توسعه سیستم تجارت سهام بر اساس یک شبکه عصبی با استفاده از الگوهای قیمت بسیار بی ثبات سهام

doi 10. 7717/peerj-cs. 915 منتشر شده 2022-03-02 پذیرفته شده 2022-02-14 دریافت شده 2021-12-21 ویرایشگر دانشگاهی Nageswara Rao Moparthi زمینه های موضوعی سازگار و خود سازماندهی ، اطلاعات مصنوعی ، داده های استخراج و یادگیری ماشینپیش بینی قیمت سهام کلمات کلیدی ، الگوی قیمت سهام بسیار بی ثبات ، تجزیه و تحلیل فنی ، شبکه عصبی کپی رایت © 2022 OH مجوز این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده نامحدود ، توزیع ، تولید مثل و سازگاری را در اختیار شما قرار می دهد. هر متوسط و برای هر منظور به شرط اینکه به درستی نسبت داده شود. برای انتساب ، نویسنده اصلی (ها) ، عنوان ، منبع انتشار (علوم کامپیوتر PEERJ) و یا DOI یا URL مقاله باید ذکر شود. به این مقاله OH J. 2022 اشاره کنید. توسعه سیستم تجارت سهام بر اساس یک شبکه عصبی با استفاده از الگوهای قیمت بسیار بی ثبات سهام. علوم کامپیوتر Peerj 8: E915 https://doi. org/10. 7717/peerj-cs. 915

نویسنده تصمیم گرفته است تاریخچه بررسی این مقاله را عمومی کند.

خلاصه

در این مقاله یک سیستم تجارت سهام مبتنی بر الگوی با استفاده از یادگیری عمیق مبتنی بر ANN و استفاده از نتایج برای تجزیه و تحلیل و پیش بینی الگوهای قیمت سهام بسیار بی ثبات ارائه شده است. سه الگوی قیمت بسیار بی ثبات حاوی حداقل رکورد قیمت که به سقف روزانه در روزهای معاملاتی اخیر ضربه می زند تعریف شده است. پیامدهای هر الگوی به طور خلاصه با استفاده از نمونه های نمودار مورد تجزیه و تحلیل قرار می گیرد. آموزش شبکه عصبی با داده های سهام فیلتر شده در سه الگوی انجام شد و سیگنال های معاملاتی با استفاده از نتایج پیش بینی آن شبکه های عصبی تولید شد. با استفاده از داده های بازارهای KOSPI و KOSDAQ ، مشخص شد که سیستم معاملاتی مبتنی بر الگوی پیشنهادی می تواند عملکردهای تجاری بهتری نسبت به شاخص های سهام داخلی و خارج از کشور داشته باشد. اهمیت این مطالعه توسعه یک مدل پیش بینی قیمت سهام است که از شاخص بازار فراتر می رود تا به غلبه بر انجماد مداوم نرخ بهره در کره کمک کند. همچنین ، نتایج این مطالعه می تواند به سرمایه گذارانی که به دلیل شکاف اطلاعاتی در سرمایه گذاری در سهام ناکام هستند ، کمک کند.

معرفی

پیش بینی قیمت سهام مدتهاست که مورد توجه بسیاری از زمینه های مرتبط از جمله اقتصاد ، ریاضیات ، فیزیک و علوم کامپیوتر قرار گرفته است. یک بحث مداوم در مورد اینکه آیا پیش بینی قیمت سهام امکان پذیر است یا خیر ، وجود دارد و در صورت امکان ، چقدر این پیش بینی ها می توانند از بازار بهتر باشند. با این حال ، حوزه هوش مصنوعی (هوش مصنوعی) اخیراً تکنیک های پیش بینی قیمت را با استفاده از تکنیک های مختلف یادگیری ماشین که نشان می دهد سطح قابل توجهی از اعتماد به نفس آماری را نشان داده است (Hsu ، 2011 ؛ Hadavandi ، Shavandi & Ghanbari ، 2010 ؛ Armano ، Marchesi & Murru، 2005 ؛ دینگ و همکاران ، 2015 ؛ جیانگ ، 2021). تعدادی از مطالعات ایجاد سیستم های تجاری هوشمند نیز بر اساس نتایج این تکنیک های پیش بینی قیمت هوش مصنوعی انجام شده است (Lin ، Yang & Song ، 2011 ؛ O et al. ، 2004 ؛ Song ، Le & Lee ، 2020).

O و همکاران.(2004) و O و همکاران.(2006) نتیجه گرفت که عملکرد معاملات علاوه بر این با استفاده از پیش بینی کننده های مستقل برای الگوهای مختلف قیمت سهام می تواند علاوه بر این بهبود یابد.

بسیاری از تجزیه و تحلیل های فنی پیش بینی قیمت سهام موجود ، ویژگی های ورودی را بر اساس قیمت سهام متوسط (MA) در حال حرکت است که می تواند به طور مؤثر روند اخیر نوسانات قیمت را بیان کند. به عنوان مثال ، MACD (میانگین واگرایی همگرایی در حال حرکت) از تفاوت بین میانگین حرکت بلند مدت و کوتاه مدت برای نشان دادن همگرایی و واگرایی مقادیر متوسط متحرک استفاده می کند.

O و همکاران.(2006) پیش بینی های تعریف شده از الگوی را با استفاده از الگوهای مربوط به متقاطع ، معکوس به صعود و وارونگی به پایین آمدن در بین خطوط متوسط 5 روز ، 10 روزه و 20 روزه انجام داد.

