روش شناسی نقش ، نوشتن-پیش نویس اصلی ، نوشتن-بررسی و ویرایش * پست الکترونیکی: wangbinpaper@gmail. com (BW) ؛Zhou-chang231@163. com (CZ) آزمایشگاه کلیدی وابسته طراحی پیشرفته و محاسبات هوشمند (دانشگاه دالیان) ، وزارت آموزش و پرورش ، دالیان ، چین

نوشتن نقش-بررسی و ویرایش * پست الکترونیکی: wangbinpaper@gmail. com (BW) ؛Zhou-chang231@163. com (CZ) دانشکده وابستگی علوم و مهندسی کامپیوتر ، دانشگاه دالیان مینزو ، دالیان ، چین

پیش بینی قیمت سهام با شبکه عصبی حافظه با کوتاه مدت بر اساس مکانیسم توجه

• jiayu qiu ،
• بن وانگ ،
• چانگژون ژو

• منتشر شده: 3 ژانویه 2020
• https://doi. org/10. 1371/joual. pone. 0227222

ارقام

خلاصه

بازار سهام به دلیل پیچیدگی و نوسانات شدید شناخته شده است و مردم همیشه به دنبال روشی دقیق و مؤثر برای هدایت معاملات سهام هستند. شبکه های عصبی حافظه کوتاه مدت (LSTM) توسط شبکه های عصبی مکرر (RNN) توسعه یافته و در بسیاری از زمینه ها دارای ارزش کاربرد قابل توجهی هستند. علاوه بر این ، LSTM به دلیل ساختار واحد ذخیره سازی منحصر به فرد خود ، از مشکلات وابستگی طولانی مدت جلوگیری می کند و به پیش بینی سری زمانی مالی کمک می کند. بر اساس LSTM و مکانیسم توجه ، از یک تبدیل موجک برای تزئین داده های سهام تاریخی ، استخراج و آموزش ویژگی های آن استفاده می شود و مدل پیش بینی قیمت سهام را تعیین می کند. ما نتایج را با سه مدل دیگر ، از جمله مدل LSTM ، مدل LSTM با Denoising موجک و مدل شبکه عصبی واحد مکرر (GRU) در مجموعه داده های S& P 500 ، DJIA ، HSI مقایسه کردیم. نتایج حاصل از آزمایش در مجموعه داده های S& P 500 و DJIA نشان می دهد که ضریب تعیین مدل LSTM مبتنی بر توجه هر دو بالاتر از 0. 94 است و میانگین خطای مربع مدل ما هر دو پایین تر از 0. 05 است.

استناد: Qiu J ، Wang B ، Zhou C (2020) پیش بینی قیمت سهام با شبکه عصبی حافظه با کوتاه مدت بر اساس مکانیسم توجه. PLOS ONE 15 (1): E0227222. https://doi. org/10. 1371/joual. pone. 0227222

ویراستار: Tao Song ، Universidad De Madrid ، اسپانیا

دریافت: 25 سپتامبر 2019 ؛پذیرفته شده: 13 دسامبر 2019 ؛منتشر شده: 3 ژانویه 2020

کپی رایت: © 2020 Qiu و همکاران. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که اجازه استفاده ، توزیع و تولید مثل بدون محدودیت را در هر رسانه ای می دهد ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

در دسترس بودن داده ها: کلیه داده های مربوطه در نسخه خطی و پرونده های اطلاعاتی پشتیبانی آن قرار دارند.

بودجه: این کار توسط بنیاد ملی علوم طبیعی چین پشتیبانی می شود (شماره 61672121 ، 61425002 ، 61751203 ، 61772100 ، 61972266 ، 61802040 ، 61572093) ، برنامه ای برای برنامه های Changjianggangs Scholalars و Team Innoinative Team in University in University (No. برای تیم تحقیقاتی نوآورانه Liaoning در دانشگاه (No. LT2017012) ، بنیاد علوم طبیعی استان لیائونینگ (No. 20180551241 ، 2019-ZD-0567) ، برنامه پشتیبانی نوآوری استعداد بالا از شهر دالیان (No. 2017RQ060 ، 2018RQ75)، و برنامه پشتیبانی از استعداد علوم و فناوری جوان برجسته دالیان شماره 2017RJ08.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقابتی وجود ندارد.

