پیش بینی وضعیت بورس در آینده

1+ امتیاز

از همکاری شما سپاسگذاریم!همچنین می توانید یک ورودی ویدیویی مربوط به این موضوع را از طریق لینک زیر بارگذاری کنید: https://encyclopedia. pub/user/video_add؟id=16165

پیش بینی بازار سهام (SMP) نمونه ای از پیش بینی سری زمانی است که به سرعت داده های قبلی را بررسی می کند و مقادیر داده های آینده را تخمین می زند. پیش بینی بازار مالی برای تحلیلگران در رشته های مختلف از جمله اقتصاد ، ریاضیات ، علوم مادی و علوم کامپیوتر مورد نگرانی بوده است. سود رانندگی از معاملات سهام عامل مهمی برای پیش بینی بازار سهام است.

1. مقدمه

طبق [1] ، دو رویکرد اصلی سنتی برای تجزیه و تحلیل بازار سهام وجود دارد: (1) تجزیه و تحلیل اساسی و (2) تجزیه و تحلیل فنی.

تجزیه و تحلیل فنی مطالعه قیمت سهام برای سودآوری یا تصمیم گیری بهتر سرمایه گذاری است [2]. تجزیه و تحلیل فنی جهت حرکت قیمت های آینده سهام را بر اساس داده های تاریخی آنها پیش بینی می کند و به تجزیه و تحلیل داده های سری زمانی مالی با استفاده از شاخص های فنی برای پیش بینی قیمت سهام کمک می کند. در همین حال ، فرض بر این است که قیمت در یک روند حرکت می کند و حرکت دارد [3]. تجزیه و تحلیل فنی از نمودارهای قیمت و فرمول های خاص و الگوهای مطالعات برای پیش بینی قیمت سهام آینده استفاده می کند. این ماده عمدتاً توسط سرمایه گذاران کوتاه مدت استفاده می شود. قیمت آن بالا ، پایین یا باز یا قیمت بسته شدن سهام در نظر گرفته می شود ، جایی که نقاط زمانی روزانه ، هفتگی ، ماهانه یا سالانه خواهد بود. تئوری داو اصول اصلی را برای تجزیه و تحلیل فنی مطرح می کند ، این است که قیمت بازار همه چیز را تخفیف می دهد ، قیمت ها در روند حرکت می کنند و روندهای تاریخی معمولاً همان الگوهای را تکرار می کنند [4]. چندین شاخص فنی مانند میانگین متحرک (MA) ، میانگین همگرایی/واگرایی در حال حرکت (MACD) ، نشانگر آرون و شاخص جریان پول و غیره وجود دارد. نظرات قوانین را در تجزیه و تحلیل فنی تعریف می کنند ، که ثابت هستند و تمایلی به تغییر ندارند. پارامترهای مختلفی که بر قیمت سهام تأثیر می گذارد نادیده گرفته می شود.

پیش نیاز غلبه بر نواقص تجزیه و تحلیل اساسی و فنی است و پیشرفت مشهود در تکنیک های مدل سازی ، محققان مختلف را به مطالعه روش های جدید برای پیش بینی قیمت سهام انگیزه داده است. شکل جدیدی از اطلاعات جمعی پدید آمده است و روش های جدید نوآورانه برای پیش بینی ارزش سهام به کار می رود. این روشها شامل کار الگوریتم های یادگیری ماشین برای تجزیه و تحلیل بازار سهام و پیش بینی است.

