پیش بینی روند شاخص بازار سهام با استفاده از پنجره کشویی بر اساس شبکه عمیق حافظه کوتاه مدت کوتاه مدت

به نظر می رسد که بازارهای سهام از نظر طبیعت غیر بدیهی هستند. برای درک نوسانات در بازارها ، نیاز به تکنیک های خاصی دارد. با ظهور هوش مصنوعی تکنیک های مختلفی برای مطالعه نوسانات در بازارهای سهام اتخاذ شده است. بسیاری از محققان تکنیک های یادگیری ماشین و هوش مصنوعی را برای پیش بینی قیمت بازار سهام به کار بردند. دانستن جهت بورس سهام به سرمایه گذاران کمک می کند تا سرمایه گذاری های خود را برنامه ریزی کرده و بازده خود را تقویت کنند. یک مطالعه عظیم در زمینه پیش بینی قیمت بورس سهام شرکت ها با اتخاذ این تکنیک ها انجام شده است. اما مطالعه حاضر شاخص های بازار را از بازارهای توسعه یافته و نوظهور که شاخص کامپوزیت NASDAQ از ایالات متحده ، شاخص بازار Kospi از کره جنوبی را تشکیل می دهد ، در نظر می گیرد و سعی می کند مدل شبکه عصبی عمیق یادگیری شبکه عصبی مکرر را با حافظه کوتاه مدت کوتاه به کار ببرد (RNN+LSTM). شاخص های انتخاب شده برای پیش بینی جهت شاخص بازار بر روی RNN+LSTM مدل شده اند. داده های در نظر گرفته شده برای این مطالعه از ژانویه 2012 تا مارس 2021 با ضبط متغیرها قیمت پایین ، قیمت بالا ، قیمت باز ، قیمت نزدیک و حجم در هر روز. یک روز قبل از بسته شدن قیمت این شاخص به عنوان ورودی تغذیه می شود و بر روی شبکه عصبی مکرر با حافظه کوتاه مدت کوتاه پردازش می شود تا یک روز جهت سر این شاخص را پیش بینی کند. عملکرد مدل LSTM بر اساس صحت پیش بینی که 81 ٪ در NASDAQ و 81. 9 ٪ در شاخص بازار KOSPI مشخص شده است ، ارزیابی می شود.

کلید واژه ها

بازارهای توسعه یافته ، بازارهای نوظهور ، یادگیری ماشین ، یادگیری عمیق ، RNN و LSTM

معرفی

ماهیت غیرخطی بازارهای سهام یکی از بی علاقه ترین عاملی برای فردی است که مایل به انجام سرمایه گذاری در بازارهای مالی است. نظریه های قبلی در مورد بازارهای مالی اظهار داشت که رفتار بازارها را نمی توان پیش بینی کرد. FAMA (1963) نظریه بازار کارآمد را ارائه داد که اظهار داشت که بورس سهام غیرقابل پیش بینی است. بعداً (مالکی ، 1973) اظهار داشت که بازارهای سهام هر روز منحرف می شوند و از این رو پیاده روی های تصادفی طول می کشد. مجدداً Keim ، و همکاران ، (1986) مدل اقتصاد سنجی GARCH با بیان اینکه بازار سهام وابسته به زمان و پی در پی است. بعداً در اوایل قرن نوزدهم با ظهور رایانه ها (Muculloch & Pits ، 1943) Perceptron چند لایه را ارائه داد که توانایی یادگیری از طریق نورون ها را دارد. این امر راه را برای پیش بینی قیمت بورس با استفاده از مدلهای مختلف ریاضی هموار کرد. از این رو سه روش مختلف وجود دارد که با استفاده از آن می توان قیمت بورس را پیش بینی کرد. روش اول پیش بینی تجزیه و تحلیل اساسی است که شامل تجزیه و تحلیل صنعت ، تجزیه و تحلیل شرکت و تجزیه و تحلیل اقتصادی است. این تکنیک عوامل داخلی و خارجی را که بر قیمت بورس سهام تأثیر می گذارد ، در نظر می گیرد. روش دوم شامل تجزیه و تحلیل فنی است که در آن الگوهای مختلف موجود در قیمت بورس را مشخص می کند و سعی می کند با استفاده از نمودارها و نمودارها تجسم کند. این به درک حرکات بازار سهام کمک می کند. شاخص های فنی مختلفی وجود دارد که از نظر بصری نمایانگر بازارهای سهام است. روش سوم ، تجزیه و تحلیل تکنولوژیکی است که بیشتر می تواند به سه زیر بخش یادگیری ماشین ، یادگیری عمیق و مدل های پیش بینی تقسیم شود. مطالعه حاضر با هدف پیش بینی جهت یک روز پیش از دو شاخص بازار سهام با استفاده از تکنیک های یادگیری عمیق انجام می شود. دو شاخص بازار در نظر گرفته شده برای مطالعه از بازارهای توسعه یافته و نوظهور انتخاب شده است. شاخص کامپوزیت NASDAQ که سه شاخص اصلی سهام ایالات متحده را در بر می گیرد ، در بازارهای توسعه یافته انتخاب می شود. شاخص قیمت سهام کامپوزیت کره ای (KOSPI) که شاخص مشترک برای کلیه سهام کره جنوبی است ، در بازارهای نوظهور در نظر گرفته می شود. داده های داخل روز از شاخص های سهام منتخب برای ساخت مدل مکرر عصبی مکرر مدل حافظه کوتاه مدت کوتاه مدت با در نظر گرفتن 9. 3 سال که از 01 ژانویه 2012 تا 31 مارس 2021 متغیر است. قیمت پایین ، قیمت بالا ، قیمت باز و قیمت نزدیک شاخص های سهام انتخاب شده.