با این حال ، تمام شاخص های فنی مبتنی بر MA ، از جمله MACD ، محدودیت "زمان" دارند زیرا سیگنال های خرید و فروش بیشتر پس از توسعه روند قیمت تولید می شوند. این مطالعه با معرفی مفهوم "قیمت حد بالایی" ، که به طور مستقل از میانگین متحرک تعریف می شود ، سعی در پیش بینی الگوهای قیمت بسیار بی ثبات سهام خواهد داشت. در این مطالعه همچنین از شاخص های شمعدان ژاپنی و شاخص های فنی کوتاه مدت بیشتر برای تکمیل مشکل-LAG استفاده خواهد شد.

در شاخص شمعدان ژاپنی ، شمعدان خلاصه تغییرات داخل قیمت سهام را خلاصه می کند و تفاوت های بین قیمت افتتاح ، بالاترین ، کمترین و قیمت های بسته را بیان می کند ، که از طریق آن جدیدترین نوسانات قیمت را می توان از نزدیک خلاصه کرد.

طبق تحلیل های مختلف تجربی بازار سهام کره ، بازار سهام کره ای ناکارآمدی بازار را به دلیل عدم تقارن اطلاعات نشان می دهد (لی ، 2007 ؛ بارک ، 1991). اگرچه ناکارآمدی بازار پایین تر از بازار سهام بزرگتر خارجی است ، اما هنوز مسئله شکاف اطلاعات وجود دارد. بنابراین ، این مقاله نشان می دهد که اطلاعات ویژه سرمایه گذاری و تجزیه و تحلیل برای غلبه بر ناکارآمدی بازار. با این حال ، از آنجا که شاخص های تجزیه و تحلیل فنی اطلاعات مربوط به قیمت و نمودار هستند که بسیاری از افراد از قبل می دانند ، یک روش جدید تجزیه و تحلیل نمودار مورد نیاز است.

فرضیه کارآمد بازار ادعا شده توسط FAMA (1965) در صورت فراتر از نرخ بازده بازار با استفاده از اطلاعات خاص ، رد می شود. این مطالعه یک الگوی جدید "قیمت سهام بسیار بی ثبات" را ارائه می دهد که هنوز در تجزیه و تحلیل فنی وجود ندارد. با استفاده از الگوی پیشنهادی در این مقاله ، می توان یک مدل پیش بینی کننده را بیش از بازده بازار تهیه کرد. نتایج این مطالعه با فرضیه کارآمد بازار مغایرت دارد.

به طور خلاصه ، این مطالعه ناکارآمدی بازار را در بازار سهام کره ای فرض می کند و اطلاعات جدیدی را ارائه می دهد که انتظار می رود بر نوسانات قیمت تأثیر بگذارد. الگوی قیمت سهام بسیار بی ثبات با رابطه بین "حد بالایی" و قیمت سهام در بازار سهام کره تعریف می شود. از طریق شبیه سازی صندوق مشخص شد که سرمایه گذاران می توانند با استفاده از الگوهای بسیار بی ثبات ، بازده کارآمد را از طریق یک مدل پیش بینی قیمت سهام یادگیری عمیق بدست آورند.

همچنین مشخص شد که پیش بینی قیمت سهام تنها با تجزیه و تحلیل نمودارهای ساده مانند میانگین حرکت دشوار است ، بنابراین تعریف یک الگوی خاص از تغییر لازم است. این الگوی را می توان در صورت وجود قیمت سهام یافت که حد بالایی را نشان می دهد. این الگوی همچنین می تواند در دوره های مختلف زمانی ظاهر شود حتی اگر نمودار ویژگی های یک پیاده روی تصادفی را نشان دهد.

این آزمایش بر اساس تحقیقات مرتبط انجام شده است که بازار سهام کره نسبت به ویژگی های کار تصادفی تغییرات روند بیشتری را نشان می دهد (Aggarwal ، 2018 ؛ Ryoo & Smith ، 2002 ؛ Ayadi & Pyun ، 1994).

مطالعات مربوط به تجزیه و تحلیل بازار سهام از چین ، هند و مغولستان که مشابه کره است ، همچنین قادر به اثبات نظریه پیاده روی تصادفی مطابق با بازار سهام نبودند (هان ، وانگ و زو ، 2019 ؛ دامدیندورج ، ری و چوی ، 2016).

مطالعه حاضر نشان می دهد که سیستم معاملات پیشنهادی سهام می تواند با انجام آموزش های خاص الگوی در مورد الگوهای قیمت سهام بسیار بی ثبات ، عملکردهای تجاری بهتری نسبت به شاخص های سهام داخلی و خارج از کشور داشته باشد. این آزمایشات بر روی داده های تغییر سهام استخراج شده از داده های قیمت تقریباً 2،000 سهام ذکر شده در بازارهای KOSPI و KOSDAQ انجام شد. محدودیت های مطالعات موجود و نقاط قوت این مطالعه به شرح زیر است.

محدودیت مطالعات موجود

1. محدودیت های تأیید سودآوری: مطالعات موجود تنها دقت یا خطای پیش بینی را با استفاده از مدلهای پیش بینی قیمت سهام نشان می دهد. با این حال ، عملکرد واقعی مدل پیش بینی قیمت سهام نیاز به تأیید بازده دارد.
2. محدودیت های استفاده از ویژگی های ورودی ساده: مطالعات موجود از ویژگی های ورودی بسیار ساده مانند ویژگی های قیمت ساده ، حجم ، نرخ قیمت تغییر و غیره استفاده کرده اند. ویژگی های ورودی ساده محدود هستند و استفاده از ویژگی های ورودی پیشرفته تر می تواند تا حد زیادی بر عملکرد مدلهای پیش بینی تأثیر بگذارد.
3. محدودیت در دقت پیش بینی: بیشتر مدل های پیش بینی کننده در مطالعات موجود به دقت بالایی نرسیده اند.