معرفی

پیش بینی بازار مالی به طور سنتی مورد توجه صنعت و آکادمی ها بوده است. [1]برای بازار سهام ، نوسانات آن پیچیده و غیرخطی است. [2]بدیهی است که اعتماد به نفس فقط به تجربه شخصی و شهود یک معامله گر برای تجزیه و تحلیل و قضاوت غیرقابل اعتماد و ناکارآمد است. افراد برای هدایت معاملات سهام به یک روش تحقیق هوشمند ، علمی و مؤثر نیاز دارند. با پیشرفت سریع هوش مصنوعی ، استفاده از یادگیری عمیق در پیش بینی قیمت سهام به یک کانون تحقیقاتی تبدیل شده است. شبکه عصبی در یادگیری عمیق به دلیل توانایی تقریب غیرخطی خوب و یادگیری تطبیقی ، به یک پیش بینی کننده محبوب تبدیل شده است. شبکه های عصبی کوتاه مدت حافظه کوتاه مدت (LSTM) در تشخیص گفتار [3 ، 4] و پردازش متن عملکرد خوبی داشته اند. [5 ، 6] همزمان ، زیرا آنها ویژگی های انتخابی ، سلول های حافظه ، شبکه های عصبی LSTM هستندمناسب برای توالی غیر ایستگاه تصادفی مانند سری زمانی قیمت سهام.

با توجه به ویژگی های غیر ایستگاه ، غیرخطی و پر سر و صدا از سری زمانی مالی ، [7] مدل های آماری سنتی در پیش بینی آنها با دقت بالا مشکل دارند. اگرچه هنوز هم برخی از مشکلات و مشکلات در پیش بینی های مالی با استفاده از یادگیری عمیق وجود دارد ، اما مردم امیدوارند یک مدل پیش بینی قابل اعتماد بازار سهام را ایجاد کنند. [8]تلاش های بیشتری برای اعمال یادگیری عمیق در پیش بینی های بازار سهام انجام می شود. در سال 2013 ، لین و همکاران [9]روشی را برای پیش بینی سهام با استفاده از یک دستگاه بردار پشتیبانی برای ایجاد یک مدل انتخاب و پیش بینی ویژگی های دو قسمتی ارائه داد و ثابت کرد که این روش تعمیم بهتری نسبت به روشهای معمولی دارد. در سال 2014 ، Wanjawa و همکاران.[10] یک شبکه عصبی مصنوعی را با استفاده از یک Perceptron چند لایه به جلو با خطای برگشتی برای پیش بینی قیمت سهام پیشنهاد داد. نتایج نشان می دهد که این مدل می تواند بازار سهام معمولی را پیش بینی کند. بعداً ، ژانگ و همکاران [11]شبکه عصبی ترکیبی (CNN) و شبکه عصبی مکرر (RNN) برای پیشنهاد یک معماری جدید ، شبکه عصبی منطقه عمیق و گسترده (DWNN). نتایج نشان می دهد که مدل DWNN می تواند میانگین خطای پیش بینی شده را 30 ٪ در مقایسه با مدل RNN عمومی کاهش دهد. مطالعات اخیر بسیاری در مورد کاربرد شبکه های عصبی LSTM در بازار سهام انجام شده است. یک مدل ترکیبی از ناهمگونی مشروط مشروط به خودی تعمیم یافته (GARCH) همراه با LSTM برای پیش بینی نوسانات قیمت سهام پیشنهاد شده است. [12]CNN برای تهیه یک استراتژی انتخاب کمی سهام برای تعیین روند سهام و سپس پیش بینی قیمت سهام با استفاده از LSTM برای ترویج یک مدل شبکه عصبی ترکیبی برای استراتژی های زمان بندی کمی برای افزایش سود استفاده شد. [13]یک عملکرد با وزن زمانی به یک شبکه عصبی LSTM اضافه شد ، و نتایج از مدل های دیگر فراتر رفت. [14]جیانگ و همکاران [15]از یک شبکه عصبی LSTM و RNN برای ساخت مدل ها استفاده کرد و دریافت که LSTM می تواند بهتر برای پیش بینی سهام اعمال شود. جین و همکاران [16]گرایش احساسات سرمایه گذار در تجزیه و تحلیل مدل اضافه شده و تجزیه معین تجربی (EMD) همراه با LSTM را برای به دست آوردن پیش بینی دقیق تر سهام معرفی کرده است. مدل LSTM مبتنی بر مکانیسم توجه در تشخیص گفتار و تصویر متداول است اما بندرت در امور مالی مورد استفاده قرار می گیرد.

