یک مطالعه تجربی در مورد اهمیت پارامترهای مدل سازی و ویژگی های مبتنی بر حجم معاملات در تجارت روزانه با استفاده از شبکه های عصبی

بسیاری از مطالعات مبتنی بر یادگیری ماشین برای پیش بینی روند قیمت سهام انجام شده است. این مطالعات سعی در استخراج ویژگی های ورودی بیشتر از اطلاعات قیمت با تمرکز اندک بر روی اطلاعات حجم معاملات داشت. علاوه بر این ، پارامترهای مدل سازی برای مشخص کردن یک مشکل یادگیری به شدت مورد بررسی قرار نگرفته است. ما در اینجا با رسیدگی به این محدودیت ها یک روش بهبود یافته ایجاد می کنیم. به طور خاص ، ما متغیرهای ورودی را با در نظر گرفتن هر دو اطلاعات قیمت و حجم با حتی وزن ایجاد کردیم. ما همچنین سه پارامتر مدل سازی را تعریف کردیم: ورودی و اندازه پنجره هدف و آستانه سود. اینها متغیرهای ورودی و هدف را مشخص می کنند ، که بین آنها توابع اساسی توسط Perceptrons چند لایه و دستگاه های بردار پشتیبانی آموخته می شوند. ما رویکرد خود را بیش از شش سهام و 15 سال آزمایش کردیم و با عملکرد مورد انتظار در تمام مشخصات پارامتر در نظر گرفته شده مقایسه کردیم. رویکرد ما به طور چشمگیری دقت پیش بینی را نسبت به عملکرد مورد انتظار بهبود بخشید. علاوه بر این ، رویکرد ما نشان داده شد که از عملکرد مورد انتظار و استراتژی خرید و نگهدارنده پایدار است. از طرف دیگر ، هنگامی که متغیرهای ورودی تولید شده از حجم معاملات از یادگیری خارج شدند ، عملکرد تخریب شد. تمام این نتایج اهمیت حجم و پارامترهای مدل سازی در پیش بینی معاملات سهام را تأیید می کند.

کلید واژه ها:

1. معرفی

سرمایه گذاران به طور فزاینده ای علاقه مند به توسعه یک سیستم معاملات سهام با روش های هوش مصنوعی هستند. به طور خاص ، بسیاری از مطالعات به دنبال پیش بینی روند قیمت سهام هستند که به دلیل غیرخطی بودن و نوسانات بازار سهام یک چالش است [1]. مدل های پیش بینی قیمت سهام به رویکردهای مبتنی بر تجزیه و تحلیل فنی و مبتنی بر تجزیه و تحلیل اساسی طبقه بندی می شوند. رویکرد قبلی معمولاً از اطلاعات مالی ذاتی یک شرکت مانند درآمد ، سرمایه ، سود ، سهم و ارتباط آن با سایر شرکت ها استفاده می کند. رویکرد دوم از داده های تاریخی قیمت سهام و/یا حجم معاملات برای تولید شاخص های فنی برای پیش بینی استفاده می کند [2،3]. در این مطالعه ، ما یک مشکل پیش بینی سهام روزانه را در نظر می گیریم که یک رویکرد مبتنی بر تجزیه و تحلیل فنی مناسب است.

بسیاری از متغیرهای فنی با استفاده از میانگین های متحرک ، هموار سازی نمایی ، روشهای آماری رگرسیون خطی و غیره طراحی شده اند. به عنوان مثال ، میانگین وزنی مقادیر قیمت گذشته برای پیش بینی نوسان کوتاه مدت یک قیمت معین با فرض اینکه داده ها از برخی الگوی تاریخی پیروی می کنند ، مدل سازی شده است [5،6]. علاوه بر این ، روشهای یادگیری ماشین به طور گسترده در مشکلات پیش بینی سهام استفاده شده است. به عنوان مثال ، Perceptrons چند لایه (MLP) برای پیش بینی سهام مختلف مانند بورس روزانه نیویورک [7] ، سهام روزانه Deutscher Aktienindex [8] ، قراردادهای گزینه داخلی در شاخص بورس اوراق بهادار 100 (FTSE100) [FTSE100) استفاده شده است. 9] ، S& P 500 قیمت شاخص آینده [10] ، شاخص سهام سهام Hong Kong Hang Seng [11] و S& P 500 به همراه شاخص NASDAQ-100 [12]. دستگاه های بردار پشتیبانی (SVM) نیز به طور گسترده ای مورد استفاده قرار گرفتند. به عنوان مثال ، آنها برای پیش بینی پنج قرارداد آینده جمع آوری شده از بازار تجاری شیکاگو [13] و برای استخراج قوانین برای بازگشت روز اول پیشنهادات عمومی اولیه بازار سهام ایالات متحده (IPO) [14] استفاده شده است. یک مطالعه دیگر ، کارآیی پیش بینی سهام بین SVM ها و MLP ها را مقایسه کرد [15]. اگرچه این مطالعات قبلی با موفقیت مورد استفاده قرار گرفت ، دو موضوع مستحق بحث بیشتر است: نوع متغیرهای ورودی و پارامترهای مدل سازی برای یادگیری. با توجه به سابق ، ساخت آموزنده ترین متغیرهای ورودی برای یک مدل پیش بینی موفق مهم است. در حقیقت ، بیشتر متغیرهای ورودی در مطالعات قبلی از داده های بسته شدن ، افتتاح ، بالاترین یا کمترین قیمت قیمت تولید شده است. به عنوان مثال ، میانگین حرکت [16] ، شاخص قدرت نسبی [17] ، صلیب طلایی و صلیب مرده [18] ، Stochastics [19] و بسیاری از شاخص های فنی دیگر برای استفاده در قیمت سهام ابداع شده است. در همین حال ، حجم معاملات کمتر در ایجاد شاخص های فنی تأکید شده است. اگرچه اغلب برای تولید متغیرهای ورودی در نظر گرفته می شد ، اما نسبت به اطلاعات قیمت نسبتاً کمتر متمرکز بود. به عنوان مثال ، 4 ٪ ، 13 ٪ و 14 ٪ از کل متغیرهای ورودی از اطلاعات حجم معاملات در [6،17،20] بدست آمده است در حالی که به ترتیب 96 ٪ ، 87 ٪ و 86 ٪ از قیمت بدست آمده استاطلاعاتبا توجه به اینکه حجم معاملات در توضیح وضعیت بورس اوراق بهادار آموزنده است [6،21] ، جایی برای استفاده بیشتر از حجم معاملات برای متغیرهای ورودی در پیش بینی قیمت سهام وجود دارد. مسئله دوم در مورد پارامترهای مدل سازی در یک مرحله یادگیری است. به طور خاص ،