نقاط قوت این مطالعه

این مطالعه تأیید عملکرد روشنی را از طریق مقایسه عملکرد با چندین شاخص انجام داد. علاوه بر این ، اگرچه از یک شبکه عصبی عمیق ساده استفاده شده است ، اما ویژگی های ورودی پیشرفته عملکرد مدل پیش بینی قیمت سهام را بهبود می بخشد. اگرچه مدل های سری زمانی مانند LSTM وجود دارد ، اما این مطالعه از ویژگی های ورودی فیلتر الگوی با ولتاژ بالا استفاده می کند. در نتیجه ، داده های قیمت سهام یک قسمت بدون الگوی مربوطه تا حدی فیلتر می شود. بنابراین ، تداوم داده های سری زمانی ناچیز است. در نتیجه ، یادگیری عمیق به ما کمک کرد تا اهمیت ویژگی های ورودی مانند الگوهای نوسانات بالا را در پیش بینی قیمت سهام شناسایی کنیم. شبکه عصبی عمیق که ما از آن استفاده کردیم یک ساختار نسبتاً ساده است ، اما عملکرد کافی آن تأیید شده است. جدید بودن این مطالعه به شرح زیر خلاصه شده است.

• اول ، یک فناوری فیلتر پیشرفته که می تواند عملکرد مدل پیش بینی قیمت سهام را بهبود بخشد ، پیشنهاد شد. الگوی نوسانات قیمت سهام ارائه شده در این مقاله بر اساس نتایج تجزیه و تحلیل نمودارهای سهام داخلی ایجاد شده است. از آنجا که این الگویی است که بر اساس نمودار واقعی ایجاد شده است ، بازار را به خوبی نشان می دهد و عملکرد عالی را در مقایسه با الگوی متوسط مبتنی بر حرکت نشان می دهد.
• دوم ، سرمایه گذاران را قادر می سازد بدون تجزیه و تحلیل داده های روزانه سرمایه گذاری های راحت انجام دهند. با استفاده از مدل شبکه عصبی ، داده های زیادی را می توان به یکباره اداره کرد و نتایج پیش بینی نتایج قابل اعتماد است که از طریق یک دوره کافی از شبیه سازی صندوق تأیید شده است.
• سوم ، فناوری فیلتر پیشرفته پیش بینی کافی قیمت سهام را حتی در یک مدل یادگیری عمیق ساده امکان پذیر می کند. بیشتر مطالعات موجود هنگام انجام مطالعات پیش بینی قیمت سهام در یادگیری عمیق بر ساختار مدل متمرکز است. به عنوان مثال ، عملکرد با استفاده از چندین مدل برای همان داده ها مقایسه می شود. با این حال ، علاوه بر مسئله انتخاب ساختار مدل ، ترکیب داده ها و اهمیت الگوریتم های فیلتر از طریق این مطالعه ارائه می شود.

این مقاله به شرح زیر سازماندهی شده است: "آثار مرتبط" مطالعات مرتبط را توصیف می کند."پیشینه" دانش مورد استفاده قبل از روش اصلی این مطالعه را توصیف می کند. در "مواد و روش ها" ، الگوهای متوسط مبتنی بر متحرک که معمولاً در مطالعات موجود مورد استفاده قرار می گیرند ، تعریف رسمی از سه الگوی قیمت سهام بسیار بی ثبات ارائه می شود و معانی الگوهای فردی از طریق تظاهرات نمودار توصیف می شود؛در "آزمایش" ، ویژگی های ورودی و ارزش هدف سیستم یادگیری شبکه عصبی شرح داده خواهد شد. در "نتایج آزمایشات" ، نتایج تجربی ارائه می شود. و سرانجام ، مسیرهای تحقیق آینده در "نتیجه گیری" پیشنهاد می شود.

کارهای مرتبط

تحقیقات مربوط به پیش بینی قیمت سهام به طور سنتی با استفاده از ARIMA انجام شده است (Benvenuto et al. ، 2019 ؛ Ariyo ، Adewumi & Ayo ، 2014) ، رگرسیون (Refenes ، Zapranis & Francis ، 1994 ؛ Yang ، Chan & King ، 2002) و Bayesian(Pella & Masuda ، 2001) برای بازتاب ویژگی های داده های سری زمانی.

Arima یک الگوی آماری است که به طور گسترده در بخش مالی مورد استفاده قرار می گیرد. با این حال ، این مدلی است که منحصراً برای پیش بینی های کوتاه مدت مورد استفاده قرار می گیرد و این ضرر را دارد که تأیید عملکرد سرمایه گذاری بلند مدت دشوار است. از آنجا که پیش بینی قیمت سهام نزدیک به سود است ، سرمایه گذاری مستقیم در یک مدل تأیید شده کوتاه مدت می تواند منجر به خطرات شود. علاوه بر این ، به این دلیل که میزان داده های سهام انباشته شده از گذشته بسیار گسترده است ، مدلی که می تواند مقادیر زیادی از داده ها را اداره کند. در این راستا ، یک نتیجه مطالعه نیز وجود دارد که پیش بینی شاخص با استفاده از مدل ARIMA دارای دقت حداکثر 38 ٪ است (Devi ، Sundar & Alli ، 2013). با این حال ، دقت پیش بینی برای انجام سرمایه گذاری های واقعی با استفاده از این مدل بسیار کم بود.

Baysian مدلی است که می تواند طبقه بندی را بر اساس نظریه احتمالی انجام دهد و برای پیش بینی قیمت سهام در گذشته استفاده می شود. با این حال ، با توسعه اخیر شبکه های عصبی مصنوعی ، از آن به عنوان یک مدل مقایسه ای استفاده می شود. Baysian همچنین به عنوان مناسب برای پیش بینی میانی یا بلند مدت ، مانند مدل ARIMA مناسب نیست. در مطالعات مرتبط با استفاده از مدل بیزی ، پیش بینی ها با دقت 78 ٪ انجام شد (مالاژینو ، رومن و مونتیرو ، 2018). این عملکرد بهتر از مدل ARIMA بود ، اما مقادیر کمتری نسبت به مدل شبکه عصبی نشان داد که در زیر شرح داده شده است.