این مطالعه سعی در پیش بینی جهت شاخص های سهام با استفاده از شبکه عمیق RNN+LSTM دارد. از طریق نتایج تجربی مشخص می شود که دقت شبکه عمیق RNN+LSTM پیش بینی یک روز جلوتر از جهت سهام یکسان است و برای پیش بینی کوتاه مدت دقیق است.

بقیه مقاله به شرح زیر سازماندهی شده است. بررسی ادبیات در بخش 2 شرح داده شده است ، اهداف مطالعه و محدودیت ها در بخش 3 ارائه شده است. توضیحات داده ها و روش های پیش پردازش و مدل سازی در بخش 4 مورد بحث قرار گرفته است ، خلاصه ای در مورد RNN+LSTM نیز شرح داده شده است. در بخش 5 نتایج مدل های مورد استفاده خلاصه شده و در بخش 6 اظهارات نتیجه گیری را ارائه می دهد.

بررسی ادبیات

در این بخش به تحقیقات گذشته انجام شده در زمینه پیش بینی قیمت بورس با استفاده از تکنیک های یادگیری عمیق انجام می شود.

ژائو و زنگ ، و همکاران ، (2021) ، در تحقیقات خود تکنیک های RNN-M ، LSTM-M و GRU-M را برای پیش بینی مکانیسم توجه برای پیش بینی بازارهای سهام اتخاذ کرده اند. نتایج نشان داد که GRU-M و LSTM-M به طور قابل توجهی بهتر از RNN-M هستند. و همچنین مشخص شده است که شبکه های عصبی عمیق بهترین نتیجه را ندارند.

Moghar & Hamiche (2020) از شبکه RNN+LSTM در بورس اوراق بهادار نیویورک و NKE برای پیش بینی مقادیر سهام آینده استفاده کرده است. و مشخص شده است که RNN حداقل از دست دادن پیش بینی را نشان می دهد.

Jain ، et al. ، (2018) CNN+LSTM را برای پیش بینی قیمت های کوتاه مدت خدمات مشاوره تاتا (TCS) و سهام لاستیک Madras Limited (MRF) اعمال کرده است. نتایج تجربی نشان می دهد که مدل با شبکه عصبی Convolution و حافظه کوتاه مدت کوتاه (LSTM) کارآمدتر است.

Qiyuan (2016) از شبکه RNN+LSTM در داده های بورس سهام ساعتی شش قیمت سهام شرکت آمریکایی استفاده کرد تا قیمت بسته شدن روز بعد سهام را پیش بینی کند. بالاترین دقت پیش بینی قیمت سهام تا 59. 5 ٪ و کمترین دقت 49. 75 ٪ است.

