پیش بینی شاخص کل بازار سهام

  • 2021-12-20

1+ امتیاز

از همکاری شما سپاسگذاریم! همچنین می توانید یک ورودی ویدیویی مربوط به این موضوع را از طریق لینک زیر بارگذاری کنید: https://encyclopedia. pub/user/video_add؟id=18995

شاخص سهام یک شاخص مهم برای اندازه گیری نوسانات بورس ، با نقش راهنما برای تصمیم گیری سرمایه گذاران است ، بنابراین هدف تحقیقات زیادی است. با این حال ، بازار سهام تحت تأثیر عدم اطمینان و نوسانات قرار می گیرد و پیش بینی دقیق را به یک کار چالش برانگیز تبدیل می کند.

1. مقدمه

شاخص سهام بر اساس برخی از سهام ذکر شده نماینده محاسبه می شود. تا حدودی ، می تواند تغییرات قیمت کل بازار مالی را منعکس کند ، از این رو استفاده از آن به عنوان یک شاخص مهم عملکرد کلان اقتصادی آینده کشور است. پیش بینی دقیق شاخص سهام با ارائه برخی از اطلاعات مهم مرجع ، از اهمیت ویژه ای برای کاهش خطرات در تصمیم گیری برخوردار است [1]. با این حال ، با توجه به پیچیدگی ساختار داخلی و تغییرپذیری عوامل خارجی ، تغییرات بازار سهام پویا و نامشخص است و پیش بینی شاخص سهام همیشه یک چالش بوده است. بسیاری از مدل های پیش بینی سهام بیشتر به عنوان مدل های آماری یا یادگیری ماشین طبقه بندی می شوند [2]. برای اولین بار از مدل های آماری برای پیش بینی بازار سهام در امور مالی استفاده شد و برخی از دستاوردها را انجام داده است. با این حال ، آنها یک سری زمانی خطی و ثابت را فرض می کنند ، که مغایر با ویژگی های پویا و غیرخطی بازار سهام واقعی است ، بنابراین محدودیت های بزرگی دارند. یک مدل یادگیری عمیق می تواند بر نقص مدلهای آماری سنتی در پیش بینی سری زمانی غلبه کند ، اما به راحتی در برخی از سیستم های مالی پیچیده و پویا تحت تأثیر نویز قرار می گیرد و این امر باعث می شود تا از ویژگی های پنهان سری های زمانی دشوار شود و در نتیجه توانایی یادگیری ضعیف و پیش بینی محدود باشددقت.

بنابراین ، یک مدل یادگیری آماری یا ماشین واحد به خوبی نمی تواند شاخص سهام را پیش بینی کند. برای غلبه بر این محدودیت ها ، یک مدل پیش بینی شاخص سهام ترکیبی بر اساس تجزیه کامل حالت تجربی گروهی با نویز تطبیقی (CEEMDAN) ارائه شده است [3]. در این مدل ، CEEMDAN برای اولین بار برای تجزیه سری زمانی مالی اصلی در یک سری از عملکردهای حالت ذاتی (IMF) و یک اصطلاح باقیمانده استفاده می شود. سپس ، پایداری صندوق بین المللی پول و اصطلاح باقیمانده با استفاده از روش افزوده Dickey Fuller (ADF) مشخص می شود ، سری زمانی کم حجم به عنوان اجزای خطی طبقه بندی می شوند و سری زمانی با حجم بالا به عنوان اجزای غیر خطی طبقه بندی می شوند. در مرحله پایانی ، مدل میانگین متحرک (ARMA) اتوگرافی به مؤلفه خطی اعمال می شود و حافظه کوتاه مدت بلند (LSTM) به مؤلفه غیر خطی اعمال می شود. نتیجه پیش بینی نهایی با بازسازی هر سری پیش بینی بدست می آید. این روش از ARMA در مشکلات خطی استفاده کامل می کند و از LSTM برای شناسایی و انتزاع ویژگی های غیرخطی ، استخراج قوانین حرکتی اجزای پنهان در سری های زمانی و بهبود دقت پیش بینی استفاده می کند. از این رو ، روش پیشنهادی به عنوان کال (Ceemdan-arma-LSTM) گفته می شود. در مدل CAL ، تجزیه توالی CEEMDAN می تواند پیچیدگی سری های زمانی را کاهش دهد و توالی هایی که از آزمون استقرار ADF عبور می کنند ، روند خطی قابل توجهی دارند.