مهمتر از همه ، این مدل های پیش بینی کننده موجود اغلب به دلیل مشکلات زیر و بیش از حد ، اطلاعات را نادرست تفسیر می کنند ، بنابراین آنها اغلب در فعالیت های تصمیم گیری برای پیش بینی قیمت سهام کمکی نمی کنند. علاوه بر این ، قبلاً ثابت شده است که شبکه های عصبی بهتر از روش های سنتی عملکرد دارند (Bustos & Pomares-Quimbaya ، 2020). به دلایل فوق ، از تکنیک مبتنی بر شبکه عصبی در پیش بینی قیمت سهام اخیر استفاده شده است.

از نظر نمایندگی ، یک مطالعه با استفاده از شاخص موج الیوت به عنوان یک مطالعه پیش بینی قیمت سهام با استفاده از شبکه های عصبی وجود دارد (Lakshminarayanan و همکاران ، 2006). در این مطالعه از داده های مبتنی بر تجزیه و تحلیل فنی استفاده شده است ، و دقت مدل 83 /93 ٪ بود. این مطالعه از شاخص های فنی خود استفاده کرده و برای پنج سهام پیش بینی شده است. بر اساس این یافته ها ، می توان فرض کرد که ویژگی های ورودی پیشرفته تر می توانند منجر به بهبود عملکرد مدل شوند.

چندین مقاله دیگر مشابه این مقاله از تکنیک های یادگیری ماشین مانند رگرسیون و SVM ، مدلهایی مانند CNN و LSTM یا تکنیک های گروه برای پیش بینی قیمت سهام استفاده شده است (Oncharoen & Vateekul ، 2018 ؛ Liu & Wang ، 2018 ؛ Jiang ، 2021).

CAO & Wang (2019) تلاش کردند شاخص سهام کشورهای مختلف را با استفاده از مدل برنامه CNN پیش بینی کنند. فقط از داده های تاریخی به عنوان ویژگی های ورودی استفاده می شد و تکنیک های نمونه برداری و حلقوی متعلق به CNN عمدتاً برای بهبود عملکرد پیش بینی قیمت سهام استفاده می شد. در نتیجه ، آنها پیشنهاد کردند که مدل مختلط CNN-SVM بهترین عملکرد را داشته باشد. با این حال ، از ویژگی های ورودی ساده استفاده شد ، و عملکرد دقیق و بازگشت مدل تأیید نشده است ، بنابراین تأیید عملکرد واقعی مدل CNN-SVM دشوار بود.

یک مطالعه دیگر (گوانگ ، شیائوجی و رویفان ، 2019) به بررسی نرخ بازده مدل پیش بینی قیمت سهام پرداخت. این مدل بازده خاص دوره ای نیست ، بلکه بازده مطلق است که سرمایه گذاری ها و دارایی هایی را که ممکن است در شخص به شخص دیگر متفاوت باشد ، در نظر نمی گیرد. علاوه بر این ، سود به دست آمده هیچ مقایسه ای با شاخص سهام ندارد که می تواند به دلیل افزایش بازار به عنوان نرخ بازده در نظر گرفته شود.

یک مطالعه مشابه (Pang et al. ، 2020) شامل تکنیک های تعبیه شده کلمه مانند LSTM (حافظه کوتاه مدت بلند) بود. در اینجا داده های سهام ، که یک ویژگی سری زمانی است ، به عنوان یک بردار سهام گفته می شود و به عنوان یک ویژگی ورودی استفاده می شود. مدلی که آنها توسعه دادند سعی کردند شاخص سهام شانگهای را پیش بینی کنند و دقت در حدود 57 ٪ را نشان دادند ، اما این مطالعه مقایسه ای از بازده از طریق پیش بینی نداشت. مدل پیش بینی قیمت سهام بالا ، دقت بالاتری نسبت به مدل ارائه شده توسط Pang و همکاران دارد. علاوه بر این ، تنها چند مطالعه (فنگ و همکاران ، 2018 ؛ آراجو و همکاران ، 2019) با استفاده از مدلهای مختلف عمیق ، بازده حاصل شده و عملکرد آنها را ارزیابی کرده اند ، و بیشتر مطالعات نمی توانند بازده روشنی را تضمین کنند زیرا آنها هیچ مقایسه ای ارائه نمی دهند. با شاخص سهام

شواهد اخیر نشان می دهد که انتخاب ویژگی ورودی در یادگیری مدل بسیار مهم است. انتخاب ویژگی های ورودی کلیدی می تواند منجر به بهبود شود (Hooshmand & Gad ، 2020). بر این اساس ، در این مقاله ، این مطالعه با تمرکز بر ترکیب داده ها و تازگی به جای ساختار مدل انجام شد.

زمینه

MA (میانگین متحرک) الگوهای مبتنی بر

قبل از بررسی الگوی قیمت سهام بالا با استفاده از شاخص شمعدان ژاپنی ، که در این مطالعه تمرکز است ، معنی و محدودیت های چهار الگوی مبتنی بر MA ارائه شده در مطالعات مرتبط ، مورد بررسی قرار می گیرد ، الگوی "واگرایی" و "وارونگی"الگوی MA (میانگین در حال حرکت) به عنوان نمونه. O و همکاران.(2006) که الگوهای را بر اساس میانگین متحرک تعریف و استفاده می کرد. میانگین متحرک متوسط قیمت سهام در طی یک دوره زمانی است و برای خلاصه کردن روند قیمت سهام استفاده می شود. میانگین متحرک نیز توسط MA مشخص شده است که در آن 5 ، 10 ، 20 روز و غیره به عنوان پنجره زمان استفاده می شود. به عنوان نمونه ، میانگین متحرک 5 روزه سهام S در روز معاملاتی T می تواند به شرح زیر محاسبه شود: (1) ma 5 t s = 1 5 ∑ k = 0 4 نزدیک t-k s.