ما روی سه پارامتر تمرکز می کنیم: تعداد روزهای گذشته برای متغیرهای ورودی ، حداکثر تعداد روزهای آینده برای موقعیت طولانی و حداقل نرخ سود با تجارت در نظر گرفته می شود. این پارامترها ممکن است برای یک استراتژی بهینه تجارت بسیار مهم باشد زیرا می توانند فرمول مسئله و میزان دشواری در یادگیری را تغییر دهند. با این حال ، پارامترها با آزمایش و خطا انتخاب شدند یا حتی در مطالعات قبلی به طور تصادفی مشخص شدند. به عنوان مثال ، تعداد روزهای گذشته در پیش بینی KOSPI 200 به پنج ثابت شده است [22] ، یکی در پیش بینی بورس ملی (NSE) هند [23] و 30 در پیش بینی شاخص بورس سهام شانگهای [24]. مقادیر پارامتر مدل سازی بهینه می تواند با یادگیری مشکل یادگیری ، عملکرد پیش بینی را بهبود بخشد.

در این مقاله ، ما یک روش معاملات سهام را برای حل صحیح این مسائل طراحی کردیم. ما تعداد مشابه متغیرهای ورودی را از اطلاعات قیمت و حجم ایجاد کردیم. ما همچنین سه پارامتر مدل سازی از اندازه پنجره ورودی ، اندازه پنجره هدف و پارامترهای آستانه سود را از طریق جستجوی شبکه بهینه کردیم. علاوه بر این ، ما از دو الگوریتم یادگیری مشهور برای پیش بینی سهام ، MLP ها و SVM استفاده کردیم. این مقاله به شرح زیر سازماندهی شده است. در بخش بعدی ، پیشینه مشکل روزانه تجارت سهام را معرفی می کنیم. در بخش 3 و بخش 4 ، ما رویکرد خود را پیشنهاد می کنیم و به ترتیب نتایج تجربی را نشان می دهیم. ما در بخش آخر بحث و نتیجه گیری را ارائه می دهیم.

2. پس زمینه

2. 1معاملات روزانه سهام

بسته به فواصل زمانی معاملاتی ، می توان طرح های مختلف تجارت سهام مانند Intraday ، Daily ، Weekly یا Manherly را انجام داد. در این مقاله ، ما یک طرح معاملاتی روزانه را در نظر می گیریم زیرا بیشتر در مطالعات قبلی انجام می شد [25]. یک فرمولاسیون معمولی برای این مشکل ، تقریب یک تابع زیرین F برای یک متغیر هدف y (t) و مجموعه ای از متغیرهای ورودی x (t) در روز t به شرح زیر است:

y (t) = f (x (t)).