مدل ترکیبی ترکیبی از روشهای خطی و غیرخطی مزایای زیادی در پیش بینی سری زمانی دارد [4]. مرجع.[5] یک مدل پیش بینی سری زمانی ترکیبی را پیشنهاد کرد که باقیمانده تولید شده توسط میانگین متحرک یکپارچه خودجوش (ARIMA) تولید می شود ، و تفاوت های موجود در یک سری زمانی غیر ثابت با ARMA را به عنوان ورودی LSTM برای اتصالات ترکیب می کند. مدل ARIMA-LSTM نسبت به مدل های LSTM و ARIMA به نتایج پیش بینی دقیق تری رسیده است. از یک فیلتر متوسط در حال حرکت برای تجزیه یک سری زمانی به اجزای خطی و غیر خطی استفاده شد [6]. ARIMA و شبکه عصبی مصنوعی (ANN) به ترتیب برای مدل سازی داده های کم و بالا با کمال استفاده شدند. این مدل ترکیبی ARIMA-ANN می تواند به نتایج پیش بینی خوبی برسد.

2. مدل پیش بینی شاخص سهام

2. 1مدلهای مرتبط

2. 1. 1. کیمدان

تجزیه حالت تجربی (EMD) [7] می‌تواند داده‌های سری زمانی را با توجه به مقیاس‌های زمانی خود بدون تعیین تابع پایه، برای درمان مؤثر داده‌های غیرخطی و ناپایدار، به زیر مجموعه‌ها تجزیه کند. با این حال، نام مستعار حالت می تواند در طول تجزیه داده های EMD رخ دهد. Ensemble Empirical Mode Decomposition (EEMD) به این مشکل می پردازد اما نمی تواند به طور کامل خطای بازسازی را پس از معرفی نویز سفید گاوسی برطرف کند [8]. در فرآیند تجزیه، CEEMDAN به طور تطبیقی نویز سفید را برای جلوگیری از اختلاط حالت EMD اضافه می‌کند و خطای بازسازی ناشی از نویز را برطرف می‌کند. پیش‌بینی قیمت سهام تحت تأثیر عوامل متعددی است و یک مدل پیچیده غیرخطی است. اجزای CEEMDAN نسبتا ساده هستند. از این رو می توان پیش بینی های دقیق تری به دست آورد.

2. 1. 2. LSTM

LSTM به عنوان یک شبکه عصبی بازگشتی خاص، مشکل ناپدید شدن گرادیان و انفجار را در فرآیند آموزش دنباله های طولانی حل می کند و ساختار شبکه پیچیده تری دارد. LSTM یک حالت سلولی را معرفی می کند و دروازه های فراموشی، ورودی و خروجی را برای حذف، نگهداری و به روز رسانی اطلاعات ترکیب می کند. خروجی مدل با توابع چندگانه شامل برخی عملیات جمع محاسبه می‌شود، بنابراین تولید مشکلات ناپدید شدن گرادیان و انفجار در فرآیند انتشار پس‌انداز آسان نیست. LSTM در برخی مسائل مربوط به سری های زمانی، مانند پیش بینی سری های زمانی صنعتی [9] و ترجمه متن [10] مزایایی دارد.

