پیش بینی بازار سهام از شاخص Nifty 50 با استفاده از تکنیک های یادگیری ماشین

نمایش فرمول:؟فرمول های ریاضی به عنوان MATHML رمزگذاری شده اند و در این نسخه HTML با استفاده از MathJax به منظور بهبود نمایشگر خود نمایش داده می شوند. جعبه را برای خاموش کردن MathJax از آن جدا کنید. این ویژگی به JavaScript نیاز دارد. برای بزرگنمایی روی فرمول کلیک کنید.

بازار سهام به عنوان یک بازار غیرقابل پیش بینی ، بی ثبات و رقابتی تلقی می شود. پیش بینی قیمت سهام سالهاست که یک کار چالش برانگیز بوده است. در حقیقت ، بسیاری از تحلیلگران به حوزه تحقیقاتی پیش بینی قیمت سهام بسیار علاقه مند هستند. روشهای مختلف پیش بینی را می توان به الگوریتم های خطی و غیر خطی طبقه بندی کرد. در این مقاله ، ما یک مرور کلی در مورد استفاده از شبکه های یادگیری عمیق برای تجزیه و تحلیل و پیش بینی سری زمانی بورس ملی هند ارائه می دهیم. شبکه های مورد استفاده شبکه عصبی مکرر ، شبکه حافظه کوتاه مدت بلند مدت و شبکه عصبی حلقوی برای پیش بینی روندهای آینده قیمت سهام 50 سهام هستند. تجزیه و تحلیل مقایسه ای با استفاده از معیارهای مختلف ارزیابی انجام می شود. این تجزیه و تحلیل ما را به شناسایی تأثیر فرایند انتخاب ویژگی و بهینه سازی بیش از حد پارامتر بر کیفیت پیش بینی و معیارهای مورد استفاده در پیش بینی عملکرد و قیمت بازار سهام سوق داد. عملکرد مدل ها با استفاده از متریک MSE اندازه گیری شد. این خطاها در مدل LSTM در مقایسه با مدل های RNN و CNN کمتر است.

معرفی

معاملات بازار سهام در سطح جهانی محبوبیت بسیار زیادی کسب کرده است و برای بسیاری از افراد ، بخشی از روال روزمره برای دستیابی به دستاوردها است. اما پیش بینی حرکت قیمت سهام به دلیل پیچیدگی داده های بازار سهام یک چالش است. پیش بینی را می توان با تجزیه و تحلیل داده های تاریخی به عنوان پیش بینی برخی از وقایع آینده تعریف کرد. این مناطق بسیاری از مناطق از جمله صنعت ، تجارت ، اقتصاد و امور مالی را شامل می شود. با این حال ، با پیشرفت این فناوری ، پیشرفت در فرصتی برای به دست آوردن ثروت پایدار از بازار سهام وجود دارد و همچنین به متخصصان کمک می کند تا مفیدترین شاخص ها را برای پیش بینی بسیار بهتر پیدا کنند. بسیاری از مشکلات پیش بینی شامل تجزیه و تحلیل زمان است. تجزیه و تحلیل داده های سری زمانی به تشخیص الگوهای ، روندها و مراحل یا چرخه هایی که در داده ها وجود دارد کمک می کند. در مورد بورس سهام ، دانش زودهنگام از حالت صعودی یا نزولی برای سرمایه گذاری عاقلانه سرمایه است. مطالعه روندها همچنین به شناخت بهترین شرکتها در طی یک دوره معین کمک می کند. این امر باعث می شود تجزیه و تحلیل و پیش بینی سری زمانی یک زمینه تحقیقاتی مهم باشد. یادگیری عمیق چارچوبی برای آموزش و الگوبرداری از شبکه های عصبی است که در بسیاری از کارهای یادگیری ، به ویژه تشخیص تصویر و صدا ، اخیراً از تمام روشهای سنتی فراتر رفته است. مقاله ای که ما ارائه داده ایم و قیمت سهام شاخص Nifty 50 را مدل کرده و پیش بینی کرده ایم که یک شاخص متنوع از 50 سهام است که شامل 12 بخش اقتصاد هند است که در بورس های ملی هند (NSE) ذکر شده است. ما NSE را انتخاب کردیم زیرا جایگاه برجسته ای در سطح جهان دارد و در بین بالاترین در نوآوری و توسعه فنی قرار دارد. علاوه بر این ، ما روی سه معماری مختلف که RNN ، LSTM و CNN هستند برای پیش بینی روند آینده قیمت سهام و همچنین سری زمانی مالی مبتنی بر داده های تاریخی تمرکز می کنیم. در بخش زیر برخی از آثار انجام شده توسط محققان در اتخاذ و استفاده از تکنیک ها و مدل های مختلف در پیش بینی قیمت بازار سهام و همچنین معماری مدل های پیش بینی پیشنهادی مورد استفاده در این تحقیق معرفی خواهد شد. بخش سوم روش پیشنهادی را ارائه می دهد که از چندین مرحله تشکیل شده است. نتایج تجربی شبیه سازی در مورد داده های Nifty 50 در بخش چهارم مورد تجزیه و تحلیل و بحث قرار می گیرد. سرانجام ، بخش پنجم شامل نتیجه گیری و توصیف کار آینده تحقیق است.