یکی از پدیده های عصر حاضر که جهان را تغییر می دهد، دسترسی جهانی به اینترنت است. پر استفاده ترین پلتفرم های اینترنت، رسانه های اجتماعی هستند. تخمین زده می شود که تعداد کاربران رسانه های اجتماعی در سراسر جهان حدود 3. 07 میلیارد نفر باشد [6]. ارتباط بالایی بین قیمت سهام و رویدادهای مربوط به سهام در وب وجود دارد. اطلاعات رویداد از اینترنت برای پیش بینی قیمت سهام استخراج می شود. چنین رویکردی به عنوان پیش‌بینی سهام مبتنی بر رویداد شناخته می‌شود [7]. از طریق شبکه های اجتماعی، مردم حجم عظیمی از داده ها را تولید می کنند که پر از احساسات است. بسیاری از این داده ها به ادراکات و نگرانی های کاربر مربوط می شود [8]. تحلیل احساسات حوزه مطالعاتی است که به نگرانی ها، باورها، عواطف، ادراکات و احساسات افراد نسبت به یک موجود می پردازد [9] [10] . این فرآیند تجزیه و تحلیل مجموعه‌های متنی، به عنوان مثال، فیدهای خبری یا توییت‌های خاص بازار سهام، برای پیش‌بینی روند سهام است. Stock Twits، Twitter، Yahoo Finance و غیره پلتفرم های معروفی هستند که برای استخراج احساسات استفاده می شوند. استفاده از داده های احساسی برای افزایش پیش بینی نوسانات در بازار سهام اهمیت قابل توجهی دارد.«حکمت جمعیت» و تجزیه و تحلیل احساسات، بینش‌های بیشتری ایجاد می‌کند که می‌تواند برای افزایش عملکرد در زمینه‌های مختلف، مانند فروش باکس آفیس، نتایج انتخابات، SMP و غیره استفاده شود [11]. این نشان می‌دهد که می‌توان با گرفتن نظرات و بینش گروه‌های بزرگی از افراد با انواع مختلف اطلاعات، تصمیم خوبی گرفت [12]. اطلاعات تولید شده از طریق رسانه های اجتماعی به ما امکان می دهد نظرات گسترده و متنوعی را کشف کنیم. بررسی احساسات از رسانه های اجتماعی علاوه بر داده های سری زمانی عددی سهام، دقت پیش بینی را افزایش می دهد. استفاده از داده های سری زمانی و همچنین داده های رسانه های اجتماعی، دقت پیش بینی را تشدید می کند. به لطف چشم انداز پویا و چالش برانگیز بازارهای سهام، رویکردها و تکنیک های مختلفی در طول زمان برای پیش بینی قیمت سهام از طریق روش شناسی های متعدد پیشنهاد شده است.

2. طرح کلی برای SMP

شکل 1 فرآیند عمومی درگیر در SMP را توصیف می کند. این فرآیند با جمع‌آوری داده‌ها آغاز می‌شود و سپس آن داده‌ها را پیش پردازش می‌کند تا بتوان آن‌ها را به یک مدل یادگیری ماشینی تغذیه کرد. مدل‌های پیش‌بینی عموماً از دو نوع داده استفاده می‌کنند: داده‌های بازار و داده‌های متنی. ادبیات هر دو نوع در بخش زیر مورد بحث قرار می گیرد. بخش بعدی مطالعات قبلی را بر اساس نوع داده های مورد استفاده طبقه بندی می کند. علاوه بر این، بخش بعدی مطالعات قبلی را بر اساس رویکردهای مختلف پیش پردازش داده ها مورد بررسی قرار می دهد. علاوه بر این، ادبیات بیشتر بر اساس الگوریتم‌های یادگیری ماشینی مورد استفاده توسط سیستم‌های مختلف بررسی می‌شود.

3. بیش از حد

یکی از شناخته شده ترین و چالش برانگیزترین مسائل در مدل های یادگیری ماشینی، بیش از حد برازش است. در این پدیده، مدل بیش از حد تلاش می کند تا از داده های آموزشی یاد بگیرد. این بدان معنی است که مدل نویز یا نوسانات تصادفی در داده های آموزشی را دریافت می کند و آنها را به عنوان ایده یاد می گیرد. این ایده‌ها در مورد داده‌های جدیدی که قرار است پیش‌بینی شود، اعمال نمی‌شود، در نتیجه منجر به تعمیم ضعیف مدل می‌شود. از آنجایی که داده های بازار سهام بسیار تصادفی هستند، توضیح روش های مورد استفاده برای حل این مشکل ضروری است. متداول ترین رویکرد برای کاهش مشکل بیش از حد برازش، اعتبار سنجی متقاطع است. چند مطالعه از این رویکرد استفاده کرده اند، مانند [14] [15] [16] [17] [18]. در یک اعتبارسنجی متقاطع k-fold معمولی، داده ها به k زیر مجموعه یا folds تقسیم می شوند. این مدل به طور مکرر بر روی تاهای k-1 آموزش داده می شود، و تاهای باقی مانده - که به عنوان چین نگهدارنده نیز شناخته می شود - به عنوان یک مجموعه آزمایشی در نظر گرفته می شود. مطالعات متعددی از روش توقف زودهنگام برای غلبه بر برازش استفاده کرده اند [19]. روش دیگر حذف ویژگی‌ها و نویزهای نامربوط از داده‌ها است که تعمیم‌پذیری مدل را تا حد زیادی افزایش می‌دهد. مطالعات کمی برای جلوگیری از برازش بیش از حد این روش ها را اجرا کرده اند، مانند [15] [20] [21] [22]. مهمترین اقدام پیشگیرانه در برابر بیش از حد برازش، منظم سازی است. این تکنیک وزن های اضافی را از ویژگی های انتخاب شده حذف می کند و آنها را به طور یکنواخت توزیع می کند. از یادگیری مدل‌هایی که پیچیده‌تر یا انعطاف‌پذیرتر هستند، جلوگیری می‌کند، بنابراین از خطر بیش از حد برازش جلوگیری می‌کند. اکثر مطالعات بررسی شده از رویکردهای منظم سازی برای جلوگیری از برازش بیش از حد استفاده کردند [23] [24] [25]. چند مطالعه اخیر از روش افزایش داده ها برای جلوگیری از برازش بیش از حد استفاده کردند [26] [27].