Jayanath & TGI Feando (2017) برای پیش بینی قیمت سهام شرکت های ذکر شده در بورس سهام Columbo از شبکه عصبی مکرر استفاده کرده است. این مدل با دو مدل دیگر شبکه Feed Forward و شبکه های GRU مقایسه شده است. نتایج نشان می دهد که شبکه عصبی مکرر با حافظه کوتاه مدت کوتاه مدت ، دقت بالایی از 99 ٪ را نشان داده است.

Qiu ، و همکاران ، (2014) از شبکه عصبی با انتشار پشت استفاده کرده است ، دقت بهبود یافته را نشان می دهد ، اما در یک مدل ترکیبی تعبیه شده با الگوریتم ژنتیکی بسیار مؤثر است. Ga-Ann در مقایسه با ANN در پیش بینی حرکت شاخص Nikkei 225 برای مشاهده ماهانه (QIU ، 2014) از عملکرد بهتر است.

Kumar & Sharma (2016) با استفاده از ANN در Nifty 50 ، دقت بالایی از 99 درصد را پیدا می کند. Alotaibi ، et al. ، (2018) آن را با انتشار پشتی قادر به پیش بینی بازار سهام سعودی و قیمت نفت می داند.

Korczak (2017) یک مدل ترکیبی از شبکه عصبی مصنوعی با تجزیه و تحلیل مؤلفه اصلی تهیه کرد که به عنوان سیستم عامل معامله گر (تجارت A) برای پیش بینی قیمت شاخص سهام TALIT و NASDAQ نامیده می شود. Naeini (2010) از شبکه مکرر MLP و Elman استفاده کرد و MLP را تحت تأثیر قرار می دهد.

در یک مطالعه ، Ticardo & Murillo (2016) از DNN برای به دست آوردن دقت پیش بینی 65 درصد استفاده کردند ، معیارهای خطای مشابهی مشابه هنگامی که شبکه عصبی Convolution به همراه LR و SVM (Dingle & Fouier ، 2017) مورد استفاده قرار می گیرد ، مشاهده می شود و بیشتر به نظر می رسدبا دقت بالا.

انتشار پشت در یک تنظیم ترکیبی با روش بهینه سازی شده تصادفی پیش بینی خوبی برای بازار سهام ژاپن است (Baba & Kozaki ، 1992).

هدف، واقعگرایانه

بر اساس مطالعه گذشته ، مشاهده می شود که شبکه های مختلف عصبی بر روی قیمت های مختلف سهام شرکت ها الگوبرداری شده است اما هیچ مقاله تحقیقاتی وجود ندارد که از شبکه عمیق RNN+LSTM در شاخص بازار توسعه یافته و نوظهور استفاده کند.

• برای یافتن یک روز پیش رو از شاخص سهام انتخاب شده.

• برای ارزیابی صحت RNN+LSTM در پیش بینی جهت بازار سهام.

مواد و روش ها

برای پیش بینی جهت شاخص های سهام ، این مطالعه یک توالی محور داده را پیشنهاد می کند. مجموعه داده ها شامل ، ارزش افتتاح/بسته شدن ، حجم تجارت دو شاخص بازار سهام انتخاب شده ، NASDAQ و KOSPI است. شاخص های فنی منعکس کننده حرکات قیمت متغیر ورودی دیگری است.

پیش پردازش و مقیاس بندی متغیرها قبل از مدل سازی داده ها در شبکه عمیق RNN+LSTM انجام می شود. شاخص های سهام منتخب با 4 لایه پنهان و عملکرد فعال سازی "آدم" که از داده های پر سر و صدا مراقبت می کند ، مدل سازی می شوند. عملکرد RNN+LSTM در هر دو شاخص بازار سهام انتخاب شده ارزیابی می شود.

شبکه عصبی مکرر با حافظه کوتاه مدت کوتاه مدت

شبکه عصبی مکرر یک الگوریتم یادگیری عمیق است که توانایی مدیریت داده های پی در پی و پر سر و صدا را دارد. در RNN+LSTM هر لایه پنهان با استفاده از توابع فعال سازی بر روی سلولهای عصبی خاصی آموزش می یابد. مدل RNN+LSTM تقسیم به سه لایه 1. ورودی 2. پنهان و 3. خروجی. و سه دروازه را تشکیل می دهد 1. دروازه ورودی 2. دروازه و 3. دروازه خروجی را فراموش کنید. RNN+LSTM روی داده های متوالی که در آن یک پنجره کشویی تولید می شود ، اعمال می شود. ورودی تغذیه شده به RNN+LSTM است