2. 2مطالعات مرتبط

بسیاری از روشهای یادگیری ماشین مانند MLP و SVM برای حل مشکل تقریب عملکرد معاملات بهینه سهام استفاده شده است. علاوه بر این ، انواع متغیرهای هدف و ورودی مدل سازی شدند. به عنوان مثال ، نویسندگان در یک مطالعه قبلی متغیر هدف y (t) را به عنوان p (t + 1) - p (t) p (t) [17] تعریف کردند ، جایی که p (t) نشان دهنده قیمت بسته شدن در روز t است ،(به عنوان مثال ، نرخ تغییر روزانه قیمت بسته شدن) ، و در مجموع 75 متغیر ورودی از شاخص های مختلف فنی مانند میانگین متحرک ، شاخص قدرت نسبی و میزان تغییر ایجاد کرد. توجه داشته باشیم که 65 و 10 متغیر ورودی در بین آنها به ترتیب بر اساس قیمت سهام و داده های حجم معاملات بود. آنها با استفاده از یک الگوریتم ژنتیکی ترکیبی همراه با MLP ، دقت پیش بینی قابل توجهی را برای بیش از 36 شرکت در داو جونز و NASDAQ به مدت 13 سال نشان دادند. در یک مطالعه دیگر [5] ، متغیر هدف به عنوان E M A 3 (T + 5) تعریف شده اس ت-E M A 3 (T) E M A 3 (T) ، جایی که E M A N (T) به معنای میانگین حرکت نمایی روز N در روز T است ،و از میانگین متحرک برای تولید متغیرهای ورودی مانند x (t) - e m a 100 (t) استفاده شد. این مدل توسط SVMS برای پیش بینی پنج قرارداد آینده در بازار بازرگانی شیکاگو آموزش دیده بود و پیش بینی نسبتاً خوبی حاصل شد. یک مطالعه دیگر به بررسی سودمندی MLP ها در پیش بینی قیمت بسته شدن سهام شرکت Petroleo Brasileiro با تغییر اندازه پنجره [26] ، و یک MLP ترکیبی همراه با روش موجک برای پیش بینی شاخص کامپوزیت شنژن انجام شد [27].

توجه داشته باشیم که بیشتر متغیرها در مطالعات قبلی بر اساس اطلاعات قیمت ایجاد شده اند و اطلاعات حجم معاملات کمتر مورد توجه قرار می گرفت. در حقیقت ، برخی از مطالعات بین حجم معاملات و تغییرات قیمت رابطه برقرار کردند. به عنوان مثال ، مبارک و جاوید روابط آماری را بین حجم معاملات ، بازده و نوسانات در بورس اوراق بهادار پاکستان نشان دادند [28]. Kanas و Yaopoulos دریافتند که حجم معاملات می تواند یک عامل تعیین کننده برای پیش بینی طولانی مدت باشد [29،30]. بهتر است با بررسی پویایی قیمت و حجم معاملات ، بازده بازار را توضیح دهیم تا اینکه فقط روی قیمت بسته شدن و شاخص های فنی آن تمرکز کنید. یک مطالعه قبلی نشان داد که یک حرکت قیمت بزرگتر از طریق تجزیه و تحلیل شاخص روزانه S& P 500 از سال 1928 با حجم بعدی بالاتر همراه بود [7]. یک مطالعه دیگر نشان داد که حجم معاملات ماهانه به شدت مربوط به جنبش قیمت سهام آینده است [6]. روی هم رفته ، حجم معاملات می تواند یک عامل مهم و آموزنده برای تولید متغیر ورودی باشد.

3. روش پیشنهادی ما

در این بخش ، ما روش پیشنهادی خود را برای معاملات بهینه سهام بر اساس شبکه های عصبی توضیح می دهیم.

3. 1فرمول مسأله

در این مقاله ، ما همچنین مشکل تقریبی را که در بخش 2. 1 شرح داده شده است در نظر می گیریم. با این حال ، ما آن را به درستی به عنوان y (t) = f (x (t)) اصلاح می کنیم ، جایی که y یک بردار هدف است و f یک نقشه برداری است ، به طوری که آنها می توانند چندین نورون را در لایه خروجی شبکه های عصبی نشان دهند. بگذارید P (T) و V (T) به ترتیب ، قیمت بسته و حجم معاملات باشد ، و X (t) را به شرح زیر تعریف کنید: x (t) = [v ′ (t - α) ، v ′ (t - α + 1) ، ⋯ ، v ′ (t - 1) ، v ′ (t) ،

P (T - α) ، P (T - α + 1) ، ⋯ ، P (T - 1) ، P (T)]

جایی که α پارامتر اندازه پنجره ورودی است که تعداد روزهای گذشته را برای متغیرهای ورودی در نظر گرفته می شود ، و V ′ (T - I) یک حجم معاملات عادی است که به عنوان V (t) تعریف شده است - V (T - I) v (t - i). به عبارت دیگر ، α اندازه پنجره زمان نمونه های آموزش را تعیین می کند ، و در نهایت x (t) شامل اطلاعات مربوط به قیمت بسته شدن و حجم معاملات α + 1 روزهای اخیر از روز t است. در این مقاله ، α می تواند از 1 تا 10 متغیر باشد. ما توجه می کنیم که ما همان تعداد متغیرهای ورودی خاص حجم را به عنوان متغیرهای ورودی خاص قیمت برای استفاده از قدرت آموزنده حجم معاملات ساخته ایم. متغیر هدف توسط یک بردار از دو مقدار بولی نشان داده شده است تا آنها بتوانند با دو نورون خروجی در شبکه های عصبی ما ارتباط برقرار کنند. به طور خاص ، ما آن را به شرح زیر تعریف کردیم:<[ 1 0 ] T , if p ( t + β )>y (t) =

