 52] ، و غیرهواد
قانون یادگیری شبکه عصبی عمدتا برای ارائه یک عملکرد ارزیابی خطا است ((<\mathbb