جایی که ساعت_t=حالت در حالت فعلی ‘t '

h_t-1= دولتی که در آن قیمت بسته شدن روز گذشته است

در RNN هر حالت به تمام محاسبات قبلی بستگی دارد. در مرحله اول ، روز گذشته بسته شدن این شاخص به شبکه تغذیه می شود و از طریق نورونها پردازش می شود. نورونهای فرآوری شده وزنه ها را تولید می کنند و بالاترین وزن به لایه بعدی که لایه پنهان است تغذیه می شوند. داده های پردازش شده دوباره روی لایه های پنهان با نورون های تعریف شده به همراه وزن تولید شده پردازش می شوند. داده های پردازش شده با بالاترین وزن به لایه آخر که شامل لایه فعال سازی برای بهینه سازی وزنه ها و طبقه بندی متغیرهای ورودی است ، گرفته شده است. در طول فرآیند مدل RNN+LSTM مدل ریاضی که ساخته شده است شکل زیر را می گیرد:

جایی که HT-1 قیمت بسته شدن روز گذشته است ، U وزن تولید شده در مرحله اولیه شبکه است. XT داده های پردازش شده در لایه بعدی شبکه RNN+LSTM است که وزنهای W را ایجاد می کند.

این شبکه توانایی ذخیره وزنه ها را از لایه اولیه تا لایه خروجی دارد. پس از بالاترین گره های وزن به لایه بعدی ، کمترین وزن دوباره در هر لایه از شبکه پردازش می شود ، از این رو تمام ورودی ها در سراسر شبکه پردازش می شوند.

در حالی که مدل سازی داده ها در شبکه های عصبی ، مشخص می شود که تمام مدل های شبکه عصبی مشکل ناپدید شدن و منفجر شدن شیب را دارند. برای جلوگیری از این مشکل ، شبکه های عصبی با توابع فعال سازی تنظیم می شوند. این توابع است که در آخرین لایه RNN+LSTM برای فعال کردن یک نورون استفاده می شود. این توابع فعال سازی داده های پردازش شده را تأیید می کنند و سعی می کنند اطلاعات دریافت شده توسط نورون را طبقه بندی کنند. چندین توابع فعال سازی وجود دارد که می توانند بر اساس نوع خروجی استفاده شوند. عملکرد فعال سازی عمومی و اساسی مورد استفاده در مدل شبکه میانگین وزنی است. که می تواند از نظر ریاضی به عنوان α (x) = σwixi که به طور متوسط وزنی است نشان داده شود.

y = فعال سازی (∑ (وزن * ورودی) + تعصب)

مدل RNN+LSTM فعلی با استفاده از عملکرد فعال سازی سیگموئید آموزش داده شده است زیرا پیش بینی جهت شاخص سهام است و شامل طبقه بندی خروجی است. عملکرد سیگموئید به صورت محاسبه می شود

این عملکرد زمانی استفاده می شود که خروجی بین 0 تا 1 محدود شود و به عنوان احتمال فعال شدن نورون تعبیر می شود. معمولاً عملکرد لجستیک نامیده می شود.

موارد زیر نمایانگر معماری RNN است:

شکل 1: مدل شبکه عصبی مکرر

معماری RNN+LSTM سه دروازه پردازش مختلف را تشکیل می دهد. دروازه اول ورودی را که روز گذشته بسته شدن شاخص است ، می گیرد و ورودی را با تولید وزن همانطور که در بالا گفته شد و بعداً به حافظه کوتاه مدت بلند مدت (LSTM) منتقل می شود ، حالت سلول را در یک زمان پیش بینی می کند تا مقدار را پیش بینی کند. معمولاً حالت سلول توسط دروازه های خاص قابل تغییر است. LSTM GATE از عملکرد سیگموئید لجستیک به عنوان عملکرد فعال سازی در آخرین دروازه استفاده می کند و اگر 1 را در اختیار داشته باشد طبقه بندی می کند و اگر قیمت بسته شدن بازار به سمت 0 باشد ، طبقه بندی می کند. سه دروازه مورد استفاده در شبکه به شرح زیر توضیح داده شده است:

Gateway را فراموش کنید: در دروازه فراموش شده ، قیمت بسته شدن روز گذشته به عنوان ورودی داده می شود. ورودی با تولید وزنه ها در هر نورون پردازش می شود ، با عملکرد لجستیک یا ضرب عناصر عاقلانه با سلول ، کدو می خورد و با تمام اطلاعات مربوطه که از طریق آن اطلاعات ناخواسته را از بین می برد ، خروجی را ترک می کند.