به همان روش فوق ، حجم نیز می تواند به عنوان میانگین متحرک حجم محاسبه شود و میانگین متحرک 5 روزه در روز معاملات سهام را می توان به شرح زیر حساب کرد: (2) VMA 5 T S = 1 5 ∑ K= 0 4 جلد t - k s

جایی که Clos T S قیمت بسته شدن روز معاملات T است. شیب خط اتصال میانگین متحرک به میانگین متحرک دیگر به عنوان درجه مشخص می شود و می تواند با استفاده از Eq زیر محاسبه شود.(3): (3) درجه 5 t s = ma 5 t s - ma 5 t - 1 s ma 5 t s.

معادله (4) مجموعه هدف آموزش D را تعریف می کند_خرساین مطابق با الگوی واگرایی است. واگرایی به زمانی اشاره می کند که میانگین متحرک کوتاه مدت نسبتاً زیر میانگین های در حال حرکت طولانی مدت قرار دارد ، که ناشی از ادامه روند نزولی قیمت سهام برای مدت زمان قابل توجهی است. معادله (4) نشان می دهد که میانگین متحرک 5 روزه از میانگین حرکت 10 روزه کوچکتر است و میانگین حرکت 10 روزه از میانگین حرکت 20 روزه کوچکتر است: (4) D Bear = X S ، T ، O S ،t |MA 5 T S

جایی که x_{s ، t}یک بردار از ویژگی ورودی است ، و o_{s ، t}ارزش هدف نشان دهنده نوسان قیمت پس از وقوع الگوی است. α و β به ترتیب کل مجموعه سهام و کل روز معاملاتی هستند. شکل 1 نمونه ای از نمودارهای مربوط به الگوی واگرایی است. توضیحات نمودار در شکل 1 به شرح زیر است. شانزده روز معاملات از A تا B با الگوی واگرایی مطابقت دارد. در این حالت ، افزایش قیمت نسبتاً شیب دار در حدود نقطه B نشان داده شده است. اما ، به طور کلی ، حتی اگر یک بازگشت دوباره ظاهر شود ، افزایش آنقدر بزرگ نخواهد بود.

معادله (5) مجموعه هدف آموزش D را تعریف می کند_TUکه مربوط به واژگونی به الگوی رو به رشد است. معکوس به بالا رفتن به این معنی است که یکی از خطوط متوسط در حال حرکت از یک رو به پایین به یک صعود معکوس می شود. روز معاملاتی A ، B ، C در شکل 2 نشان واژگونی به الگوهای صعود دارد. در میان اینها ، مواردی را نشان می دهد که خط MA 5 روزه به دلیل افزایش شدید قیمت سهام ، به صعود معکوس می شود.

این مورد ضعف MA را به عنوان یک شاخص پیش بینی نشان می دهد زیرا قیمت قبل از صدور سیگنال معاملاتی افزایش یافته بود. پدیده تولید سیگنال ها پس از حرکت قیمت در حال حاضر رخ داده است "زمان-لاگ" نامیده می شود. این الگوی مبتنی بر MA بسیار غالباً بوجود می آید ، بنابراین قدرت استفاده از مقدار زیادی از داده های آموزشی را دارد ، اما تاخیر زمان توانایی پیش بینی این الگوی را کاهش می دهد.(5) d tu = x s ، t ، o s ، t |درجه 5 t - 1 ثانیه<0 & & Grad 5 t s>0 ||درجه 1 0 t - 1 ثانیه<0 & & Grad 1 0 t s>0 ، ||درجه 2 0 t - 1 ثانیه<0 & & Grad 2 0 t s>0 ، S ∈ α ، t ∈ β.

مواد و روشها

الگوهای قیمت بسیار بی ثبات سهام

در این بخش یک تکنیک برای فیلتر کردن داده ها نشان داده شده است که الگوی قیمت سهام بی ثبات بالا در نمودار سهام را نشان می دهد. در مجموع سه الگوریتم فیلتر وجود دارد و با استفاده از آنها ، داده هایی با الگوهای نوسانات بالا یک خوشه را تشکیل می دهند. الگوریتم های مبتنی بر یادگیری ماشین مانند K-Means لزوماً هنگام ایجاد خوشه استفاده نمی شدند. این امر به این دلیل است که زمان لازم برای ایجاد یک خوشه در مقایسه با مطالعات مشابه بسیار کوتاه است (Alguliyev ، Aliguliyev & Sukhostat ، 2019).

در سیستم معاملات سهام مبتنی بر الگوی ، چندین پیش بینی کننده مستقل در مورد داده های خوشه بندی شده مطابق با الگوهای قیمت سهام آموزش داده می شوند و در معاملات نهایی به کار می روند. در این مقاله ، الگوهای قیمت بسیار بی ثبات سهام به عنوان راهی برای دستیابی به پیش بینی بیشتر به عنوان گسترش تکنیک های پیش بینی مبتنی بر الگوی تعریف و به کار می رود. بازارهای سهام کره محدودیت های قانونی نوسانات قیمت را در یک روز تعیین می کند. هر دو بازارهای KOSPI و KOSDAQ 15 ٪ از قیمت بسته شدن روز گذشته را در محدوده نوسان قیمت اعمال می کنند. به طور کلی ، "حد بالایی" به زمانی اشاره دارد که قیمت بسته شدن یک روز خاص معاملات نزدیک به افزایش 15 درصدی نسبت به قیمت بسته شدن روز گذشته یا حدود 14 ٪ افزایش قیمت بسته به باند قیمت کالا است. بشردر Eq(6) ، Sanghan T S نشان دهنده قیمت بسته شدن در حد بالایی سهام در روز معاملاتی T است و به شرح زیر است: (6) Sanghan T S = اگر نزدیک باشد T S ≥ 1. در غیر این صورت 14 × نزدیک t - 1 s fasle

