پیش بینی بازار با الگوریتم های یادگیری ماشین: کاربردی از الگوریتم NMC-BERT-LSTM-DQN-X در تجارت کمی

این هشدار با موفقیت اضافه شده است و به شما ارسال می شود: هر زمان که رکوردی که انتخاب کرده اید استناد شده است ، به شما اطلاع داده می شود.

برای مدیریت تنظیمات برگزیده هشدار خود ، روی دکمه زیر کلیک کنید. هشدارهای من را مدیریت کنید

هشدار استناد جدید!

لطفا وارد حساب کاربری خود شوید

صرفه جویی در اتصال

نام

معاملات ACM در مورد کشف دانش از داده ها

خلاصه

اگرچه الگوریتم های یادگیری ماشین (ML) به طور گسترده ای در پیش بینی روند شاخص های بازار سهام مورد استفاده قرار گرفته اند ، اما آنها نتوانستند جنبه های اساسی زیر را برای پیش بینی بازار در نظر بگیرند: (1) که احساسات و نگرش سرمایه گذاران نسبت به روند آینده بازار تأثیرات مادی در بازار دارندپیش بینی روند (2) طول داده های بازار گذشته باید با توجه به وضعیت بازار به صورت پویا تنظیم شود و (3) انتقال اساسنامه بازار باید هنگام پیش بینی روند بازار در نظر گرفته شود. در این مطالعه ، ما یک روش ابتکاری ML را برای پیش بینی روند بازار سهام چین با پرداختن به سه موضوع فوق پیشنهاد کردیم. به طور خاص ، عوامل احساساتی (به پیوست [1] برای ترانس کامل مراجعه کنید) برای اولین بار برای اندازه گیری احساسات و نگرش سرمایه گذاران جمع آوری شد. سپس از یک مدل زنجیره مارکوف غیر ثابت (NMC) برای ضبط انتقال پویا از اساسنامه بازار استفاده شد. ما روش پیشرفته ترین (SOTA) ، یعنی بازنمایی رمزگذار دو طرفه از ترانسفورماتورها (BERT) را انتخاب می کنیم تا وضعیت بازار را در زمان T پیش بینی کنیم و از یک مدل حافظه کوتاه مدت بلند مدت (LSTM) استفاده شدبرای برآورد طول متفاوت داده های بازار گذشته در پیش بینی روند بازار ، جایی که ورودی LSTM (وضعیت بازار در زمان T) خروجی BERT بود و احتمالات برای باز و بسته شدن دروازه ها در مدل LSTM مبتنی بر این بودخروجی های مدل NMC. سرانجام ، پارامترهای بهینه الگوریتم پیشنهادی با استفاده از یک شبکه Q عمیق مبتنی بر یادگیری تقویت شده محاسبه شد. در مقایسه با روشهای پیش بینی موجود ، الگوریتم پیشنهادی با دقت پیش بینی 61. 77 ٪ ، بازده سالانه 29. 25 ٪ و حداکثر تلفات 8. 29 ٪ به نتایج بهتری می رسد. علاوه بر این ، مدل پیشنهادی کمترین خطای پیش بینی را به دست آورد: میانگین خطای مربع (0. 095) ، میانگین خطای مربع (0. 0739) ، میانگین خطای مطلق (0. 104) و میانگین خطای مطلق (15. 1 ٪). در نتیجه ، مدل پیش بینی بازار پیشنهادی می تواند به سرمایه گذاران کمک کند تا اطلاعات دقیق تر پیش بینی بازار را بدست آورند.

