آزمایشات را تصور و طراحی کرد: myq ys. آزمایشات را انجام داد: Myq. تجزیه و تحلیل داده ها: myq ys. معرفها/مواد/ابزارهای تجزیه و تحلیل مشارکت شده: MYQ. مقاله را نوشت: myq ys.
این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل بدون محدودیت در هر رسانه را فراهم می کند ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.
داده های مرتبط
داده های مربوط به مقادیر پایانی Nikkei 225 را می توان در url http://finance. yahoo. co. jp/ یافت.
چکیده
در بخش تجارت ، پیش بینی قیمت دقیق روزانه شاخص بورس سهام همیشه کار دشواری بوده است. از این رو ، تحقیقات زیادی در مورد پیش بینی جهت حرکت شاخص قیمت سهام انجام می شود. عوامل بسیاری از قبیل وقایع سیاسی ، شرایط عمومی اقتصادی و انتظارات معامله گران ممکن است در شاخص بازار سهام تأثیر داشته باشد. مطالعات تحقیقاتی بیشماری وجود دارد که از شاخص های مشابه برای پیش بینی جهت شاخص بورس سهام استفاده می کنند. در این مطالعه ، ما دو نوع اصلی از متغیرهای ورودی را برای پیش بینی جهت شاخص روز سهام بورس مقایسه می کنیم. سهم اصلی این مطالعه ، توانایی پیش بینی جهت قیمت روز بعد شاخص بازار سهام ژاپن با استفاده از یک مدل شبکه عصبی بهینه شده (ANN) بهینه شده است. برای بهبود صحت پیش بینی روند شاخص بورس سهام در آینده ، ما مدل ANN را با استفاده از الگوریتم های ژنتیکی (GA) بهینه می کنیم. ما با استفاده از مدل Hybrid GA-Ann ، پیش بینی جهت قیمت سهام را نشان داده و تأیید می کنیم و سپس عملکرد را با مطالعات قبلی مقایسه می کنیم. نتایج تجربی نشان می دهد که متغیرهای ورودی نوع 2 می توانند دقت پیش بینی بالاتری را ایجاد کنند و با انتخاب مناسب متغیرهای ورودی می توان عملکرد مدل ANN بهینه شده را افزایش داد.
معرفی
جهت شاخص بورس سهام به حرکت شاخص قیمت یا روند نوسان در شاخص بازار سهام در آینده اشاره دارد. پیش بینی جهت یک مسئله عملی است که به شدت بر تصمیم معامله گر مالی برای خرید یا فروش ساز تأثیر می گذارد. پیش بینی دقیق روند شاخص سهام می تواند به سرمایه گذاران کمک کند تا فرصت هایی را برای سودآوری در بورس سهام بدست آورند. از این رو ، پیش بینی دقیق روند شاخص قیمت سهام می تواند برای سرمایه گذاران بسیار سودمند باشد [1]. Leung ، Daouk [2] این دیدگاه را دارند که با یک پیش بینی دقیق از جهت حرکت شاخص سهام ، می توان تجارت را سودآوری کرد. کار آنها نشان می دهد که پیش بینی کنندگان مالی و معامله گران باید بر پیش بینی دقیق جهت حرکت متمرکز شوند تا انحراف تخمین ها از ارزشهای مشاهده شده واقعی به حداقل برسد. مصطفی [3] همچنین معتقد است که پیش بینی های دقیق از جهت شاخص های قیمت سهام برای سرمایه گذاران بسیار مهم است. با این حال ، رفتار بورس سهام به بسیاری از عوامل کیفی مانند عوامل سیاسی ، اقتصادی و طبیعی از جمله بسیاری دیگر بستگی دارد. بازارهای سهام پویا هستند و دارای تنوع گسترده ای هستند و پیش بینی بازار سهام به دلیل ماهیت بسیار غیرخطی و ابعاد پیچیده به یک کار بسیار چالش برانگیز تبدیل می شود [4 ، 5]. پیش بینی شاخص مالی با شدت داده ها ، سر و صدا ، غیر ثابت بودن ، ماهیت بدون ساختار ، درجه بالای عدم اطمینان و روابط پنهان مشخص می شود [6-8].
مطالعات قبلی مدل های مختلفی را در پیش بینی جهت حرکت شاخص بورس به کار برده اند. هوانگ، ناکاموری [9] حرکت بازار سهام را با استفاده از ماشینهای بردار پشتیبان (SVM) پیشبینی کرد و به این نتیجه رسید که این مدل در پیشبینی جهت خوب است. کارا، بویاجی اوغلو [10] از شبکه عصبی مصنوعی (ANN) و SVM در پیش بینی جهت بورس استانبول استفاده کرد. مطالعه آنها ثابت می کند که دو مدل مختلف هر دو ابزار پیش بینی مفیدی هستند و ANN به طور قابل توجهی بهتر از مدل SVM است. شنول و اوزتوران [11] هفت مدل سیستم پیش بینی مختلف را برای پیش بینی جهت شاخص بورس در ترکیه به کار بردند و به این نتیجه رسیدند که ANN می تواند یکی از قوی ترین تکنیک ها برای پیش بینی باشد. مدل ANN عموماً ادعا شده است که یک تکنیک مفید برای پیشبینی شاخص سهام است، زیرا توانایی آن در گرفتن روابط عملکردی ظریف در بین دادههای تجربی است، حتی اگر روابط زیربنایی ناشناخته یا توصیف آنها دشوار باشد [12، 13]. استفاده از ANN به محبوب ترین روش یادگیری ماشین تبدیل شده است و ثابت شده است که چنین رویکردی می تواند از اکثر روش های مرسوم بهتر عمل کند [14-20]. در این مطالعه، ما سعی میکنیم از یک مدل ANN برای پیشبینی جهت شاخص بازار سهام ژاپن استفاده کنیم.
