پیش بینی رفتار بازار سهام از طریق اجرای شاخص های فنی ، بر اساس یادگیری عمیق تقویت و رویکرد شبکه های حلقوی مطالعه موردی: سهام سهام ایران

امروزه بورس سهام نقش مهمی در اقتصاد کشورهای مختلف ایفا می کند. فراوانی داده ها در بورس سهام و نیاز به پردازش سریع و صحیح داده ها و تصمیم گیری های مناسب ، استفاده از رایانه ها را اجتناب ناپذیر کرده است. در این مقاله ، با استفاده از یادگیری تقویت عمیق ، مدلی برای ارائه وظایف یک معامله گر در بازار سهام ایران با توجه به سهام انحلال طراحی شده است. در مرحله اول ، تاریخچه قیمت سهام به همراه شاخص های مبتنی بر آن به عنوان ورودی به شبکه عصبی حلقوی ارائه می شود. در مرحله بعدی ، به منظور محاسبه نرخ تطبیق خروجی حلقوی با خروجی مورد انتظار ، از عملکرد هزینه خطای مربع استفاده می شود که به نوبه خود در فرآیند بهینه سازی به حداقل می رسد. از آنجا که داده های موجود در بازار سهام ایران محدود است ، با استفاده از مدل Convolution به جای جدول Q در مدل تقویت عمیق از اتصالات بیش از حد مدل جلوگیری می کند. به منظور ارزیابی مدل ، از داده های بورس تهران در دوره 1390 تا 1400 استفاده شده است. عملکرد روش پیشنهادی با استراتژی خرید و نگه داشتن مقایسه شد. نتایج نشان می دهد ، در برخی موارد ، سود از روش پیشنهادی بر خلاف استراتژی خرید و نگه داشتن به ترتیب 21 ٪ و-7 ٪ است.

کلید واژه ها

• یادگیری تقویت عمیق
• شبکه حلقوی
• نشانگر فنی
• تجزیه و تحلیل فنی

20. 1001. 1. 24766291. 1401. 7. 4. 3. 0

منابع

[1] Sharma ، A. ، D. Bhuriya ، and U. Singh. بررسی پیش بینی بازار سهام با استفاده از رویکرد یادگیری ماشین. در کنفرانس بین المللی الکترونیک ، ارتباطات و فناوری هوافضا (ICECA). 2017. IEEE.

[2] Sutton ، R. S. و A. G. Barto ، یادگیری تقویت: مقدمه. Robotica ، 1999. 17 (2): ص. 229-235.

[3] Barroso ، B. ، R. Cardoso و M. Melo ، تجزیه و تحلیل عملکرد ادغام بین بهینه سازی نمونه کارها و استراتژی های تحلیل فنی در بازار سهام برزیل. سیستم های خبره با برنامه ها ، 2021. 186: ص. 115687.

[4] Dehghan ، A. and M. Kamyabi ، در بازار سهام تهران در شرایط چرخه ای. 2019.

[5] Hejazi ، R. ، et al. ، رابطه بین سقوط قیمت سهام و سرمایه گذاران نهادی اختصاصی و سرمایه گذاران نهادی گذرا. 2020

[6] علی اصنگر ، A. R. و ب. لاری سمنی ، ارزیابی روابط سپرده های بانکی و سرمایه گذاری اوراق قرضه توسعه صنعتی دولت با جذابیت سرمایه گذاری (لکیت و سرمایه) در بورس تهران (TSE). تحقیقات مدیریت در ایران ، 2007. 11 (20): ص. 1-29

[7] Fairchild ، R. J. و J. Kinsella ، یک چارچوب مالی عاطفی برای بررسی حباب ها و تصادفات. موجود در SSRN 3999323 ، 2022.

[8] Hatefi Madjumerd ، M. ، G. Zamanian ، and M. N. شاهیکی تاش ، ارزیابی حباب های متعدد در بازار سهام تهران. فصلنامه اقتصاد کمی ، 2017. 14 (2): ص. 85-110.

[9] Bagherzadeh ، S. ، پیشنهادات عمومی اولیه و تعیین کننده های آن در بورس اوراق بهادار تهران. Modares علوم انسانی ، 2011. 15 (1): ص. 77-107.