دروازه ورودی: داده های پردازش شده در دروازه فراموش شده برای استخراج اطلاعات جدید به دروازه ورودی اضافه می شوند. ورودی از دروازه قبلی گرفته شده و ورودی جریان با استفاده از عملکرد سیگموئید تبدیل می شود.

دروازه خروجی: این دروازه ای است که خروجی را استخراج می کند و با تبدیل حافظه سلول ، طبقه بندی داده های ورودی را آغاز می کند.

معیارهای عملکرد:

در این بخش معیارهای مختلف خطای مورد استفاده برای به دست آوردن دقت شرح داده شده است. معیارهای دقت در نظر گرفته شده برای مطالعه عبارتند از:

میانگین خطای مربع (MSE):

میانگین خطای مربع میانگین خطای مربع است که در مجموعه داده های آزمون محاسبه می شود. MSE توسط

MSE پایین به معنای مدل پیش بینی بهتر است.

نتایج و بحث

این بخش به تجزیه و تحلیل و تفسیر مدل های یادگیری عمیق شبکه عصبی مکرر با حافظه کوتاه مدت کوتاه در شاخص های سهام انتخاب شده می پردازد.( میز 1 )

از جدول فوق ، نقاط داده 1860 و 1764 (80 ٪ از کل مشاهدات) برای آموزش مدل RNN+LSTM در نظر گرفته شده است و همان مدل در 515 (20 ٪ از کل مشاهدات) با 3 لایه پنهان با 96 نورون آزمایش شده است. در کل 1،85،953 پارامتر با عملکرد فعال سازی سیگموئید در لایه ها آموزش داده می شوند. عملکرد فعال سازی "آدم" مراقبت از بیش از حد مدل شبکه را انجام می دهد. پس از آموزش مدل در شبکه RNN+LSTM با پارامترهای لازم ، معیارهای عملکرد برای ارزیابی مدل در نظر گرفته می شوند.(جدول 2)

از جدول فوق مشخص است که عملکرد ضرر که میانگین خطای مربع است 0. 00135 و 0. 0019 است. دقت که در آن RNN+LSTM قادر به پیش بینی جهت شاخص سهام است ، 81 ٪ در شاخص سهام NASDAQ و 82 ٪ در شاخص بازار KOSPI مشخص شده است. از جدول فوق نیز بدیهی است که مقادیر دقیق 0. 82 و 0. 83 در شاخص های بازار انتخاب شده است ، بیان می کند که احتمال اینکه شاخص های بازار منتخب از جهت رو به بالا استفاده کنند ، 82 ٪ در NASDAQ و 83 ٪ در شاخص بازار Kospi است ، به شرط آنکه اگر این مواردمدل شبکه همچنین پیش بینی می کند که بازار سهام از جهت رو به بالا استفاده می کند. به طور مشابه مقادیر فراخوان شاخص های سهام 0. 79 و 0. 80 است که بیان می کند 79 ٪ و 80 ٪ احتمال مدل شبکه وجود دارد که پیش بینی می کند شاخص سهام انتخاب شده جهت رو به جلو را به همراه دارد ، مشروط بر اینکه بازار نیز در یک روز در جهت رو به بالا حرکت کندقبل از.

نمره F1 میانگین دقت و فراخوان را ضبط می کند. مشخص شده است که میانگین احتمال اینکه شاخص بازار NASDAQ روند صعودی را به خود اختصاص دهد و مدل شبکه همچنین پیش بینی همان روند رو به بالا 81 ٪ و میانگین احتمال ابتلا به شاخص KOSPI پیش بینی روند صعودی در بازار ومدل شبکه پیش بینی همان 81. 9 ٪ است. شکل 1

شکل 2: نشان دادن معیارهای عملکرد شبکه RNN+LSTM

از شکل (الف) مشخص است که معیارهای طبقه بندی شبکه RNN+LSTM با توجه به مثبت های واقعی و منفی های واقعی یکسان است. شکل (ب) نشان دهنده صحت مدل پیشنهادی است و واضح است که دقت پیش بینی برای هر دو سهام انتخاب شده 81 ٪ و 82 ٪ است.