جایی که نزدیک t به قیمت بسته شدن اشاره دارد. سه الگوی قیمت سهام بسیار بی ثبات بر اساس تعریف حد بالایی تعریف شده است. اگر قیمت سهام خاص به حد بالایی رسیده باشد ، نوسانات قیمت روزهای معاملاتی بعدی باید گسترش یابد. افزایش قیمت به حد بالایی باید با حجم معامله بزرگ همراه باشد زیرا ممکن است یک افزایش کوتاه مدت و شیرجه به دلیل روانشناسی جمعی از عموم تجارت رخ دهد. الگوهای قیمت سهام بسیار بی ثبات در این مقاله فقط با موردی که تعدیل قیمت 1 تا 2 روز معاملات پس از ظاهر شدن قیمت بالایی انجام شده است ، سروکار دارد. هدف زمانی که برای پیش بینی ها استفاده می شود زمانی بود که هر دو موج در حال افزایش ، که با افزایش به قیمت حد بالایی نشان داده می شوند ، و اولین موج در حال سقوط ، که با تنظیم نشان داده شده است ، به پایان رسیده است که نوسانات شدید آرام بوده است. الگوهای قیمت بالایی سهام توسط کارشناسان تجزیه و تحلیل نمودار که نمودارها را طی این سالها تجزیه و تحلیل کرده اند ، یافت شد. این الگوی در واقع عمدتاً در سهام میانه تا پایین در بازار سهام کره مشاهده می شود. سرمایه گذاران برای استفاده از این الگوی برای سرمایه گذاری واقعی باید مستقیماً به داده های زیادی نگاه کنند. با این حال ، اگر مدل پیش بینی با استفاده از یادگیری عمیق به درستی تعریف شده باشد ، می توان پیش بینی کرد که چه زمانی قیمت پس از یک الگوی خاص افزایش می یابد ، و حتی بررسی می کند که آیا واقعاً می تواند سود کسب کند.

الگوی تنظیم با یک شمعدان پس از محدوده بالایی متوالی (ص 1)

یک الگوی تنظیم با 1 شمعدان پس از محدوده بالایی متوالی زمانی است که اولین موج در حال افزایش آنقدر قوی است که قیمت های حد بالایی به طور متوالی ظاهر می شود. می توان آن را با استفاده از معادله زیر (7) محاسبه کرد. Open T S نشان دهنده قیمت باز سهام در روز معاملاتی T است. شکل 3 نمونه ای از p 1 را نشان می دهد که (a) یک نمونه طبیعی است که در آن یک p 1patte رخ می دهد و قیمت حد بالایی روز بعد ظاهر می شود ، و (ب) یک نمونه پیشخوان است که در آن مستطیل خالی ، که شمعدان منفی نامیده می شود ، نشان می دهد که چه زمانیقیمت پایانی پایین تر از قیمت افتتاح است ، به این معنی که قیمت پس از معاملات داخل کشور کمتر شد. شمعدان مثبت پر از رنگ خاکستری برعکس است. آخرین شرط بیانیه شرط به این معنی است که شمعدان در شکل گیری الگوی برای روز باید یک شمعدان منفی باشد یا باید یک شمعدان مثبت کمتر از 5 ٪ تفاوت بین قیمت باز و قیمت بسته باشد. اگر شمعدان مثبت با اختلاف بیش از 5 ٪ بزرگتر باشد ، قیمت تنظیم می شود.(7) P 1 T S = اگر Sanghan T - 2 S = True و Sanghan T - 1 S = True and Close t S - Open t S Close t S<0 . 05 false otherwise .

الگوی تنظیم با یک شمعدان پس از محدودیت فوقانی (P 2)

یک الگوی تنظیم با یک شمعدان پس از یک حد بالایی تنها زمانی است که شرایط قیمت حد بالایی با قیمت محدوده بالایی جایگزین می شود. شکل 4 یک مثال طبیعی و یک نمونه ضد پرونده را نشان می دهد. با توجه به شدت نسبتاً ضعیف تر ، تخمین زده می شود که نسبت نمونه های طبیعی احتمالاً نسبت به الگوهای P1 پایین تر است..<0 . 05 false otherwise .

الگوی تنظیم با دو شمعدان پس از حد بالایی (P 3)

یک الگوی تعدیل با دو شمعدان پس از محدوده بالایی ، موردی است که در آن قیمت در طی دو روز معاملاتی پس از قیمت حد بالایی تنظیم شده است ، یا اینکه یک شمعدان منفی یا یک شمعدان مثبت مثبت (کمتر از 5 ٪ اندازه) پس از آن شکل می گیردP 1 یا P 2 تشکیل شده است. شکل 5 نمونه های P 3 را نشان می دهد. آخرین شمعدان در هر نمودار (الف) و (ب) نوسان قیمت بلافاصله پس از وقوع الگوی است.(9) p 3 t s = اگر Sanghan t - 1 s = t-true و نزدیک t - 1 s - باز کردن t - 1 s نزدیک t - 1 s<0 . 05 and close t s − open t s close t s <0 . 05 false otherwise .

این نمونه از سه الگوی مورد بررسی در بالا دلالت بر این دارد که نوسانات قیمت پس از وقوع الگوی بسته به شیب میانگین متحرک و شکل شمعدان می تواند متفاوت باشد. به عنوان نمونه ، دم زیر در تمام الگوهای نشان داده شده در سه مثال عادی به آخرین شمعدان وصل شده است. این بدان معناست که سهام با ظهور اختیارات خرید منجر به بازگشت به قیمت پس از ساعات معاملات به پایان رسید و احتمالاً روز بعد صعودی خواهد بود. از آنجا که فاکتورهای مختلف پس از ظهور الگوی ، در جهت قیمت سهام در ترکیب عمل می کنند ، آموزش شبکه عصبی که در بخش بعدی توضیح داده می شود برای استفاده از این الگوهای در سیستم تجارت مورد نیاز است.