4. تحلیل مقایسه ای

توزیع تعداد مقالات منتشر شده در سال های اخیر در شکل 2 ارائه شده است. تعداد انتشارات نسبت به سال 2009 افزایش یافت و در سال 2019 به اوج خود رسید، اما طی دو سال گذشته، تعداد انتشارات کم بود. توزیع الگوریتم های یادگیری ماشینی مورد استفاده برای SMP در شکل 3 نشان داده شده است، جایی که SVM محبوب ترین تکنیک مورد استفاده بود. با این حال، ANN و DNN در چند سال گذشته توجه جامعه پژوهشی را به خود جلب کرده اند. رویکردهای شبکه عصبی سنتی ممکن است SMPهای دقیق اولیه را ایجاد نکنند. وزن مسائل به طور تصادفی انتخاب شده ممکن است از بهینه محلی رنج ببرد و منجر به پیش‌بینی‌های نادرست شود [28]. رویکردهای یادگیری عمیق برای تجزیه و تحلیل الگوهای پیچیده در داده‌های موجودی استفاده می‌شوند و نتایج بسیار سریع‌تری ارائه می‌کنند [29]. علاوه بر این، چنین تکنیکی وجود ندارد که بتواند نتایج بهینه را ارائه دهد. تجزیه و تحلیل مقایسه ای بین نوع داده های مورد استفاده و عملکرد مدل ها در شکل 4 نشان داده شده است. داده های رسانه های اجتماعی به تنهایی عملکرد بهتری نسبت به استفاده از داده های بازار و شاخص های فنی ندارند [30]. با این حال، اگر داده های منابع متنی با آنها ترکیب شود، عملکرد مدل افزایش می یابد. این رویکردهای مجموعه در ساخت مدل های پیش بینی کننده دارای مزایای زیادی از نظر بهینه سازی دقت، دقت و در دسترس بودن داده ها در اقتصادهای نوظهور است [31] [32]. مدل‌های اقتصادسنجی مانند خودرگرسیون برداری (VAR) نیز تکنیک امیدوارکننده‌ای است اگر بتوان مدل را با داده‌های فرکانس بالا و روش‌های بازآموزی ارائه کرد [33]