P (t) × (1 + γ) [0 1] t ، در غیر این صورت ،<( α , β , γ )>جایی که β پارامتر اندازه پنجره هدف است که حداکثر تعداد روزهای آینده را برای یک موقعیت طولانی نشان می دهد ، و γ پارامتر آستانه سود است که حداقل نرخ سود را برای یک معامله امکان پذیر نشان می دهد. سپس ، y (t) = [1 0] t نشان می دهد که قیمت بسته شدن طی روزهای آینده β بیش از 100 درصد افزایش می یابد. به عبارت دیگر ، اگر سهام را با قیمت پایانی روز t خریداری کنیم ، می توانیم حداقل 100 γ درصد سود کسب کنیم. در این مقاله ، β از 5 تا 20 با فاصله 5 روزه و γ از 0. 020 تا 0. 070 با فاصله 0. 005 متغیر است. در نتیجه ، ما سه پارامتر مدل سازی (α ، β ، γ) را تعریف کردیم و در کل 440 ترکیب پارامتر σ = در نظر گرفتیم

برای یادگیری بهینهتوجه داشته باشیم که هر مشخصات پارامترها یک مشکل متفاوت برای یادگیری را نشان می دهد.

هنگامی که یک ترکیب پارامتر مشخص شد و یک کار یادگیری توسط MLPS یا SVM انجام می شود ، ما یک تابع تقریبی f ˜ (x (t)) به دست می آوریم ، که به عنوان تولید سیگنال بازرگانی به شرح زیر تعبیر می شود:<[ 1 0 ] T , if f 1 ˜ ( X ( t ) )>y ^ (t) =

f 2 ˜ (x (t)) [0 1] t ، در غیر این صورت ،

جایی که f 1 ˜ (x (t)) و f 2 ˜ (x (t)) به ترتیب عنصر اول و دوم f ˜ (x (t)) را نشان می دهد.

3. 2چارچوب کلی

شکل 1 چارچوب کلی رویکرد ما را نشان می دهد. برای آزمایش سال y ، دو سال متوالی قبلی به ترتیب به عنوان مجموعه آموزش و اعتبار سنجی استفاده می شود. همانطور که در بخش 3. 1 توضیح داده شد ، متغیرهای ورودی و هدف با توجه به یک ترکیب پارامتر مدل سازی مشخص (α ، β ، γ) ∈ σ تولید می شوند. سپس ، MLP ها و SVM ها مشکل تقریب عملکرد را می آموزند و عملکرد توسط مجموعه داده سال اعتبار سنجی ارزیابی می شود. بهترین راه حل در بین ترکیبات پارامتر مدل 440 انتخاب شده است. صحت و سود بیش از سال آزمون y ارزیابی می شود.

3. 3ارزیابی عملکرد

همانطور که اشاره کردیم ، عملکرد تجارت بر اساس دو اقدام ، دقت و سود تجارت ارزیابی می شود.

3. 3. 1. دقت

دقت نسبت پیش بینی صحیح با مقایسه هدف و بردارهای بولی پیش بینی شده ، y (t) و y ^ (t) به ترتیب در طول سال آزمایش به شرح زیر است:

a c c u r a c y = ∑ t = 1 n i (y (t) = y ^ (t)) n

جایی که n تعداد روزها است و من یک تابع شاخص است که اگر شرط صحیح باشد یا در غیر این صورت 0 را برمی گرداند.

3. 3. 2. سود تجارت<1 , 2 , … , N>برای دیدن اینکه آیا یک استراتژی معاملاتی مبتنی بر پیش بینی شبکه عصبی می تواند سودآور باشد ، ما یک کار تجاری واقع بینانه را برای محاسبه سود یا ضرر شبیه سازی کردیم. بگذارید y ^ (t) (t ∈

) نتایج پیش بینی شده باشد. برای ارزیابی سود تجارت ، ما یک دوره معامله (B I ، C I) را که توسط یک جفت تاریخ ارائه شده است ، تعریف می کنیم ، به شرح زیر:b i = min>

و c i = min برای راحتی ، C 0 = 0 فرض می شود. با این تعاریف ، B I اولین روز است که از زمان پایان آخرین معامله سیگنال خرید تولید می شود ، و C I روز فروش سهام خریداری شده در روز B با توجه به مهلت و پارامتر آستانه سود (γ) است. سپس ، (b i ، c i) نشان دهنده معامله تجاری i-th است که سهام به ترتیب در روزهای B I و C I خریداری و فروخته می شود (ما توجه می کنیم که B I

p r o f i t = ∑ i = 1 t (p (c i) p (b i) - (1 + η))

در جایی که T تعداد معاملات رخ داده را نشان می دهد و η هزینه معامله است که در این مطالعه 0. 025 ٪ تعیین شده است. با در نظر گرفتن هزینه معامله ، اندازه گیری سود می تواند سود یا ضرر واقعی تر معاملات را نشان دهد.