آزمایش

ویژگی های ورودی پیکربندی برای شبکه عصبی

به منظور آموزش شبکه های عصبی برای پیش بینی قیمت های آینده برای هر الگوی ارائه شده در بخش های قبلی ، مجموعه ویژگی های ورودی که یک بردار ورودی x را ساخته است_{s ، t}برای ورودی به شبکه عصبی از داده های آموزش استفاده شد و مقدار هدف مربوط به خروجی مورد نظر تعریف شد. نابرابری ، نمایانگر فاصله بین MA و قیمت فعلی ، به عنوان اختلاف مشخص می شود و اختلاف از خط MA 5 روزه با استفاده از معادله زیر قابل محاسبه است: (10) اختلاف 5 T S = CLOSE T S-MA 5 T-1 SMA 5 T S.

جدا از خط متوسط در حال حرکت ، ویژگی های ورودی مربوط به شمعدان های ژاپنی عبارتند از: RC (نرخ تغییر) در قیمت روز معاملات در مقایسه با روز قبل ، بدن ، ایالات متحده (سایه فوقانی) و LS (سایه پایین). اینها در معادلات تعریف شده اند.(11) از طریق (14) ، به ترتیب: (11) RC T S = 100 × CLOSE T S - CLOSE T - 1 S CLOSE T S (12) BODE T S = 100 × OPEN T S - CLOSE T - 1 S MIN OPEN T S ، CLOSE T S(13) US T S = 100 × High T S - Max Open T S ، Close T S Max Open T S ، Close T S (14) LS T S = 100 × min باز T S ، بستن T S - Low T S MIN OPEN T S ، CLOSE T S

در جایی که T S ، T S High و L Low T S هستند ، باز شدن ، بالاترین و کمترین قیمت روز معاملات T است. بردار ورودی x_{s ، t}از هر پیش بینی کننده ، از جمله این شاخص ها ، به شرح زیر است: (15) x S ، t = rc t s ، rc t - 1 s ، rc t - 2 s ، بدن t s ، بدن t - 1 s ، بدن t - 2 s ، US. T S ، LS T S ، Grad 5 T S ، Grad 1 0 T S ، Grad 2 0 T S ، Disp 5 T S ، Disp 1 0 T S ، Disp 2 0 T S ، V Grad 5 T S ، V Grad 1 0 T S ، V Grad 2 0 T S ،V Disp 5 T S ، V Disp 1 0 T S ، V Disp 2 0 T S

جایی که V درجه شیب خط متوسط حرکت حجم است. V اختلاف بین میانگین حرکت حجم و حجم کل است. این دو شاخص را می توان با ورود به حجم کل به جای قیمت نزدیک در معادلات درجه و اختلاف محاسبه کرد. هر ویژگی ورودی باید قبل از استفاده به عنوان مقدار بین 0 تا 1 نرمال شود.

روند و محیط آزمایشی

اولین فرآیند پیش بینی قیمت سهام برای مدت معینی داده ها را از پایگاه داده سهام می گیرد. پس از آن ، داده های قسمت که الگوی فرار بالا را نشان می دهد فیلتر شده و ویژگی ورودی محاسبه می شود. نتیجه محاسبه شده به عنوان یک فایل متنی ذخیره می شود و برای یادگیری عمیق استفاده می شود. پرونده متنی شامل پرونده های آموزش ، اعتبار سنجی ، آزمایش و فایلهای شبیه سازی صندوق است و در نهایت مدل ها تاریخ و سهام را که انتظار می رود بیش از 10 ٪ افزایش یابد ، خروجی می کند.

بانک اطلاعاتی سهام روزانه داده های KOSPI/KOSDAQ را از اکتبر 1990 ذخیره می کند و هر روز داده ها را به روز می کند. بنابراین ، حتی اگر ترکیب شاخص سهام تغییر کند ، اطلاعات تغییر یافته به تازگی به پایگاه داده اضافه می شود ، بنابراین می توان شاخص تغییر یافته را پیش بینی کرد.

یک مدل پیش بینی با استفاده از ساختارهای شبکه عصبی همانطور که در شکل 6 نشان داده شده است با استفاده از 20 ویژگی ورودی و بردارهای هدف طبقه بندی شده باینری آموزش داده شد. بردار هدف از یک قالب طبقه بندی باینری استفاده می کند و اگر قیمت طی 5 روز بیش از 10 ٪ افزایش یابد ، در غیر این صورت [0،1] مشخص می شود [1،0].

آزمایشات بر روی یک دسک تاپ با 18. 04 نسخه از اوبونتو با کارت گرافیک RTX 3070 9 گیگابایتی انجام خواهد شد. این مدل با استفاده از KERA ها در Tensorflow 2. 0 (Abadi et al. ، 2016) ساخته شد و لایه پنهان از سه لایه پنهان تشکیل شده است. علاوه بر این ، استفاده از پارامترهای دقیق به شرح زیر است. TANH به عنوان یک تابع فعال سازی برای هر لایه مورد استفاده قرار گرفت و میزان یادگیری به 0. 01 تعیین شد. علاوه بر این ، نسبت ترک تحصیل به 0. 5 تنظیم شد.