اهداف پژوهش

بسیاری از محققان و سرمایه گذاران علاقه مند به بازار مالی هستند. بنابراین ، آنها برای سرمایه گذاری عاقلانه به راهنمایی و پیش بینی های قابل اعتماد نیاز دارند. به تازگی ، پیش بینی بازار سهام علاقه بیشتری کسب کرده است زیرا اگر مسیر بازار به طور دقیق پیش بینی شود ، ممکن است سرمایه گذاران بهتر آگاه شوند. بسیاری از مشاغل در حال حاضر از مفهوم یادگیری عمیق و یادگیری ماشین برای سودآوری استفاده می کنند. سرمایه گذاری و سودآوری معاملات در بازار سهام تا حد زیادی به پیش بینی بستگی دارد. اگر هر سیستمی که بتواند با اطمینان پیش بینی کند حرکات بی ثبات بورس ایجاد می شود ، صاحب سیستم ثروتمند می شود. اطلاعات بیشتر در مورد روند پیش بینی شده بازار به تنظیم کننده های بازار کمک می کند تا اقدامات اصلاحی را انجام دهند.

ما سعی کردیم با گذشت زمان با یک مدل پیش بینی سهام مؤثر ، بینش در مورد رفتار بازار را بدست آوریم. اهداف اصلی این تحقیق به شرح زیر است: 1- شناسایی تأثیر فرآیند انتخاب ویژگی و بهینه سازی بیش از حد پارامتر بر کیفیت پیش بینی و معیارهای مورد استفاده در پیش بینی عملکرد و قیمت های بورس. 2. برای تجزیه و تحلیل داده های تاریخی Nifty 50 و از آن برای اهداف آموزش و اعتبار سنجی استفاده شده است. 3. استفاده از مدل های یادگیری عمیق برای پیش بینی قیمت شاخص Nifty 50. 4- برای بررسی نتایج و تجزیه و تحلیل کارآیی هر معیارهای ارزیابی مدل ، ویژگی ها و دوره ها.

این اهداف بهترین مدل های پیش بینی را بررسی می کنند. بنابراین ، ارائه یک تحلیل جامع از شاخص Nifty 50.

بررسی ادبیات

1. تجزیه و تحلیل اساسی و تحلیل فنی
2. مدل های یادگیری ماشین
3. مدل های شبکه عصبی

تحلیل اساسی و فنی

حرکات بازار سهام با استفاده از تجزیه و تحلیل اساسی و فنی مورد تجزیه و تحلیل و پیش بینی قرار می گیرد. تجزیه و تحلیل اساسی شامل تجزیه و تحلیل عمیق از عملکرد یک شرکت است. این روش از نظر ایده آل برای پیش بینی برای بلند مدت مناسب است (به عنوان استناد 2013). علاوه بر این ، گاهی اوقات ثابت شده است که یک شاخص قوی از حرکت قیمت سهام در آثار (چکلی ، هیگن و آلس استناد 2017 ، Tsai و Wang Citation 2017) و (ژانگ و همکاران استناد 2018) است. در حالی که ، تجزیه و تحلیل فنی روشی برای ارزیابی سهام با بررسی رفتار بازار ، قیمت های گذشته و آمار تولید شده است. به دنبال قله ها ، پایین ، روندها و سایر عواملی است که بر حرکت قیمت یک سهام تأثیر می گذارد. این روش از پیش بینی های کوتاه مدت پشتیبانی می کند (Drakopoulou Citation 2016). تحقیقات زیر پیش بینی حرکت آینده قیمت سهام بر اساس تجزیه و تحلیل فنی (Putriningtiyas و Mochammad Citation 2017 ، NTI ، Felix و Asubam Citation 2020). هر دو این روش محدودیت های خود را دارند و نتوانسته اند نتایج مورد انتظار را ارائه دهند. علاوه بر این ، نتایج حاصل از این ابزارها فقط توسط متخصصان قابل تفسیر است و همچنین این ابزارها در یک محیط تجارت پویا مدرن به زمان زیادی نیاز دارند.