4- نتایج تجربی~ما روش خود را با استفاده از libsvm (https://www. csie. ntu. edu. edu. tw/ پیاده سازی کردیم

CJLIN/LIBSVM/) و SCIKIT-LEARN (http://scikit-lea.org/) کتابخانه ها. در این مطالعه ، MLP ها از یک ورودی واحد ، نورون های پنهان و یک لایه خروجی تشکیل شده اند. تعداد نورون های ورودی به مقدار مشخص شده پارامتر اندازه پنجره ورودی α بستگی دارد و تعداد نورونهای پنهان از طریق آزمایش و خطا به 16 ثابت شد. علاوه بر این ، تعداد نورون های خروجی دو بود. MLP ها توسط الگوریتم backpropagation با نرخ یادگیری 0. 025 و میزان حرکت 0. 9 آموخته می شوند. عملکرد سیگموئید به عنوان یک تابع انتقال انتخاب می شود. در SVMS ، پارامتر مجازات اصطلاح خطا ، پارامتر ضریب هسته و درجه هسته چند جمله ای به ترتیب به 100 ، 1. 0 و 2 تنظیم شد.

4. 1مجموعه داده ها

در این مطالعه ، ما رویکرد خود را با شش سهام آزمایش کردیم: شاخص Hang Seng (HSI) ، شاخص کامپوزیت NASDAQ (NASDAQ) ، شاخص بورس اوراق بهادار Times Times 100 (FTSE) ، شاخص Nikkei 225 (Nikkei) ، شاخص بازار سوئیس (SMI) ،و گوگل (گوگل). ما قیمت های بسته شدن روزانه و حجم معاملات آنها را از ژانویه 1999 تا دسامبر 2015 جمع آوری کردیم. بنابراین ، سال آزمون از سال 2001 تا 2015 متفاوت است ، همانطور که در بخش 3. 2 توضیح داده شده است. برای هر سال آزمون و هر سهام ، ما 440 ترکیب از سه پارامتر مدل سازی (α ، β ، γ) را در نظر گرفتیم. بنابراین ، روش ما در مجموع 39،600 مجموعه داده (= 6 سهام × 15 آزمون × 440 ×) آموخته است.

4. 2تجزیه و تحلیل عملکرد

همانطور که در بخش 3. 2 توضیح داده شد ، رویکرد ما سه پارامتر مدل سازی را از طریق جستجوی شبکه بهینه می کند. برای نشان دادن اهمیت پارامترهای بهینه ، ما صحت رویکرد خود و دقت مورد انتظار را نسبت به همه ترکیبات پارامتر در نظر گرفته مقایسه کردیم. به عبارت دیگر ، دقت مورد انتظار به معنای میانگین دقت شبکه ها است که هر یک از آنها با 440 پارامتر مدل سازی مختلف آموزش دیده بودند. توجه داشته باشیم که بهترین پارامتر مدل سازی در رویکرد ما بر اساس مجموعه اعتبار سنجی انتخاب می شود ، نه مجموعه آزمون. بنابراین ، تضمین نمی شود که رویکرد ما همیشه بهتر از دقت مورد انتظار باشد. شکل 2 نتایج را نشان می دهد که MLP ها و SVM ها به عنوان الگوریتم یادگیری استفاده می شوند. همانطور که در شکل نشان داده شده است ، رویکرد ما صرف نظر از نوع سهام و سال آزمون ، دقت قابل توجهی بالاتر از دقت مورد انتظار نشان داد. علاوه بر این ، تعداد سالهای آزمایشی که در آن دقت رویکرد ما با MLP ها بالاتر از 0. 9 بود ، 12 ، 9 ، 13 ، 10 ، 10 و 13 از 15 سال در Nasdaq ، Google ، HSI ، Nikkei ، FTSE وSMI ، به ترتیب. اعداد مربوطه هنگام استفاده از SVM به ترتیب در NASDAQ ، Google ، HSI ، Nikkei ، FTSE و SMI به ترتیب 11 ، 10 ، 15 ، 12 ، 6 و 12 سال بود. برای سادگی ، ما میانگین دقت بیش از 15 سال آزمون را در شکل 3 نشان دادیم. میانگین دقت (0. 939) رویکرد ما با MLPS در 15 سال آزمون بالاتر از (0. 615) از مقدار مورد انتظار در حدود 0. 324 در مورد Nasdaq بودبشربهبود دقت سهام دیگر با رویکرد ما با MLP ها به ترتیب 0. 270 ، 0. 382 ، 0. 361 ، 0. 369 و 0. 297 در موارد Google ، HSI ، Nikkei ، FTSE و SMI بود. مقادیر هنگام استفاده از SVM به ترتیب در NASDAQ ، Google ، HSI ، Nikkei ، FTSE و SMI به ترتیب 0. 373 ، 0. 360 ، 0. 395 ، 0. 342 ، 0. 361 و 0. 372 بود. این نتایج ضرورت بهینه سازی پارامترهای مدل سازی را تأیید می کند ، که منجر به بهبود چشمگیر دقت پیش بینی می شود. علاوه بر این ، ما توزیع مقادیر بهینه α ، β و γ را که در کل 180 (= 6 سهام × 15 سال آزمون × 2 روش یادگیری) یافت شد) بررسی کردیم (شکل 4). همانطور که در شکل نشان داده شده است ، آنها مطابق با مجموعه داده ها متفاوت بودند ، که اهمیت بهینه سازی پارامترهای مدل سازی را توضیح می دهد. ما همچنین عملکرد را با توجه به سود تجارت بررسی کردیم. علاوه بر مقایسه با سود مورد انتظار در تمام ترکیبات پارامترهای مدل سازی ، ما سود تجارت را با توجه به استراتژی خرید و نگهدارنده بررسی کردیم.