نتیجه گیری و دامنه کار آینده

در این مقاله ، یک روز پیش بینی ارزش بسته بندی یک روز پیش رو ارائه شده است. این فرآیند با تمیز کردن داده ها و پیش پردازش و به دنبال آن تجزیه و تحلیل مدل و معیارهای پیش بینی آغاز می شود. مشخص شده است که میانگین احتمال اینکه مدل شبکه پیشنهادی روند را پیش بینی کند و روند واقعی بازار 81 ٪ در NASDAQ و 81. 9 ٪ در شاخص KOSPI پیدا شده است که احتمال در نظر گرفتن آن نسبتاً مناسب است.

این آزمایش به وضوح نشان می دهد که RNN+LSTM قادر به پیش بینی حرکت برای روز بعد است. از آنجا که این مطالعه محدود به پیش بینی کوتاه مدت است ، مشاهده می شود که RNN+LSTM قدرت خود را در عملکرد اثبات می کند. برای کار آینده ، از همان مدل می توان در داده های فرکانس بالا و با استفاده از سایر تکنیک های یادگیری ماشین مانند مدل های ترکیبی با ادغام دو مدل شبکه عصبی استفاده کرد.

منابع

1. ژائو ، جی. ، زنگ ، د. ، و لیانگ ، س. (2021). مدل پیش بینی روند قیمت سهام بر اساس شبکه عصبی مکرر. مجله هوش محیط و محاسبات انسانی ، 12 ، 745-753. https://doi.org/10. 1007/S12652-020-02057-0
2. Moghar ، A. ، & Hamiche ، M. (2020). پیش بینی بازار سهام با استفاده از شبکه عصبی مکرر LSTM. علوم کامپیوتر رویه ، 170 ، 1168-1173 ، ISSN 1877-0509 ، https://doi.org/10. 1016/j. procs. 2020. 03. 049.
3. Jain ، S. ، Gupta ، R. ، & Asmita ، A. ، (2018). پیش بینی قیمت سهام در داده های سهام روزانه با استفاده از شبکه های عصبی عمیق. مجله بین المللی شبکه های عصبی و برنامه های پیشرفته ، 5 ، 2018 ، 45 - 54 ، ISSN 2313-0563.
4. Qiyuan(2016). پیش بینی بازار سهام با استفاده از شبکه عصبی مکرر ، اعطای گروه مهندسی کامپیوتر MS مدرک MS.
5. Jayanath ، S. ، & Feando ، T. G. I. Py.(n. d). AU - - 2017/12/15A رویکرد شبکه عصبی مکرر در پیش بینی قیمت سهام روزانه: برنامه ای برای بورس سهام سریلانکا - 10. 1109/ICIINFS. 2017. 8300345
6. دوک.(2017)."ثابت و متفاوت". http: //people/duke. ew/~RNAU/411Diff. htm (دسترسی به ژانویه 2017).
7. Ayodele ، A. ، Aderemi ، A. ، & Charles ، A. (2014). پیش بینی قیمت سهام با استفاده از مدل ARIMA. مجموعه مقالات - شانزدهمین کنفرانس بین المللی UKSI M-AMSS در مورد مدل سازی و شبیه سازی رایانه ، UKSIM. 10. 1109/uksim. 2014. 67.
8. Ali ، M. ، Adebiyi ، M. ، Ariyo ، A. ، Oluyinka ، A. ، & Korede ، A. C. (2014). مقایسه مدل های شبکه های عصبی ARIMA و مصنوعی برای پیش بینی قیمت سهام. مجله ریاضیات کاربردی ، شرکت انتشارات هنداوی ، 10. 1155/2014/614342.
9. Babu ، C. N. ، & Reddy ، B. E.(2014). پیش بینی سهام هند با استفاده از یک مدل آریما-گارچ ترکیبی. کنفرانس بین المللی 2014 پیشرفت در رایانه ها و ارتباطات الکترونیک ، 1-6.
10. Banerjee ، D. (2014). پیش بینی بازار سهام هند با استفاده از سری زمان ARIMA مدل 2014. دومین کنفرانس بین المللی مدیریت تجارت و اطلاعات (ICBIM) ، دورگاپور ، 131-135 ، doi: 10. 1109/ICBIM. 2014. 6970973.