2. 1. 3. ARMA

ARMA یک روش متوالی خطی است که آینده را با توجه به داده های تاریخی و فعلی پیش بینی می کند. پیش‌بینی داده‌های ARMA باید الزامات ثابت بودن را برآورده کند. در عمل، روندها و تناوب اغلب در بسیاری از مجموعه داده ها وجود دارد، بنابراین نیاز به حذف این اثرات قبل از اعمال چنین مدل هایی وجود دارد. حذف معمولاً با گنجاندن یک مرحله تفاوت اولیه در مدل انجام می شود و مدل به مدل ARIMA تبدیل می شود. بنابراین، ARIAM را می توان به عنوان یک نسخه پیشرفته از ARMA دید. طیف وسیع تری از کاربردها دارد اما مقدار مشخصی از دست دادن اطلاعات.

2. 2. مدل پیشنهادی

به طور گسترده ای پذیرفته شده است که بازار مالی پیچیده و پویا است ، که خواستار حذف سر و صدا یا تجزیه سری زمانی است. برای این منظور ، از یک روش تجزیه چند مقیاس به نام CEEMDAN در مدل استفاده می شود. اجزای تجزیه شده مقیاس های مختلفی دارند. ARMA و LSTM به عنوان ماژول های پیش بینی خطی و غیر خطی برای بهره برداری از مزایای مربوطه مورد استفاده قرار می گیرند. بنابراین ، یک مدل ARMA-LSTM ترکیبی برای پیش بینی سری زمانی بر اساس CEEMDAN ارائه شده است ، که Cal (Ceemdan-arma-LSTM) نامیده می شود. Ceemdan می تواند یک سری زمانی را به طور تطبیقی تجزیه کند و یک سری صندوق بین المللی پول و باقیمانده را با مقیاس های مختلف خاص ارائه دهد.

3. نتایج تجربی

3. 1مجموعه داده ها

پیش بینی یک مرحله ای برای تأیید صحت پیش بینی مدل CAL پیشنهادی در چهار شاخص اصلی سهام جهانی استفاده می شود: Deutscher Aktien (Dax) ، Hang Seng (HSI) ، 500 استاندارد و فقیر (S& P500) و Composite بورس سهام شانگهای(SSE). اینها در بازار مالی جهانی نمایندگی خوبی دارند و می توانند تغییرات بازار سهام را منعکس کنند ، که ارزش تحقیق زیادی دارد. شاخص های بازار سهام تحت تأثیر سیاست های ملی ، محیط های بازار و سایر عوامل دارای ویژگی های مختلف قرار دارند. تحقیقات در مورد شاخص های بازار سهام در بازارهای مختلف مالی می تواند دقت پیش بینی مدل را بررسی کند.

تجزیه و تحلیل آماری هر شاخص سهام در جدول 1 نشان داده شده است ، جایی که ما میزان داده های موجود در هر شاخص بازار سهام و همچنین میانگین ، حداکثر ، حداقل ، انحراف استاندارد و نتایج آزمون ADF از شاخص بسته را تعیین می کنیم. همانطور که از جدول 1 مشاهده می شود ، بین حداکثر و حداقل مقادیر شکاف زیادی وجود دارد و یک انحراف استاندارد بزرگ ، نشان می دهد که این شاخص های بسته شدن دارای نوسانات زیادی در محدوده تحقیق هستند. علاوه بر این ، نتایج آزمون ADF DAX و S& P500 از آستانه 0. 05 بیشتر است ، نشان می دهد که مجموعه داده بسیار بی ثبات و غیر ثابت است. SSE تا حدودی پایدارتر از سه مجموعه داده دیگر است. شکل 1 تغییر متوالی شاخص بسته شدن در محدوده مطالعه را نشان می دهد ، که از آن می توان دریافت که چهار شاخص در کوتاه مدت دارای نوسانات و بی ثباتی بزرگی هستند.

Entropy 24 00146 g002 550

شکل 1. سری شاخص بسته شدن روزانه چهار بازار مالی.(الف) DAX.(ب) HSI.(ج) S & P500.(د) SSE.