منابع

1. پارک، سی.-اچ. ایروین، اس. اچ. درباره سودآوری تحلیل تکنیکال چه می دانیم؟جی. اکون. Surv. 2007، 21، 786-826.
2. ژو ، ی. ؛Zhou ، G. تجزیه و تحلیل فنی: چشم انداز تخصیص دارایی در مورد استفاده از میانگین های متحرک. J. مالی. ECON2009 ، 92 ، 519-544.
3. Peachavanish ، R. انتخاب سهام و تجارت بر اساس تجزیه و تحلیل خوشه ای از شاخص های روند و حرکت. سخنرانییادداشت ها. محاسبات. علمی2016 ، 1 ، 317-321.
4. Hulbert ، M. Viewpoint: اثبات بیشتر نظریه DOW. در دسترس آنلاین: https://www. nytimes. com/1998/09/06/business/viewpoint-more-proof-for-the-dow-theory. html (دسترسی به 17 اکتبر 2021).
5. DeBoeck ، G. تجارت در لبه: سیستم های عصبی ، ژنتیکی و فازی برای بازارهای مالی هرج و مرج. ویلی: نیویورک ، نیویورک ، ایالات متحده ، 1994.
6. تعداد کاربران شبکه های اجتماعی در سراسر جهان از سال 2017 تا 2025 در دسترس آنلاین: https://www. statista. com/statistics/278414/number-of-worldwide-social-network-users/ (دسترسی به 30 مه 2021).
7. دینگ ، ایکس ؛ژانگ ، ی. ؛لیو ، ت. ؛Duan ، J. با استفاده از رویدادهای ساختاری برای پیش بینی حرکت قیمت سهام: یک تحقیق تجربی. در مجموعه مقالات کنفرانس 2014 روشهای تجربی در پردازش زبان طبیعی ، دوحه ، قطر ، 25-29 اکتبر 2014 ؛صص 1415-1425.
8. هاولز ، ک. ؛Ertugan ، A. استفاده از منطق فازی برای تجزیه و تحلیل احساسات داده های شبکه رسانه های اجتماعی در بازاریابی. Compute Compute. علمی2017 ، 120 ، 664-670.
9. لیو ، ب. تجزیه و تحلیل احساسات و معدن نظر ؛ناشران مورگان و کلایپول: سان رافائل ، کالیفرنیا ، ایالات متحده ، 2012 ؛پ. 167
10. لی ، W. بهبود یادگیری رقابتی تصادفی برای شبکه های اجتماعی. محاسبات. مادرادامه2020 ، 63 ، 755-768.
11. Devi ، K. N. ؛Bhaskaran ، V. M. معنایی تقویت شده در رسانه های اجتماعی برای پیش بینی بازار سهام. int. J. Econ. مدیر. مهندس2015 ، 9 ، 684-688.
12. هیل ، س. ؛Ready-Campbell ، N. Expert Stock Picker: خرد جمعیت (متخصصان در). int. J. Electron. تجارت2011 ، 15 ، 73-102.
13. چن ، T.-L. ؛چن ، F.-Y. یک الگوی تشخیص الگوی هوشمند برای حمایت از تصمیمات سرمایه گذاری در بازار سهام. inf. علمی2016 ، 346-347 ، 261–274.
14. گورسن ، ه. ؛کایاکوتلو ، ج. ؛Daim ، T. U. با استفاده از مدل های شبکه عصبی مصنوعی در پیش بینی شاخص بازار سهام. سیستم متخصصکاربرد2011 ، 38 ، 10389-10397.
15. ونگ ، ب. ؛احمد ، M. A. ؛Megahed ، F. سهام سهام یک روزه پیش بینی حرکت با استفاده از منابع داده متفاوت. سیستم متخصصکاربرد2017 ، 79 ، 153-163.
16. خان ، دبلیو. ؛غزانفر ، M. A. ؛Azam ، M. A. ؛کارامی ، ا. ؛Aloubi ، K. H. ؛الفاک ، A. S. پیش بینی بازار سهام با استفاده از طبقه بندی کننده های یادگیری ماشین و رسانه های اجتماعی ، اخبار. J. محیطهوشانسانمحاسبات. 2020 ، 1-24.
17. برگمیر ، ج. ؛Hyndman ، R. ؛KOO ، B. یادداشتی در مورد اعتبار اعتبارسنجی متقابل برای ارزیابی پیش بینی سری زمانی خودکار. محاسبات. آمارداده های مقعد. 2018 ، 120 ، 70-83.
18. غیاسی ، م. ؛سعیدان ، ح. Zimbra ، D. یک مدل شبکه عصبی مصنوعی پویا برای پیش بینی رویدادهای سری زمانی. int. پیش بینی J. 2005 ، 21 ، 341-362.