11. Steel ، A. (2014). پیش بینی در داده های سری زمانی مالی ، کارشناسی ارشد علوم در محاسبات ، انستیتوی فناوری ، بلانچاردستاون.
12. Patel ، J. ، Shah ، S. ، Thakkar ، P. ، & Kotecha ، K. (2015). پیش بینی حرکت شاخص سهام و قیمت سهام با استفاده از روند آماده سازی داده های تعیین کننده روند و تکنیک های یادگیری ماشین ، مجله سیستم های خبره با برنامه ها ، 42 ، 259-268.
13. Hore ، S. ، Vipani ، R. ، Das ، P. ، & Dutta ، S. (2018). پیش بینی ارزش سهام با استفاده از شاخص بازار Nifty 50 و RBF - Regector پشتیبانی مبتنی بر هسته. مجله بین المللی تحقیقات پیشرفته در علوم و مهندسی ، 7 (3) ، ISSN: 2319-8324.
14. SWELL ، M. V.(2017). کاربرد یادگیری ماشین برای تجزیه و تحلیل سری زمانی مالی. دکترای فلسفه ، کالج دانشگاه لندن ، دانشگاه لندن.
15. Dingli ، A. ، & Fourier ، K. S.(2017). پیش بینی سری زمانی مالی - یک رویکرد یادگیری ماشین. یادگیری ماشین و برنامه های کاربردی: یک مجله بین المللی ، 4 ، 1/2/3.
16. مینگین ، س. (2014). مطالعه ای در مورد پیش بینی شاخص بازار سهام و انتخاب نمونه کارها. دکترای مهندسی ، انستیتوی فناوری فوکووکا ، دانشگاه فوکووکا ، ژاپن.
17. استرادا ، G. B.(2015). پایان نامه یادگیری عمیق برای سری زمانی مالی چند متغیره. کارشناسی ارشد علوم ، موسسه فناوری KTH ، استکهلم.
18. Krollner ، B. ، Vanstone ، B. ، & Finnie ، G. (2020). پیش بینی سری زمانی مالی با تکنیک های یادگیری ماشین: یک نظرسنجی. سمپوزیوم اروپایی ANN-اطلاعات محاسباتی و یادگیری ماشین ، بروژ ، 28-30. ISBN-2-930307-10. 2.
19. Majumder ، M. M. D. ، & Hussain ، A. (2017). پیش بینی شاخص بازار سهام هند با استفاده از شبکه عصبی مصنوعی (ANN). تحقیقات در بورس اوراق بهادار ملی هند با مسئولیت محدود
20. Kumar ، G. ، & Sharma ، V. (2016). پیش بینی بازار سهام با استفاده از تکنیک های یادگیری ماشین با رویکرد شبکه عصبی مصنوعی. مجله بین المللی علوم کامپیوتر مدرن (IJMCS) ، 4 (3) ، ISSN: 2370-7868.
21. Alotaibi ، T. ، Nazir ، A. ، Alroobaea ، R. ، Abtibi ، M. ، Alsubeai ، F. ، Alghamde ، A. ، & Alsulimani ، T. (2018). پیش بینی بازار سهام عربستان سعودی با استفاده از شبکه عصبی. مجله بین المللی علوم و مهندسی کامپیوتر ، 0975-3397.
22. Grigoryan ، H. (2015). پیش بینی بازار سهام با استفاده از مطالعه موردی ANN از TALIT ، NASDAQ OMX ، سهام بالتیک ". مجله سیستم های پایگاه داده ، 6 ، 2/2015.
23. Naeini ، M. P. ، & Hamidreza ، T. ، & Homa ، B. (2010). پیش بینی ارزش بازار سهام با استفاده از شبکه های عصبی ، 132 - 136. 10. 1109/CISIM. 2010. 5643675.
24. Qui ، M. ، & Song ، Y. (2016). پیش بینی جهت حرکت شاخص بازار سهام با استفاده از ANN بهینه. مجله Pone.
25. Panda ، C. ، & Narasimhan ، V. (2006). پیش بینی بازده سهام - آزمایش ANN در بازار سهام هند. مجله اقتصادی آسیای جنوبی ، 7 (2) ، 205-218.