جایی که معامله گر به ترتیب با قیمت بسته شدن روز اول و آخرین روز سال آزمون سهام را خریداری و به فروش می رساند. شکل 5 نتایج را نشان می دهد که MLP ها و SVM ها به عنوان یک الگوریتم یادگیری استفاده می شوند و شکل 6 میانگین سود معاملات را در طی 15 سال نشان می دهد. همانطور که در این ارقام نشان داده شده است ، رویکرد ما سود قابل توجهی بالاتر از ارزش مورد انتظار و استراتژی خرید و نگهدارنده نشان داده است. به طور خاص ، بهبود سود روش ما نسبت به انتظار از 0. 03 تا 0. 27 در پیش بینی مبتنی بر MLP و از 0. 07 تا 0. 13 در پیش بینی مبتنی بر SVM بود. علاوه بر این ، بهبود استراتژی خرید و نگهدارنده از 0. 04 به 0. 21 در پیش بینی مبتنی بر MLP و از 0. 05 تا 0. 108 در پیش بینی مبتنی بر SVM بود. این نتایج حاکی از آن است که روش ما می تواند یک استراتژی تجاری کارآمد برای سود قابل توجه و پایدار باشد. شکل 7 نتیجه ای از معاملات معاملاتی دقیق را نشان می دهد که وقتی روش ما با MLPS NASDAQ را در سال 2010 پیش بینی کرد. بهترین پارامتر مدل سازی به عنوان (α = 3 ، β = 10 ، γ = 0. 05) مشخص شد. مثلث های قرمز ("B") و آبی ("S") به ترتیب نمایانگر اقدامات خرید و فروش هستند و یک معامله شامل یک جفت اقدامات متوالی خرید و فروش است. همانطور که در شکل نشان داده شده است ، در کل 53 معاملات رخ داده است و 44 مورد سودآور نیز وجود دارد.

4. 3سودمندی اطلاعات حجم معاملات

همانطور که در بخش 3. 2 توضیح داده شد ، ما x (t) را ساختیم ، که از همان تعداد متغیرهای ورودی پایه و مبتنی بر حجم تشکیل شده است. برای بررسی اهمیت اطلاعات حجم معاملات در پیش بینی ، ما عملکرد مدل اصلی خود و یک مدل مختلف را که در آن متغیرهای ورودی مبتنی بر حجم از X (T) حذف شده اند ، مقایسه کردیم. ما دقت و سود را با استفاده از الگوریتم یادگیری MLP آزمایش کردیم (شکل 8). همانطور که در شکل نشان داده شده است ، مدل اصلی ما دقت بالاتری را نسبت به مدل نوع نشان داد. از نظر دقت ، مدل اصلی ما به ترتیب در 70 و 20 مورد به ترتیب در کل 90 مورد از مدل نوع بهتر و بدتر بود. با توجه به سود ، مدل اصلی ما به ترتیب در 78 و 12 مورد از مدل Variant استفاده و تحت تأثیر قرار داده است. روی هم رفته ، داده های حجم در بهبود عملکرد به طور قابل توجهی مفید هستند.

5. نتیجه گیری ها

در این مقاله ، ما یک روش جدید برای معاملات بهینه سهام روزانه ارائه دادیم. ما از قیمت بسته شدن و حجم معاملات برای تولید متغیرهای ورودی استفاده کردیم. قابل توجه است که آنها بر خلاف بیشتر مطالعات قبلی که در آن از قیمت بسته شدن بیشتر مورد استفاده قرار می گرفت ، با همان نسبت در تولید متغیرهای ورودی در نظر گرفته شدند. علاوه بر این ، ما سه پارامتر مدل سازی را تعریف کردیم: اندازه پنجره ورودی ، اندازه پنجره هدف و آستانه سود. پارامتر اول تعداد متغیرهای ورودی را تعیین می کند و دوم و سوم متغیر هدف را مشخص می کند. ما همچنین می خواهیم توجه داشته باشیم که تأثیرات آنها بر روی اجراها تاکنون به وضوح گزارش نشده است زیرا در اکثر مطالعات قبلی به سادگی توسط آزمایش و خطا تنظیم شده اند. برای حل این مشکل تقریب عملکرد پارامتر شده ، ما از SVM و MLP استفاده کردیم. ما مدل خود را با شش سهام به مدت 15 سال از سال 2001-2015 آزمایش کردیم. این مدل دقت و سود بسیار بالایی را نشان داد. این عملکرد موفق ، سودمندی حجم معاملات و اعتبار سنجی پارامترهای مدل سازی را توضیح می دهد. مطالعات آینده شامل بررسی شاخص های پیچیده تر است که می تواند از هر دو قیمت داده های حجم حاصل شود. علاوه بر این ، ما روش خود را برای پیش بینی سایر بازارهای مالی مانند نرخ بهره ، نرخ ارز و رمزنگاری به کار می بریم.