منابع

1. Adhikari R. and Agrawal R. K. 2014. ترکیبی از شبکه عصبی مصنوعی و مدل های پیاده روی تصادفی برای پیش بینی سری زمانی مالی. عصبیرایانه. کاربرد24 ، 6 (2014) ، 1441 - 1449. Google Scholarcross Ref
2. Ahana R. C. ، Soheila A. ، Michael T. ، and Piyush K. 2020افزایش سود حاصل از معاملات سهام با استفاده از شبکه های عصبی. AI Commun33 ، 1 (2020) ، 1 - 12. گوگل دانشکده
3. Amihud Y. 2002ناهمواری و بازده سهام: اثرات مقطع و سری زمانی. J. مالی. علامت گذاری. 5 ، 1 (2002) ، 31 - 56. Google Scholarcross Ref
4. Andrikopoulos A. ، Angelidis T. ، and Skintzi V. 2014. عدم اعتبار ، بازده و ریسک در بازارهای سهام G7: وابستگی های متقابل و سرریز. int. Rev. Financy. مقعد35 ، 1 (2014) ، 118 - 127. Google Scholarcross Ref
5. Asadi S. ، Hadavandi E. ، Mehmanpazir F. ، and Nakhostin M. M.. 2012. هیبریداسیون شبکه های عصبی Levenberg-Marquardt تکاملی و پیش پردازش داده ها برای پیش بینی بازار سهام. دانش مبتنی برsyst35 ، 15 (2012) ، 245 - 258. کتابخانه Scholardigital Google
6. Asness C. S. ، Moskowitz T. J. ، و Pedersen L. H. 2013. ارزش و حرکت در همه جا. J. مالی. 68 ، 3 (2013) ، 929 - 985. Google Scholarcross Ref
7. Baker M. and Stein J. C.. 2004نقدینگی بازار به عنوان یک نشانگر احساسات. J. مالی. علامت گذاری. 7 ، 3 (2004) ، 271 - 299. Google Scholarcross Ref
8. Baker M. and Wurgler J.. 2007. احساسات سرمایه گذار در بورس سهام. J. Econ. چشم انداز21 ، 2 (2007) ، 129 - 151. Google Scholarcross Ref
9. Bekaert G. ، Harvey C. R. ، and Lundblad C.. 2007. نقدینگی و بازده مورد انتظار: درسهایی از بازارهای نوظهور. Rev. Financy. گل میخ20 ، 6 (2007) ، 1783 - 1831. Google Scholarcross Ref
10. Bauwens L. و Otranto E.. 2016. مدل سازی وابستگی همبستگی مشروط به نوسانات بازار. J. Bus. ECONآمار34 ، 2 (2016) ، 254 - 268. Google Scholarcross Ref
11. Brav A. ، Wei J. ، Partnoy F. ، و Thomas R.. 2010. فعال سازی صندوق پرچین ، مدیریت شرکت ها و عملکرد شرکت. J. مالی. 63 ، 4 (2010) ، 1729 - 1775. Google Scholarcross Ref
12. Breban A. و Noussair C. N. 2018. وضعیت عاطفی و رفتار بازار. Rev. Financy. 22 ، 1 (2018) ، 279 - 309. Google Scholarcross Ref
13. Cervell´o-Royo R. ، Guijarro F. ، and Michniuk K. 2015. قانون معاملات بازار سهام بر اساس تشخیص الگوی و تجزیه و تحلیل فنی: پیش بینی شاخص DJIA با داده های داخلی. سیستم های خبره با برنامه های 42 ، 14 (2015) ، 5963 - 5975. کتابخانه Scholardigital Google
14. Chelley-Steeley P. ، Lambertides P. L. ، and Savva C. S.. 2013. شوک های نابودی و ارتباط بین سهام: شواهد جدید با استفاده از انتقال صاف. J. Empir. مالی. 23 ، 5 (2013) ، 1 - 15. Google Scholarcross Ref
15. چن H. ، چونگ T. T. ، و او Y. 2014. یک رویکرد مؤلفه اصلی برای اندازه گیری احساسات سرمایه گذار در چین. مالی کمی 14 ، 4 (2014) ، 573 - 579. Google Scholarcross Ref
16. Cheng J. A. ، Fu J. B. ، Kang Y. C. ، Zhu H. D. ، and Dai W. E.. 2019. تجزیه و تحلیل احساسات از نظرات شبکه های اجتماعی برای پیش بینی بازده سهام. یادداشت های سخنرانی در علوم کامپیوتر. 2019 ، 11956 ، 67 - 74. کتابخانه Scholardigital Google
17. Chou J. S و Nguyen T. K. 2018. پیش بینی رو به جلو قیمت سهام با استفاده از رگرسیون یادگیری ماشین بهینه سازی متهوریستی در پنجره کشویی. IEEET. ind. 14 ، 7 (2018) ، 3132 - 3142. Google Scholarcross Ref
18. Di Martino F. ، Senatore S. ، and Sessa S.. 2019. یک رویکرد مبتنی بر خوشه بندی سبک برای کشف سایه های عاطفی مختلف از جریان پیام های اجتماعی. int. ج. syst34 ، 7 (2019) ، 1505 - 1523. Google Scholarcross Ref