26. Ticardo ، A. ، & Murillo ، A. (2016). پایان نامه کوتاه مدت سریال های زمانی مالی با شبکه عصبی عمیق. کارشناسی ارشد در سیستم ها و مهندسی کامپیوتر Universidad National de Colombia.
27. Dingle ، A. ، & Fouier ، K. S.(2017). پیش بینی سری زمانی مالی - یک رویکرد یادگیری عمیق. مجله بین المللی یادگیری و محاسبات ماشین ، 7.
28. Korczak ، J. ، & Hees ، M. (2017). یادگیری عمیق برای پیش بینی سری زمانی مالی در سیستم تجارت A. مجموعه مقالات کنفرانس فدرال در زمینه علوم کامپیوتر و سیستم های اطلاعاتی ، ACSIS ، 11 ، 905-912.
29. تانگ ، ی. (2013). یادگیری عمیق با استفاده از ماشین بردار پشتیبانی خطی ، کارشناسی ارشد علوم ، گروه علوم کامپیوتر ، دانشگاه تورنتو ، تورنتو ، انتاریو ، کانادا.
30. Hiransha ، M. ، Krishnan ، G. E. A ، Menon ، V. K. ، & Soman ، K. P.(2018). پیش بینی بازار سهام NSE با استفاده از مدلهای یادگیری عمیق. کنفرانس بین المللی اطلاعات محاسباتی و علوم داده ، 1351-1362.
31. گائو ، س. (2016). پایان نامه با عنوان ، پیش بینی بازار سهام با استفاده از RNN ، کارشناسی ارشد علوم ، دانشگاه میسوری - کلمبیا.
32. Baba ، N. ، & Kozaki ، M. (1992). یک سیستم پیش بینی هوشمند از قیمت سهام با استفاده از شبکه های عصبی.(مجموعه مقالات 1992) کنفرانس مشترک بین المللی IJCNN در شبکه های عصبی ، بالتیمور ، MD ، ایالات متحده ، 371-377 ، 1 ، doi: 10. 1109/ijcnn. 1992. 287183.
33. Acunto ، G. D. (2016). پایان نامه ، یک الگوی یادگیری عمیق برای پیش بینی سری زمانی مالی. کارشناسی ارشد علوم ، Universita deglistudi di Torino. دستگاه بردار ML-Support (آنلاین): موجود: www.tutorialspoint.com/machine_leaing_with_python/machine_leaing_with_python_classification_support_vector_machine. htm (دسترسی به ژوئیه 2020).
34. میچل ، T. M.(2017)."فراگیری ماشین". آموزش مک گرایل.
35. کومار ، D. U.(n. d.)."تجزیه و تحلیل تجارت علم تصمیم گیری مبتنی بر داده". ویلی
36. Zhou ، X. ، Pan ، Z. ، Tang ، G. S. ، & Zhao ، C. (2018). پیش بینی بازار سهام در مورد داده های فرکانس بالا با استفاده از شبکه های تولیدی. هنداوی ، مشکلات ریاضی در مهندسی ، شناسه 4907423.
37. Sezera ، O. M. ، Gudeleka ، M. U. ، & Ozbayoglu ، A. M.(2019). پیش بینی سری زمانی مالی با یادگیری عمیق: بررسی ادبیات سیستماتیک: 2005-2019 ".(https://arxiv.org/pdf/1911. 13288. pdf)

آکادمی های تجاری متفقین که در کل 14 ژورنال مختلف در زمینه های مختلف تجارت منتشر می کنند. با میزان پذیرش 30 ٪ ، هر یک از مجلات شرکت های وابسته ما دو کور است ، همکار مورد بررسی قرار می گیرد و برخی از مجلات در Scopus ، Scimago ، Google Scholar ، ProQuest ، Cengage Gale ، Lexisnexis و چندین کارآزمایی دانشگاهی و موتورهای جستجو ذکر شده اند. بشر

ما را دنبال کنید

لینک های سریع

اطلاعات تماس

آکادمی های تجاری متفقین 40 Bloomsbury Way طبقه همکف لندن ، انگلستان WC1A 2SEآدرس ثبت شده3 Shenton Way #10-05 Shenton House سنگاپور (068805)