[10] AFSAR ، A. و F. HELYEL ، یک رویکرد ترکیبی برای بهینه سازی نمونه کارها با استفاده از تجزیه و تحلیل فنی و داده کاوی. تحقیقات مدرن در تصمیم گیری ، 2017. 2 (2): ص. 1-22

[11] Katani ، S. ، F. Samadi ، and Z. Hajiha ، بهینه سازی نمونه کارها چند هدف با استفاده از الگوریتم رقابتی امپریالیستی در بورس سهام تهران. 2021

[12] Belaghi ، R. A. ، M. Aminnejad ، and ö. g. ALMA ، پیش بینی بازار سهام با استفاده از روشهای غیر پارامتری فازی و پارامتری گارچ. مجله پیش بینی ترکیه ، 2018. 2 (1): ص. 1-8

[13] Nabipour ، M. ، et al. ، یادگیری عمیق برای پیش بینی بازار سهام. آنتروپی ، 2020. 22 (8): ص. 840

[14] Nabipour ، M. ، et al. ، پیش بینی روند بازار سهام با استفاده از یادگیری ماشین و الگوریتم های یادگیری عمیق از طریق داده های مداوم و باینری. یک تحلیل مقایسه ای. دسترسی IEEE ، 2020. 8: ص. 150199-150212.

[15] دنگ ، ی. ، و همکاران ، یادگیری عمیق تقویت مستقیم برای نمایندگی و تجارت سیگنال مالی. معاملات IEEE در شبکه های عصبی و سیستم های یادگیری ، 2016. 28 (3): ص. 653-664.

[16] Xiong ، Z. ، et al. ، رویکرد یادگیری عمیق تقویت شده برای تجارت سهام. Arxiv preprint arxiv: 1811. 07522 ، 2018.

[17] Meng ، T. L. و M. Khushi ، یادگیری تقویت در بازارهای مالی. داده ها ، 2019. 4 (3): ص. 110

[18] Li ، Y. ، P. Ni و V. Chang ، استفاده از یادگیری تقویت عمیق در استراتژی های معاملات سهام و پیش بینی سهام. محاسبات ، 2020. 102 (6): ص. 1305-1322.

[19] Carta ، S. ، et al. ، Multi-DQN: مجموعه ای از نمایندگان عمیق Q-Leaing برای پیش بینی بازار سهام. سیستم های خبره با برنامه ها ، 2021. 164: ص. 113820.

[20] Shi ، Y. ، et al. ، کشف قانون تجارت سهام با شبکه QUE DEEP DEEP. محاسبات نرم کاربردی ، 2021. 107: ص. 107320.

[21] Théate ، T. and D. Est ، کاربرد یادگیری تقویت عمیق به تجارت الگوریتمی. سیستم های خبره با برنامه ها ، 2021. 173: ص. 114632.

[22] Sun ، T. ، D. Huang ، and J. Yu ، بهینه سازی استراتژی از طریق یادگیری تقویت عمیق. دسترسی IEEE ، 2022.

[23] جیانگ ، دبلیو. ، برنامه های یادگیری عمیق در پیش بینی بازار سهام: پیشرفت اخیر. سیستم های خبره با برنامه ها ، 2021. 184: ص. 115537.

[24] Amihud ، Y. ، نقص و بازده سهام: اثرات مقطع و سری زمانی. مجله بازارهای مالی ، 2002. 5 (1): ص. 31-56.

[25] Jansen ، S. ، یادگیری ماشین برای تجارت الگوریتمی: مدل های پیش بینی کننده برای استخراج سیگنال ها از بازار و داده های جایگزین برای استراتژی های تجاری سیستماتیک با پایتون. 2020: انتشارات Packt Limited.

[26] Mehrabanpour ، M. ، A. Azar ، and M. Shahrami Babkan ، پیش بینی قیمت سهام با ارائه یک مدل ترکیبی با استفاده از تجزیه و تحلیل مؤلفه اصلی و تئوری مجموعه خشن. تحقیقات مدرن در تصمیم گیری ، 2022. 7 (2): ص. 137-167.

[27] Minh ، D. L. ، et al. ، رویکرد یادگیری عمیق برای پیش بینی روند سهام کوتاه مدت بر اساس شبکه واحد مکرر دو سطح دروازه. IEEE Access ، 2018. 6: ص. 55392-55404.

[28] هسل ، م. ، و همکاران. رنگین کمان: ترکیب پیشرفت در یادگیری عمیق. در کنفرانس AAAI در سی و دوتایی AAAI در مورد هوش مصنوعی. 2018.