مدل های یادگیری ماشین

یادگیری ماشین زمینه ای از هوش مصنوعی (AI) است. برای پیش بینی جهت قیمت سهام به طور گسترده مورد مطالعه و کاوش قرار گرفته است. وظایف یادگیری ماشین معمولاً به عنوان یادگیری تحت نظارت و بدون نظارت طبقه بندی می شوند. از تکنیک های یادگیری تحت نظارت برای جمع آوری داده های آموزش استفاده می شود که در آن موارد با برچسب ها مشخص شده اند و هر برچسب کلاس نمونه خاصی را نشان می دهد (Ashfaq et al. Citation 2017). تکنیک های یادگیری تحت نظارت مانند رگرسیون خطی ، دستگاه بردار پشتیبانی (SVM) ، جنگل تصادفی ، نزدیکترین همسایه و درختان تصمیم گیری می توانند برای پیش بینی قیمت ها و الگوهای بازار سهام مبتنی بر داده های تاریخی و همچنین تجزیه و تحلیل قیمت های مفید تاریخی تلاش کنند. تحلیلگران در (Milosevic Citation 2016) مجموعه دستی از ویژگی ها را انجام دادند ، 11 نسبت اساسی مرتبط را انتخاب کردند و الگوریتم های مختلف یادگیری ماشین را برای پیش بینی سهام اجرا کردند. این نشان می دهد که در برابر رویکردهایی مانند SVM و Bayes ساده لوح ، جنگل تصادفی بالاترین نمره F 0. 751 را بدست آورد. محققان در (Chou and Thi-Kha Citation 2018) یک رویکرد جدید را ارائه دادند که یک سیستم متخصص پیش بینی قیمت سهام را برای شرکت های ساختمانی تایوان بر اساس یک الگوریتم کرم شب تاب متهوریستی و حداقل مربعات از رگرسیون بردار (METAFA-LSSVR) پشتیبانی می کند ، تا پیش بینی صحت را تقویت کند. سیستم هیبریدی مستقر از نظر پیش بینی یک روزه 2597 به خوبی عملکرد خوبی داشت. قیمت سهام از قیمت سهام شرکت های ساختمانی با قیمت 1. 372 ٪ و R 2 از 0. 973 بهتر بود. بنابراین ، از سیستم پیشنهادی می توان به عنوان ابزاری تعیین کننده برای پیش بینی قیمت سهام کوتاه مدت استفاده کرد. همچنین ، محققان در (ژانگ و همکاران استناد 2018) سیستم پیش بینی حرکات قیمت سهام را ایجاد می کنند که می تواند هم حرکت قیمت سهام و هم نرخ رشد آنها (یا کاهش) را در مدت زمان از پیش تعیین شده پیش بینی پیش بینی کند. آنها با استفاده از داده های تاریخی بازار شرکت رشد شنژن (چین) ، آنها یک مدل جنگل تصادفی را آموزش دادند تا کلیپ های سهام مختلف را از طریق چهار کلاس با شیب قیمت های نزدیک خود تقسیم کنند. تحلیلگران در (LV و همکاران استناد 2019) اخیراً الگوریتم های مختلف ML را به صورت مصنوعی آزمایش کرده و موفقیت منظم معاملات سهام را در هزینه های معامله ثبت کرده اند و هیچ هزینه معامله ندارند. بین سالهای 2010 و 2017 ، آنها از 424 سهام مؤلفه شاخص S& P 500 (SPIC) و 185 سهام اجزای شاخص CSI 300 (CSIC) استفاده کردند و الگوریتم های یادگیری ماشین سنتی را با مدل های پیشرفته DNN مقایسه کردند.

الگوریتم های سنتی ML شامل رگرسیون لجستیک ، جنگل تصادفی ، طبقه بندی و درخت رگرسیون (CART) ، SVM و تقویت شیب شدید است ، در حالی که معماری DNN حاوی MLP ، شبکه اعتقاد عمیق (DBN) ، GRU ، RNN و LSTM است. نتایج آنها حاکی از آن است که در بسیاری از شاخص های ارزیابی جهت الگوریتم های ML معمولی بدون دانستن هزینه های معامله ، عملکرد بالاتری دارند ، اما مدل های DNN با توجه به هزینه های معامله نتایج بهتری را نشان می دهند.

مدل های یادگیری عمیق < SPAN> الگوریتم های سنتی ML شامل رگرسیون لجستیک ، جنگل تصادفی ، طبقه بندی و درخت رگرسیون (CART) ، SVM و تقویت شیب شدید است ، در حالی که معماری DNN حاوی MLP ، شبکه اعتقاد عمیق (DBN) ، GRU ، RNN و LSTM است. نتایج آنها حاکی از آن است که در بسیاری از شاخص های ارزیابی جهت الگوریتم های ML معمولی بدون دانستن هزینه های معامله ، عملکرد بالاتری دارند ، اما مدل های DNN با توجه به هزینه های معامله نتایج بهتری را نشان می دهند.