فهرست مطالب شمردن منظور داشتن حداکثر حداقل انحراف معیار تست ADF
غوغا 3300 9118. 21 13،789. 00 3666. 41 2722. 52 0. 79
HSI 3219 23،206. 70 33،154. 12 11،015. 84 3660. 60 0. 11
S & P500 3273 1915. 40 3702. 25 676. 53 713. 03 0. 99
سس 3163 2846. 43 5497. 90 1706. 70 586. 51 0. 01

3. 2. نتایج تجزیه EMD و CEEMDAN

شاخص های سهام که حاوی عوامل تأثیرگذار زیادی هستند، می توانند EMD یا CEEMDAN استفاده شده را تجزیه کنند. در نظر گرفتن شاخص سهام SSE به عنوان مثال برای تجزیه سری زمانی اصلی، به طوری که دو روش تجزیه را با هم مقایسه کنید.

در شکل 2، نتایج تجزیه سری اصلی شاخص SSE نشان داده شده است. نتایج تجزیه توالی از فرکانس بالا تا پایین متغیر است. چند IMF اول، با نویز بیشتر، مؤلفه های فرکانس بالا را در داده های اصلی نشان می دهند. صندوق های بین المللی پول میانی، با فرکانس کاهش یافته، مؤلفه های فرکانس متوسط را نشان می دهند. و چند صندوق بین المللی پول آخر، با نوسانات کمتر، که مشابه روند حرکت بلندمدت سهام است، مؤلفه های فرکانس پایین را نشان می دهند. سمت چپ و راست شکل 2 به ترتیب نتایج تجزیه داده های CEEMDAN و EMD را نشان می دهد. می توان دریافت که IMF5 و IMF6 در سمت راست شکل 2 دارای مقیاس های مشابه هستند و به راحتی قابل تشخیص نیستند. این به این دلیل است که نام مستعار حالت EMD منجر به توزیع برخی از مقیاس‌های زمانی مشابه در توابع مختلف حالت ذاتی می‌شود که در نتیجه به شکل موج نام مستعار و تأثیر متقابل منجر می‌شود. در نتیجه، ویژگی‌های یک دنباله مشخص نیست و استخراج ویژگی مدل‌های پیش‌بینی بعدی دشوارتر است. تجزیه داده های CEEMDAN به طور موثر این مشکل را حل می کند. همانطور که از نتایج تجزیه در سمت چپ شکل 2 مشاهده می شود، CEEMDAN شاخص سهام را به چندین مؤلفه، از فرکانس بالا تا فرکانس پایین، تجزیه کرد، که ویژگی های آنها واضح است و هیچ الایاس شکل موجی وجود ندارد.

Entropy 24 00146 g004 550

3. 3. خلاصه

مدل CAL پیشنهادی، با روش‌های مبتنی بر CEEMDAN، از نظر دقت پیش‌بینی در چهار شاخص سهام از بازارهای مختلف سهام توسعه‌یافته، بهتر از هفت مدل معیار عمل می‌کند، که نشان می‌دهد روش‌هایی با تجزیه چند مقیاسی می‌توانند پیچیدگی توالی‌ها را کاهش دهند، ویژگی‌های پنهان را استخراج کنند و بهبود بخشند. دقت پیش بینی

CAL می‌تواند پیش‌بینی‌های نزدیک‌تر به مقادیر واقعی را نسبت به CEEMDAN-LSTM به دست آورد، که نشان می‌دهد اجزا پس از تجزیه ممکن است دارای ویژگی‌های خطی و غیرخطی باشند. بنابراین، مدل‌های ترکیبی از ARMA و LSTM می‌توانند پیش‌بینی‌های دقیق‌تری نسبت به مدل‌های LSTM منفرد به دست آورند.

CAL می تواند نزدیک ترین نتایج پیش بینی را در مقایسه با ARIMA-ANN ارائه دهد. این نشان می دهد که مدل CAL نسبت به برخی از مدل های هیبریدی سنتی مزایایی دارد.

نتایج پیش‌بینی نشان می‌دهد که CAL خطای پیش‌بینی کمتری نسبت به EMD-ARMA-LSTM دارد و این نشان می‌دهد که روش CEEMDAN در تجزیه داده‌ها نسبت به EMD برتری دارد.