19. Binkowski ، م. ؛مارتی ، ج. ؛Donnat ، P. شبکه های عصبی Convolutional Autoregressive برای سری زمانی ناهمزمان. در مجموعه مقالات سی و پنجمین کنفرانس بین المللی یادگیری ماشین ، استکهلم ، سوئد ، 10-15 ژوئیه 2018 ؛دوره 2 ، صص 933-945.
20. هاگنائو ، م. ؛لیبمن ، م. ؛هیدویگ ، م. ؛Neumann ، D. خواندن اخبار خودکار: پیش بینی قیمت سهام بر اساس اخبار مالی با استفاده از ویژگی های خاص زمینه. در مجموعه مقالات 45 مین کنفرانس بین المللی هاوایی در مورد علوم سیستم ، مائوئی ، HI ، ایالات متحده ، 4-9 ژانویه 2012 ؛صص 1040-1049.
21. Zhong ، X. ؛Enke ، D. پیش بینی بازده روزانه بورس با استفاده از کاهش ابعاد. سیستم متخصصکاربرد2017 ، 67 ، 126–139.
22. گائو، پی. ژانگ، آر. یانگ، ایکس. کاربرد پیش بینی قیمت شاخص سهام با شبکه عصبی. ریاضی. محاسبه کنید. Appl. 2020، 25، 53.
23. بالینگ، ام. پول، دی وی دی. هسپلز، ن. Gryp، R. ارزیابی طبقه‌بندی‌کننده‌های متعدد برای پیش‌بینی جهت قیمت سهام. سیستم خبرهAppl. 2015، 42، 7046-7056.
24. Srivastava، D. K. Bhambhu, L. طبقه بندی داده ها با استفاده از ماشین بردار پشتیبان. جی. تئور. Appl. Inf. تکنولوژی2010، 12، 1-7.
25. ژانگ، ایکس. ژانگ، ی. وانگ، اس. یائو، ی. نیش، بی. یو، P. S. بهبود پیش بینی بازار سهام از طریق ادغام اطلاعات ناهمگنسیستم مبتنی بر دانش2018، 143، 236-247.
26. باک، ی. کیم، اچ. ای. ModAugNet: یک چارچوب پیش‌بینی جدید برای ارزش شاخص بازار سهام با یک ماژول LSTM پیشگیری بیش از حد و یک ماژول LSTM پیش‌بینی. سیستم خبرهAppl. 2018، 113، 457-480.
27. ژنگ، اچ. ژو، ز. Chen, J. RLSTM: چارچوبی جدید برای پیش‌بینی سهام با استفاده از نویز تصادفی برای جلوگیری از برازش بیش از حد. محاسبه کنید. هوشمندنوروسک. 2021, 2021, 8865816.
28. Pang، X. ژو، ی. وانگ، پی. لین، دبلیو. چانگ، وی. یک رویکرد شبکه عصبی نوآورانه برای پیش‌بینی بازار سهام. جی. ابرکامپیوتر. 2018، 76، 2098–2118.
29. Arjun R., Suprabha K. R., Majhi R. (2021) یادگیری عمیق برای ردیابی شاخص سهام: مورد بخش بانک. در: Bhateja V.، Peng SL.، Satapathy S. C.، Zhang YD.(ویرایش) تکامل در هوش محاسباتی. پیشرفت‌ها در سیستم‌های هوشمند و محاسبات، جلد 1176. Springer، سنگاپور. https://doi. org/10. 1007/978-981-15-5788-0_29
30. Arjun R & Suprabha KR، 2018. "مدل سازی پیش بینی کننده شاخص های سهام که از روندهای جستجوی وب بسته می شوند،" مقالات 1804. 01676، arXiv. org.
31. آرجون رمادوی سوماناتان;سوپرابها کودیگراما راما;بررسی کتاب‌سنجی پیش‌بینی بازار سهام: چشم‌انداز بازارهای نوظهور. Applied Computer Systems 2020 , 25 , 77-86, 10. 2478/acss-2020-0010.
32. آرجون آر، سوپرابها ک. ر.(2020) مدل سازی شاخص های ترکیبی برای پیش بینی شاخص سهام. در: Abraham A., Cherukuri A., Melin P., Gandhi N. (eds) Intelligent Systems Design and Applications. ISDA 2018 2018. Advances in Intelligent Systems and Computing, vol 940. Springer, Cham. https://doi. org/10. 1007/978-3-030-16657-1_18
33. R. Arjun;K. R. سوپرابها;پیش بینی بخش های بانکی در بازارهای سهام هند با استفاده از هوش ماشینیInternational Journal of Hybrid Intelligent Systems 2019, 15, 129-142, 10. 3233/HIS-190266.

© متن تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) در دسترس است. شرایط اضافی ممکن است اعمال شود. با استفاده از این سایت، شما با شرایط و ضوابط و سیاست حفظ حریم خصوصی موافقت می کنید.