الگوریتم های Leaing Model s-trateTiTive الگوریتم های مربوط به رگرسیون لجستیک ، جنگل تصادفی ، طبقه بندی و درخت رگرسیون (CART) ، SVM و تقویت شیب شدید ، در حالی که معماری DNN حاوی MLP ، شبکه اعتقاد عمیق (DBN) ، GRU ، RNN و LSTM است. نتایج آنها حاکی از آن است که در بسیاری از شاخص های ارزیابی جهت الگوریتم های ML معمولی بدون دانستن هزینه های معامله ، عملکرد بالاتری دارند ، اما مدل های DNN با توجه به هزینه های معامله نتایج بهتری را نشان می دهند.

مدل های یادگیری عمیق

از سال 2006 یک منطقه مورد مطالعه جدید از ML به وجود آمده است ، به نام یادگیری ساخت یافته عمیق یا یادگیری عمیق. توسعه دهنده و دانشمند نیازی به انتخاب ویژگی های دستی در مقایسه با یادگیری ماشین سنتی ندارند. از طرف دیگر ، با استفاده از یادگیری عمیق ، این ویژگی ها می توانند به صورت خودکار تولید شوند. یادگیری عمیق شامل یادگیری سطوح مختلف توصیف و تفسیر است که ایده بهتری از داده ها مانند تصاویر ، صدا و متن می دهد (شیانگ و همکاران استناد 2016). تکنیک های طبقه بندی مانند K-Nearest همسایه ، الگوریتم های ساده لوح ، معمولاً برای پیش بینی روند قیمت سهام (Khedr ، Yaseen و Yaseen Citation 2017) افزایش یا سقوط می کنند ، اما این مقاله با هدف حل مشکل به عنوان شبیه سازی با استفاده از عمیق است. شبکه های عصبی. همچنین ، روش های شبکه عصبی برای بازارهای سهام هند در (Kumar and Murugan Citation 2013) مورد بررسی قرار گرفت که در آن به تجزیه و تحلیل عملکرد نیاز است. از معیارهایی مانند RMSE ، MAE ، Mape استفاده کرده بود. تجزیه و تحلیل وابستگی متقابل بین قیمت سهام و حجم سهام در (Abinaya et al. Citation 2016) برای 29 شرکت منتخب ذکر شده در NIFTY 50 انجام شد. تحقیقات پیشنهادی بر استفاده از الگوریتم های یادگیری عمیق برای پیش بینی قیمت سهام از جمله این موارد متمرکز است (Heaton ،Polson ، and Witte Citation 2017) و (Jain ، Gupta و Moghe Citation 2018). شبکه های عصبی عمیق را می توان به عنوان الگوریتم های غیر خطی تعریف کرد که می توانند عملکردهای غیر خطی را ترسیم کنند. انواع مختلفی از معماری های شبکه عصبی عمیق بسته به نوع کاربردی مانند شبکه های عصبی مکرر (RNN) ، حافظه کوتاه مدت کوتاه مدت (LSTM) ، CNN (شبکه عصبی Convolutional) استفاده می شود. آنها در چندین زمینه عمدتاً تشخیص تصویر ، پردازش زبان طبیعی و تجزیه و تحلیل سری های زمانی مستقر شدند. مطالعات در زمینه تجزیه و تحلیل سری زمانی مالی با استفاده از روش های عصبی (Heaton ، Polson و Witte Citation 2017) از متغیرهای ورودی مختلف برای پیش بینی بازده سهام استفاده می کردند. نویسندگان در (Vargas ، de Lima ، and Evsukoff Citation 2017) از معماری RNN برای پیش بینی حرکات اینرسی داخل indeled شاخص S& P 500 استفاده کردند که از مجموعه ای از شاخص های فنی به عنوان عناوین خبری ورودی و مالی استفاده می کنند. تحلیلگران در (Roondiwala ، Patel و Varma Citation 2017) از یکی از دقیق ترین تکنیک های پیش بینی کننده برای پیش بینی بازده سهام Nifty 50 با استفاده از LSTM استفاده کردند که به سرمایه گذاران امکان درک خوبی از وضعیت بالقوه بازار سهام را می دهد. آنها 5 سال داده های تاریخی را جمع آوری کردند و از آن برای آموزش و اعتبارسنجی مدل خود استفاده کردند. همچنین،