نظریه و فناوری مرتبط

شبکه های عصبی حافظه کوتاه مدت (LSTM)

LSTM از یکی از رایج ترین اشکال RNN استفاده می کند. [17]این بار شبکه عصبی مکرر برای جلوگیری از مشکلات وابستگی طولانی مدت است و برای پردازش و پیش بینی سری های زمانی مناسب است. پیشنهاد شده توسط SEPP Hochreiter و Jurgen Schmidhuber در سال 1997 ، [18] مدل LSTM از مجموعه ای منحصر به فرد از سلول های حافظه تشکیل شده است که جایگزین نورون های لایه پنهان RNN می شوند و نکته اصلی آن وضعیت سلولهای حافظه است. مدل LSTM اطلاعات را از طریق ساختار دروازه فیلتر می کند تا وضعیت سلولهای حافظه را حفظ و به روز کند. ساختار درب آن شامل دروازه های ورودی ، فراموش شده و خروجی است. هر سلول حافظه دارای سه لایه سیگموئید و یک لایه TanH است. شکل 1 ساختار سلولهای حافظه LSTM را نشان می دهد.< SPAN> LSTM از یکی از رایج ترین اشکال RNN استفاده می کند. [17]این بار شبکه عصبی مکرر برای جلوگیری از مشکلات وابستگی طولانی مدت است و برای پردازش و پیش بینی سری های زمانی مناسب است. پیشنهاد شده توسط SEPP Hochreiter و Jurgen Schmidhuber در سال 1997 ، [18] مدل LSTM از مجموعه ای منحصر به فرد از سلول های حافظه تشکیل شده است که جایگزین نورون های لایه پنهان RNN می شوند و نکته اصلی آن وضعیت سلولهای حافظه است. مدل LSTM اطلاعات را از طریق ساختار دروازه فیلتر می کند تا وضعیت سلولهای حافظه را حفظ و به روز کند. ساختار درب آن شامل دروازه های ورودی ، فراموش شده و خروجی است. هر سلول حافظه دارای سه لایه سیگموئید و یک لایه TanH است. شکل 1 ساختار سلول های حافظه LSTM را نشان می دهد. lstm از یکی از رایج ترین اشکال RNN استفاده می کند. [17]این بار شبکه عصبی مکرر برای جلوگیری از مشکلات وابستگی طولانی مدت است و برای پردازش و پیش بینی سری های زمانی مناسب است. پیشنهاد شده توسط SEPP Hochreiter و Jurgen Schmidhuber در سال 1997 ، [18] مدل LSTM از مجموعه ای منحصر به فرد از سلول های حافظه تشکیل شده است که جایگزین نورون های لایه پنهان RNN می شوند و نکته اصلی آن وضعیت سلولهای حافظه است. مدل LSTM اطلاعات را از طریق ساختار دروازه فیلتر می کند تا وضعیت سلولهای حافظه را حفظ و به روز کند. ساختار درب آن شامل دروازه های ورودی ، فراموش شده و خروجی است. هر سلول حافظه دارای سه لایه سیگموئید و یک لایه TanH است. شکل 1 ساختار سلولهای حافظه LSTM را نشان می دهد.