19. Ebadati O. M. E. و Mortazavi M. T. 2018. یک روش یادگیری ماشین ترکیبی کارآمد برای پیش بینی بازار سهام سری زمانی. عصبیnetwجهان28 ، 1 (2018) ، 41 - 55. Google Scholarcross Ref
20. Fang L. و Peress J.. 2009. پوشش رسانه ای و مقطع بازده سهام. J. مالی. 64 ، 5 (2009) ، 2023 - 2052. Google Scholarcross Ref
21. Fortuny E. J. D. ، Smedt T. D. ، Martens D. ، and Daelemans W. 2014. ارزیابی و درک مدل های پیش بینی قیمت سهام مبتنی بر متن. آگاه کردن. روند. مدیر. 50 ، 2 (2014) ، 426 - 441. کتابخانه Scholardigital Google
22. گونگ ایکس و لین ب. 2018. شکست ساختاری و پیش بینی نوسانات در بازار آینده مس. J. Futures. بازارها38 ، 3 (2018) ، 290 - 339. Google Scholarcross Ref
23. گریفیت جی. ، نجاند م. ، و شن جی. 2020احساسات در بورس سهام. J. Behav. مالی. 21 ، 1 (2020) ، 42 - 56. Google Scholarcross Ref
24. Guresen E. ، Kayakutlu G. ، and Daim T. U. 2011. با استفاده از مدل های شبکه عصبی مصنوعی در پیش بینی شاخص بازار سهام. کارشناس. systکاربرد38 ، 8 (2011) ، 10389 - 10397. کتابخانه Scholardigital Google
25. او Z. و Krishnamurthy A.. 2013. قیمت گذاری دارایی واسطه. صبح. ECONوحی 103 ، 2 (2013) ، 732 - 770. Google Scholarcross Ref
26. Kasgari A. A. ، Divsalar M. ، Javid M. R. ، and Ebrahimian S. J.. 2013. پیش بینی ورشکستگی شرکتهای ایرانی از طریق شبکه عصبی مصنوعی و تحلیل های مبتنی بر مشروط. عصبیرایانه. کاربرد23 ، 3-4 (2013) ، 927 - 936. Google Scholarcross Ref
27. KristjanPoller R. W. و Michell V. K. 2018. مدل پیش بینی ریسک بورس از طریق ادغام تکنیک های سوئیچینگ رژیم ، ANFIS و GARCH. کاربردنرمرایانه. 67 ، 1 (2018) ، 106 - 116. کتابخانه Scholardigital Google
28. Kumar A. 2010. چه کسی در بورس سهام قمار می کند؟J. مالی. 64 ، 4 (2010) ، 1889 - 1933. Google Scholarcross Ref
29. Gourav Kumar ، Sanjeev Jain و Uday Pratap Singh. 2020. پیش بینی بازار سهام با استفاده از اطلاعات محاسباتی: یک نظرسنجی. بایگانی روشهای محاسباتی در مهندسی 28 ، 3 (2020) ، 1069--1101. گوگل دانشکده
30. لی M. ، چن L. ، ژائو جی. ، و لی س. 2021تجزیه و تحلیل احساسات از بررسی سهام چینی بر اساس مدل BERT. کاربردهوش51 ، 7 (2021) ، 5016 - 5024. doi: doi: http://dx. doi.org/10. 1007/S10489-020-02101-8Google Scholardigital کتابخانه
31. Daiki Matsunaga ، Toyotaro Suzumura و Toshihiro Takahashi. 2019. کاوش در شبکه های عصبی نمودار برای پیش بینی بازار سهام با تجزیه و تحلیل پنجره نورد. برگرفته از 1 نوامبر 2021 از https://arxiv.org/abs/1909. 10660. گوگل دانشکده
32. Menggang L. ، Wenrui L. ، Wang F. ، Jia X. ، and Rui G. 2020استفاده از برت برای تجزیه و تحلیل احساسات سرمایه گذار در بورس سهام. محاسبات عصبی و برنامه های 33 ، 10 (2020) ، 4663 - 4676. doi: doi: http://dx. doi.org/10. 1007/s00521-020-05411-7Google Scholar
33. Nakagawa K. ، Uchida T. ، and Aoshima T. 2019. مدل فاکتور عمیق. در کارگاه های ECML PKDD 2018. اسپرینگر ، چم. گوگل دانشکده
34. Nguyen T. H. ، Shirai K. ، and Velcin J.. 2015. تجزیه و تحلیل احساسات در رسانه های اجتماعی برای پیش بینی حرکت سهام. کارشناس. systکاربرد42 ، 24 (2015) ، 9603 - 9611. کتابخانه Scholardigital Google
35. Nyman R. و Ormerod P.. 2014. داده های بزرگ ، تئوری روانی اجتماعی ، تجزیه و تحلیل متن الگوریتمی و پیش بینی شاخص احساسات مصرف کننده میشیگان. برگرفته از 1 نوامبر 2021 از https://arxiv.org/abs/1405. 5695. گوگل دانشکده