کمک های نویسنده

آزمایشات را تصور و طراحی کرد: Y.-K. K. آزمایشات را انجام داد: T.-A. D. تجزیه و تحلیل داده ها: T.-A. D. مقاله را نوشت: T.-A. D. و Y.-K. K.

منابع مالی

این کار توسط کمک هزینه آژانس تبلیغاتی صنعت فناوری اطلاعات (NIPA) که توسط دولت کره (MSIP) تأمین می شود (S1106-16-1002 ، توسعه نرم افزار RMS هوشمند برای تشخیص پیش بینی گسل مبتنی بر کشتی) پشتیبانی شد.

تضاد علاقه

1. نویسندگان اعلام می کنند که هیچ تضاد منافع ندارند.
2. منابع
3. Abhyankar ، A. ؛Copeland ، L. S. ؛وونگ ، دبلیو. J. Bus. ECONآمار1997 ، 15 ، 1-14.[Google Scholar]
4. سلام.؛Fataliyev ، K. ؛Wang ، L. انتخاب ویژگی برای تجزیه و تحلیل بازار سهام. در کنفرانس بین المللی پردازش اطلاعات عصبی ؛اسپرینگر: برلین ، آلمان ، 2013. [Google Scholar]
5. Pring ، معرفی M. J. Martin Pring در تحلیل فنی ؛McGraw Hill Professional: New York ، NY ، USA ، 2015. [Google Scholar]
6. Kotler ، P. تصمیم گیری در مورد بازاریابی: یک رویکرد ساختمان سازی. هولت ، راینهارت و وینستون: نیویورک ، نیویورک ، ایالات متحده ، 1971. [Google Scholar]
7. چن ، ج. ؛هنگ ، ح. ؛استین ، J. C پیش بینی تصادفات: حجم معاملات ، بازده گذشته و کمبود شرطی در قیمت سهام. J. مالی. ECON2001 ، 61 ، 345-381.[Google Scholar] [CrossRef]
8. یو ، ل. ؛چن ، ح. وانگ ، س. ؛LAI ، K. K. در حال تکامل حداقل مربعات از دستگاه های بردار پشتیبانی برای معدن روند بازار سهام. IEEE ترانس. تحولرایانه. 2009 ، 13 ، 87-102.[Google Scholar]
9. گالانت ، A. R. ؛راسی ، P. E. ؛Tauchen ، G. قیمت سهام و حجم. Rev. Financy. گل میخ1992 ، 5 ، 199 242.[Google Scholar] [CrossRef]
10. Pacelli ، v. ؛Bevilacqua ، v. ؛Azzollini ، M. یک مدل شبکه عصبی مصنوعی برای پیش بینی نرخ ارز. ج. فرا گرفتن. systکاربرد2011 ، 3 ، 57-69.[Google Scholar] [CrossRef]
11. تینو ، ص ؛Schittenkopf ، ج. ؛Dorffner ، G. تجارت نوسانات مالی با استفاده از شبکه های عصبی مکرر. IEEE ترانس.netw عصبی. 2001 ، 12 ، 865-874.[Google Scholar] [CrossRef] [PubMed] [نسخه سبز]
12. حمید ، S. A. ؛IQBAL ، Z. با استفاده از شبکه های عصبی برای پیش بینی نوسانات قیمت های آتی شاخص S& P 500. J. Bus. res2004 ، 57 ، 1116 1125.[Google Scholar] [نسخه سبز]
13. ژو ، م. ؛Wang ، L. تجارت هوشمند با استفاده از رگرسیون بردار پشتیبانی و Perceptrons چند لایه بهینه شده با الگوریتم های ژنتیکی. در مجموعه مقالات کنفرانس مشترک بین المللی IEEE 2010 در شبکه های عصبی (IJCNN) ، بارسلونا ، اسپانیا ، 18-23 ژوئیه 2010. [Google Scholar]
14. گوپتا ، س. ؛Wang ، L. پیش بینی سهام با شبکه های عصبی Feedforward و نمونه برداری به تدریج داده ها. آستج. inf. روند. syst2010 ، 11 ، 14-17.[Google Scholar]
15. CAO ، L.-J. ؛Tay ، F. E. H. دستگاه بردار پشتیبانی با پارامترهای تطبیقی در پیش بینی سری زمانی مالی. IEEE ترانس.netw عصبی. 2003 ، 14 ، 1506-1518.[Google Scholar] [CrossRef] [PubMed] [نسخه سبز]
16. میتدورفر ، ر. ؛Diederich ، J. پیش بینی بازده روز اول پیشنهادات عمومی اولیه در بازار سهام ایالات متحده با استفاده از استخراج قانون از دستگاه های بردار پشتیبانی. در استخراج قانون از دستگاه های بردار پشتیبانی ؛اسپرینگر: برلین ، آلمان ، 2008 ؛صص 185-203.[Google Scholar]