نتایج آزمایش

ارزیابی عملکرد مدل پیش بینی

در این بخش نتایج آزمایش استفاده از سیستم معاملاتی پیشنهادی به قیمت 2،268 سهام ذکر شده در بازارهای Kosdaq و Kospi بورس کره کره ارائه شده است. کل مجموعه داده های مورد استفاده در آزمایش به 4 زیر مجموعه تقسیم می شود. جزئیات در جدول 1 نشان داده شده است. در سایر مطالعات مرتبط ، هیچ نتیجه ای برای اندازه گیری بازده از طریق مدل پیش بینی وجود ندارد. در مطالعات مربوط به پیش بینی قیمت سهام ، نه تنها صحت مدل پیش بینی بلکه اندازه گیری نرخ سود باید همزمان انجام شود. در این مقاله ، یک مجموعه داده شبیه سازی صندوق علاوه بر این برای این منظور پیکربندی شده است. از داده های آموزش ، تأیید و آزمایش منحصراً برای تعیین مدل های پیش بینی استفاده می شود. فقط از داده هایی که برای تولید مدل پیش بینی استفاده نشده است برای شبیه سازی صندوق استفاده شد. این فرآیند برای اعتبارسنجی متقابل و نرخ دقیق اندازه گیری سود است.

مجموعه داده های آزمون افزایش جزئی در از دست دادن و کاهش جزئی در دقت با هر دوره را نشان داد. با این حال ، ما می توانیم نتایج عددی را به طور قابل توجهی بهتر از فرایند آموزش ببینیم.

ارزیابی مدل پیش بینی در جدول 2 نشان داده شده است. ارزیابی مدل بر روی دو معیار انجام شد: دقت و نمره F1. دقت یک متریک برای مدل طبقه بندی به عنوان درصد از کل پیش بینی های انجام شده است. نمره F1 میانگین هارمونیک دقت و فراخوان است (Chakraborty و همکاران ، 2020). معادله دقت و نمره F1 به شرح زیر است.

دلایلی که سیستم معاملاتی در مقاله به عملکرد بهتر از شاخص های سهام داخلی و خارج از کشور رسیده است عبارتند از: اول ، از جمله فرآیندهای تغییر قیمت میکروسکوپی از سه روز اخیر در ویژگی های ورودی آموزش ، به آموزش آموزش شبکه عصبی کمک کرده است. دوم ، تعریف دامنه هر الگوی با استفاده از محدودیت های تقویت شده تر از الگوی میانگین متحرک ، به نظر می رسد که به بهبود عملکرد یادگیری و همچنین عملکرد نهایی تجارت کمک کرده است.

نتیجه گیری

در این مقاله یک سیستم تجارت سهام مبتنی بر الگوی ساخته شده است که داده های مربوط به سه الگوی قیمت سهام بسیار بی ثبات را آموخته و از آن داده ها برای تجارت استفاده می کند. الگوی قیمت سهام بسیار بی ثبات را می توان در مدت زمان طولانی مشاهده کرد و تقریباً پس از وقوع الگوی ، افزایش کوتاه مدت را تضمین می کند.

اهمیت این مطالعه توسعه یک مدل پیش بینی قیمت سهام است که فراتر از شاخص های بازار برای غلبه بر انجماد مداوم نرخ های بهره در کره، ژاپن و ایالات متحده است. همچنین، نتایج این مطالعه می تواند به سرمایه گذارانی که موفق به سرمایه گذاری در سهام نمی شوند کمک کند. به دلیل شکاف اطلاعاتیدر صورتی که از طریق این روش تحقیق اثربخشی تکنیک ها و شاخص های تحلیل خاص مانند الگوهای نوسانات بالا ثابت شود، سرمایه گذاران فردی می توانند در آینده از این روش ها استفاده کنند. علاوه بر این، تعدادی الگوی دیگر از تغییرات را می توان برای گسترش مدل اضافه کرد و در صورت اثبات بازده مثبت، هر کسی می تواند از شبیه سازی صندوق برای سرمایه گذاری های خود استفاده کند.

مطالعات بیشتری باید برای دستیابی به عملکرد معاملاتی بسیار بهتر از طریق تجزیه و تحلیل میکروسکوپی و طبقه بندی سایر الگوهای قیمت سهام بسیار ناپایدار انجام شود که در این مقاله استفاده نشده است. بهبود مجموعه ویژگی های ورودی مورد استفاده در این مقاله، و انعکاس تغییرات دوره ها در مقادیر هدف نیز ممکن است به دستیابی به نتایج بهتر کمک کند. علاوه بر این، تغییرات عملکرد با استفاده از سری زمانی شبکه عصبی NAR (NAR-NNTS)، مدلی که اخیراً مورد مطالعه قرار گرفته است (Namasudra، Dhamodharavadhani و Rathipriya، 2021) که برای داده های با عدم قطعیت در مطالعات آینده مناسب است، اندازه گیری خواهد شد.

در نهایت، این مطالعه تنها با استفاده از داده های سهام کره انجام شد، زیرا بازار سهام کره با بازارهای سهام خارج از کشور مانند ایالات متحده تفاوت زیادی دارد. با این حال، به منظور برجسته کردن نقاط قوت مدل پیش بینی با انجام مقایسه متقابل با شاخص های سهام خارج از کشور، مقایسه با سه شاخص اضافه شد. محدودیت های قیمتی مانند محدودیت های بالا و پایین معمولاً در آسیا از جمله چین، ژاپن و تایلند استفاده می شود. این مقاله الگوهای الهام گرفته از نمودارهای شمع ژاپنی را شناسایی و آنها را با شاخص سهام ژاپن مقایسه کرد. علاوه بر این، مقایسه بازده را با افزودن مقایسه با بازارهای سهام خارج از کشور مانند ایالات متحده تکمیل کرد، در نتیجه، مدل پیشنهادی بازدهی بالاتری نسبت به نرخ رشد بازار خارج از کشور در همان دوره نشان داد.

اطلاعات تکمیلی و اعلامیه ها

منافع رقابتی

نویسندگان اعلام می کنند که هیچ منافع رقیب وجود ندارد.