36. Patel J. ، Shah S. ، Thakkar P. ، and Kotecha K. 2015 الف. پیش بینی حرکت شاخص سهام و قیمت سهام با استفاده از تکنیک های تعیین کننده داده های قطعی روند و تکنیک های یادگیری ماشین. کارشناس. systکاربرد42 ، 1 (2015) ، 259 - 268. کتابخانه Scholardigital Google
37. Patel J. ، Shah S. ، Thakkar P. ، and Kotecha K. 2015 ب. پیش بینی شاخص بازار سهام با استفاده از فیوژن تکنیک های یادگیری ماشین. کارشناس. systکاربرد42 ، (2015) ، 2162 - 2172. کتابخانه Scholardigital Google
38. پینتو پروزیل و فیلیپا آنا. 2018. یک رویکرد مؤلفه اصلی برای اندازه گیری احساسات سرمایه گذار و تأثیر آن بر کمبود IPO. برگرفته از https://repositorio-aberto. up. pt/bitstream/10216/116313/2/294407. pdf. گوگل دانشکده
39. Sadka R. 2006. حرکت و پس از درآمد-ناهنجاری های رانش: نقش خطر نقدینگی. J. مالی. ECON80 ، 2 (2006) ، 309 - 349. Google Scholarcross Ref
40. Rangapuram S. S. ، Seeger M. W. ، Gasthaus J. ، Stella L. ، Wang Y. ، and Januschowski T. 2018. مدل های فضایی عمیق برای پیش بینی سری زمانی. در مجموعه مقالات سی و دومین کنفرانس بین المللی سیستم های پردازش اطلاعات عصبی. 7796 - 7805 کتابخانه Google Scholardigital
41. Wen Ruofeng ، Torkkola Kari ، Narayanaswamy Balakrishnan و Madeka Dhruv. 2017. یک پیش بینی مکرر مکرر چند افق. در مجموعه مقالات سی و یکمین کنفرانس سیستم های پردازش اطلاعات عصبی (NIPS17). گوگل دانشکده
42. Shynkevich Y. ، McGinnity T. M. ، Coleman S. ، Belatreche A. ، and Li Y. 2017. پیش بینی حرکات قیمت با استفاده از شاخص های فنی: بررسی تأثیر طول پنجره ورودی متفاوت. Neurocomputing 264 ، 1 (2017) ، 71 - 88. Google Scholarcross Ref
43. Ticknor J. L. 2013. یک شبکه عصبی مصنوعی بیزی برای پیش بینی بازار سهام. کارشناس. systکاربرد40 ، 14 (2013) ، 5501 - 5506. Google Scholarcross Ref
44. Tsang P. ، Kwok S. ، Choy S. ، Kwan R. ، and Ng S.. 2007. طراحی و اجرای NN5 برای پیش بینی قیمت سهام هنگ کنگ. enکاربردArtifاینتل20 ، 4 (2007) ، 453 - 461. کتابخانه Scholardigital Google
45. Weng B. ، Ahmed M. A. ، and Megahed F. M.. 2017. پیش بینی حرکت یک روزه پیش رو با استفاده از منابع داده متفاوت. سیستم متخصصکاربرد79 ، 8 (2017) ، 153 - 163. کتابخانه Scholardigital Google
46. Weng B. ، Lu L. ، Wang X. ، Megahed F. M. ، and Martinez W. 2018. پیش بینی قیمت سهام کوتاه مدت با استفاده از روش های گروهی و منابع داده آنلاین. سیستم متخصصکاربرد112 ، 1 (2018) ، 258 - 273. Google Scholarcross Ref
47. Xu H. C. و Zhou W. X. 2018. شاخص هفتگی احساسات و مقطع بازده سهام. مالی. resکاهنده27 ، 1 (2018) ، 135 - 139. Google Scholarcross Ref
48. Yang Z. ، Fu O. ، and Peng X. 2020یک الگوریتم تصمیم گیری برای خرید آنلاین با استفاده از زوج های تفکر مبتنی بر یادگیری عمیق و تعامل فازی ارتوپایی q-rung q-rung ، میانگین اپراتورها. int. ج. syst35 ، 5 (2020) ، 783 - 825. doi: doi: https://doi.org/10. 1002/int. 22225google Scholarcross Ref
49. Yoo P. D. ، Kim M. H. ، and Jan T. 2005پیش بینی مالی: تکنیک های پیشرفته یادگیری ماشین در تحلیل بازار سهام. در مجموعه مقالات کنفرانس مولتیپیک بخش پاکستان 2005. Google Scholarcross Ref
50. جون ژانگ ، یو فان تنگ ، و وی چن. 2018. پشتیبانی از رگرسیون بردار با الگوریتم اصلاح شده Firefly برای پیش بینی قیمت سهام. اطلاعات کاربردی 49 ، 5 (2018) ، 1658--1674. کتابخانه Scholardigital Google
51. Zuo Y. و Kita E.. 2012 الف. پیش بینی قیمت سهام با استفاده از شبکه بیزی. سیستم متخصصکاربرد39 ، 8 (2012) ، 6729 - 6737. کتابخانه Scholardigital Google
52. Zuo Y. و Kita E.. 2012 ب. تجزیه و تحلیل بالا/پایین شاخص سهام با استفاده از شبکه بیزی. تحقیقات مدیریت مهندسی 1 ، 2 (2012) ، 46 - 52. Google Scholarcross Ref