17. حسین ، م. ؛Wajid ، S. K. ؛الزارت ، ا. ؛Berbar ، M. مقایسه عملکرد هسته SVM برای تشخیص سرطان پستان. در مجموعه مقالات IEEE 2011 هشتمین کنفرانس بین المللی گرافیک ، تصویربرداری و تجسم (CGIV) ، سنگاپور ، 17-19 اوت 2011. [Google Scholar]
18. Kwon ، Y.-K. ؛مون ، B.-R. پیش بینی سهام روزانه با استفاده از هیبریدهای عصبی ژنتیکی. در محاسبات ژنتیکی و تکاملی - Gecco 2003 ؛اسپرینگر: برلین ، آلمان ، 2003. [Google Scholar]
19. Kwon ، Y.-K. ؛مون ، B.-R. یک رویکرد عصبی ترکیبی برای پیش بینی سهام. IEEE ترانس.netw عصبی. 2007 ، 18 ، 851-864.[Google Scholar] [CrossRef] [PubMed]
20. لین ، ایکس. یانگ ، ز. ؛Song ، Y. سیستم تجارت هوشمند سهام مبتنی بر تجزیه و تحلیل فنی بهبود یافته و شبکه حالت Echo. سیستم متخصصکاربرد2011 ، 38 ، 11347 11354.[Google Scholar] [CrossRef]
21. کیم ، K.-J. پیش بینی سری زمانی مالی با استفاده از ماشین های بردار پشتیبانی. Neurocomputing 2003 ، 55 ، 307-319.[Google Scholar] [CrossRef]
22. چانگ ، P.-C. ؛لیو ، C.-H. ؛لین ، J.-L. ؛تفننی.؛Ng ، C. S. P. یک شبکه عصبی با یک پنجره پویا مبتنی بر مورد برای پیش بینی معاملات سهام. سیستم متخصصکاربرد2009 ، 36 ، 6889-6898.[Google Scholar] [CrossRef]
23. نیش ، ی. ؛Fataliyev ، K. ؛وانگ ، ل. ؛فو ، x. ؛Wang ، Y. بهبود شبکه عصبی موجک بهینه سازی ژنتیکی-الگوریتم برای پیش بینی بازار سهام. در مجموعه مقالات کنفرانس مشترک بین المللی IEEE 2014 در شبکه های عصبی (IJCNN) ، پکن ، چین ، 6-11 ژوئیه 2014. [Google Scholar]
24. Roh ، T. H. پیش بینی نوسانات شاخص قیمت سهام. سیستم متخصصکاربرد2007 ، 33 ، 916-922.[Google Scholar]
25. Bhat ، A. A. ؛KAMATH ، S. S. خودکار پیش بینی قیمت سهام و چارچوب معاملات برای معاملات Intraday Nifty. در مجموعه مقالات چهارمین کنفرانس بین المللی IEEE 2013 در مورد محاسبات ، ارتباطات و فن آوری های شبکه (ICCCNT) ، Tiruchengode ، هند ، 4-6 ژوئیه 2013. [Google Scholar]
26. دونگ ، ج. ؛Fataliyev ، K. ؛Wang ، L. یک مرحله ای و چند مرحله ای پیش بینی سهام با استفاده از شبکه های عصبی Backpropagation. در مجموعه مقالات IEEE 2013 نهمین کنفرانس بین المللی اطلاعات ، ارتباطات و پردازش سیگنال (ICIC) ، Tainan ، تایوان ، 10-13 دسامبر 2013. [Google Scholar]
27. Mittermayer ، M.-A. پیش بینی روند قیمت سهام Intraday با تکنیک های استخراج متن. در مجموعه مقالات 37 مین کنفرانس بین المللی سالانه هاوایی در مورد علوم سیستم ، جزیره بزرگ ، HI ، ایالات متحده ، 5-8 ژانویه 2004. [Google Scholar]
28. De Oliveira ، F. A. ؛Zárate ، L. E. ؛De Azevedo Reis ، م. ؛Nobre ، C. N. استفاده از شبکه های عصبی مصنوعی در تجزیه و تحلیل و پیش بینی قیمت سهام. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2011 ، Man و Cybeetics (SMC) ، Anchorage ، AK ، ایالات متحده ، 9-12 اکتبر 2011. [Google Scholar]
29. شبکه های عصبی Wang ، L. Wavelet برای تجارت و پیش بینی سهام. در مجموعه مقالات دفاع SPIE ، امنیت و سنجش ، بالتیمور ، MD ، ایالات متحده ، 29 آوریل - 3 مه 2013 ؛دوره 29. [Google Scholar]
30. مبارک ، اف. ؛جاوید ، A. رابطه بین بازده سهام ، حجم معاملات و نوسانات: شواهدی از بازار سهام پاکستانی. آسیا PAC. J. مالی. بانکres2009 ، 3 ، 3. [Google Scholar]