محبوب ترین الگوریتم آموزش شبکه عصبی برای پیش بینی مالی، الگوریتم انتشار برگشتی (BP) است که همچنین یک الگوریتم یادگیری کلاسیک به طور گسترده برای شبکه های عصبی است [21-24]. شبکه BP به دلیل کاربرد گسترده آن برای بسیاری از مشکلات تجاری و توانایی یادگیری برجسته آن به طور گسترده در زمینه پیش بینی سری های زمانی مالی استفاده شده است [25]. با این حال، بسیاری از مقالات گزارش کردهاند که مدل ANN که توسط الگوریتم BP آموزش داده شده است، دارای محدودیتهایی در پیشبینی است و به دلیل نویز بسیار زیاد و ابعاد پیچیده دادههای بازار سهام، میتواند به راحتی به حداقل منطقه (محلی) همگرا شود. با توجه به این محدودیتها، الگوریتمهای ژنتیک (GA) برای غلبه بر مسئله همگرایی محلی برای مسائل بهینهسازی غیرخطی پیشنهاد شدهاند. ما سعی میکنیم مجموعه بهینه وزنها و بایاسها را برای افزایش دقت مدل ANN با استفاده از GA تعیین کنیم.
هدف اصلی این مطالعه بهبود دقت پیش بینی جهت حرکت شاخص قیمت سهام با استفاده از مدل ANN است. اول ، ما بر انتخاب متغیرهای ورودی برای پیش بینی روند آینده شاخص بازار سهام تمرکز می کنیم. انتخاب شاخص های مؤثر که می تواند برای پیش بینی متغیر خروجی یک مدل ANN مورد استفاده قرار گیرد ، قبل از مدل سازی قابل توجه است. در این مطالعه ، ما دو نوع اصلی از متغیرهای ورودی را که به طور گسترده در مطالعات قبلی مورد استفاده قرار گرفته اند ، برای پیش بینی جهت شاخص بازار سهام روزانه مقایسه می کنیم. برای ارزیابی عملکرد این دو مجموعه از متغیرهای ورودی ، از شاخص بازار سهام ژاپن به عنوان یک نمونه مصور استفاده می شود. علاوه بر این ، ما دقت پیش بینی را با توجه به بهینه سازی الگوریتم یادگیری مدل ANN بهبود می بخشیم. الگوریتم BP یک الگوریتم یادگیری کلاسیک گسترده برای شبکه های عصبی است. با این حال ، اشکالاتی قابل توجهی دارد که باید با استفاده از سایر الگوریتم های آموزش بهبود یابد. در این مطالعه ، از الگوریتم ژنتیکی (GA) برای بهبود دقت پیش بینی مدل ANN و غلبه بر مشکل همگرایی محلی الگوریتم BP استفاده می شود. نتایج تجربی نشان می دهد که روش پیشنهادی در مقایسه با مطالعات قبلی ، دقت بیشتری را برای پیش بینی جهت بازار سهام بهبود می بخشد.
باقیمانده این مقاله به شرح زیر سازماندهی شده است. بخش 2 مدل ANN را که توسط الگوریتم BP آموزش دیده است ، و بهبود با استفاده از GA توصیف می کند. سپس ، ما داده ها را ترسیم می کنیم و دو نوع اصلی از متغیرهای ورودی را که برای پیش بینی جهت استفاده می شوند ، و روش پیش بینی جهت بازار سهام در بخش 3 نشان می دهیم. بخش 4 نتایج تجربی را ارائه می دهد و آن را با مطالعات مشابه مقایسه می کند. سرانجام ، بخش 5 بحث و نتیجه گیری را ارائه می دهد. فرمول ها و خلاصه آمار برای هر ویژگی متغیرهای ورودی در ضمیمه S1 آورده شده است.
مدل پیش بینی
مدل شبکه عصبی مصنوعی (ANN)
Funahashi [26] ، Hornik ، Stinchcombe [27] نشان داده اند که شبکه های عصبی با پیچیدگی کافی می توانند هر عملکرد ناشناخته را به هر درجه ای از دقت مورد نظر با تنها یک لایه پنهان نزدیک کنند. بنابراین ، مدل ANN در این مطالعه از یک لایه ورودی ، یک لایه پنهان و یک لایه خروجی تشکیل شده است که هر یک از آنها در همان دنباله ای که در اینجا ذکر شده به دیگری وصل شده است. معماری ANN در شکل 1 نشان داده شده است. لایه ورودی با متغیرهای ورودی مطابقت دارد. ما دو نوع اصلی متغیرهای ورودی را برای مقایسه دقت پیش بینی تجزیه و تحلیل می کنیم. از لایه پنهان برای ضبط روابط غیرخطی بین متغیرها استفاده می شود. در این مطالعه ، لایه خروجی فقط از یک نورون تشکیل شده است که نشانگر جهت پیش بینی شده شاخص روزانه بورس است.