در برخی از بازارهای مالی ناپایدار، یک مدل پیش‌بینی واحد، حتی مدل یادگیری عمیق بهبودیافته، توانایی پیش‌بینی محدودی دارد زیرا نمی‌توانند قوانین حرکت داخلی سری‌های زمانی را کشف کنند و ویژگی‌های چند مقیاسی سری‌های زمانی مالی را منعکس کنند.

تحلیل رگرسیون خطی همبستگی قوی بین مقادیر پیش بینی شده و مقادیر واقعی را نشان می دهد و مدل پیش بینی پیشنهادی موثر است.

4. نتیجه گیری و بحث

پیش بینی شاخص بورس نقش مهمی در انعکاس روندهای کلی بازار سهام دارد و ارزش سرمایه گذاری عملی قوی دارد. مدخل یک مدل پیش‌بینی شاخص سهام ترکیبی بر اساس CEEMDAN و ARMA-LSTM پیشنهاد می‌کند. این نرم افزار نقاط قوت CEEMDAN را در تجزیه داده ها می گیرد، مدل های خطی و غیر خطی را ترکیب می کند و می تواند سری های زمانی پیچیده را به خوبی مدل سازی کند. برای تأیید اثربخشی مدل پیش‌بینی، از CAL برای پیش‌بینی شاخص پایانی چهار بازار سهام استفاده شد و هفت آزمایش کنترلی برای مقایسه انجام شد. نتایج نشان می‌دهد که CAL می‌تواند به بالاترین دقت پیش‌بینی دست یابد. برای بهینه سازی مدل می توان تحقیقات آتی را از جنبه های زیر انجام داد.

تجزیه و تحلیل منبع داده منفرد محدودیت های خاصی دارد. تجزیه و تحلیل ترکیبی با منابع داده های مختلف، مانند اطلاعات متنی [11]، می تواند پیش بینی را تا حدی بهبود بخشد.

داده های بازار سهام حاوی نویزهایی هستند که بر نتایج پیش بینی تاثیر می گذارد. روش‌هایی مانند حذف نویز موجک [12] و تجزیه و تحلیل مؤلفه‌های اصلی [13]، می‌توانند تأثیر عوامل نامربوط را از بین ببرند و اثر پیش‌بینی را تا حد معینی بهبود بخشند.

تجزیه و تحلیل سری های زمانی در زمینه هایی مانند علوم طبیعی [14] و پیش بینی سری های زمانی صنعتی [15] استفاده شده است. دامنه کاربرد مدل توالی زمانی در این مدخل را می توان گسترش داد، به ویژه در برخی از صحنه های توالی زمانی پیچیده.

منابع

  1. یان، بی. Aasma، M. چارچوب یادگیری عمیق جدید: پیش بینی و تجزیه و تحلیل سری های زمانی مالی با استفاده از CEEMD و LSTM. سیستم خبرهAppl. 2020, 159, 113609.
  2. ژو، اف. ژو، اچ. ام. یانگ، ز. Yang, L. EMD2FNN: استراتژی ترکیبی از تجزیه حالت تجربی و فاکتورسازی شبکه عصبی مبتنی بر ماشین برای پیش‌بینی روند بازار سهام. سیستم خبرهAppl. 2019، 115، 136-151.
  3. تورس، M. E. کلومیناس، M. A. شلوتاور، جی. Flandrin، P. یک مجموعه کامل تجزیه حالت تجربی با نویز تطبیقی. در مجموعه مقالات کنفرانس بین المللی IEEE 2011 در مورد آکوستیک، گفتار و پردازش سیگنال (ICASSP)، پراگ، جمهوری چک، 22-27 مه 2011. صص 4144-4147.
  4. Büyükşahin، Ü. Ç. ارتکین، ش. بهبود دقت پیش‌بینی داده‌های سری زمانی با استفاده از روش ترکیبی جدید ARIMA-ANN و تجزیه حالت تجربی. محاسبات عصبی 2019، 361، 151-163.
  5. وانگ، ز. Lou, Y. مدل پیش‌بینی سری زمانی هیدرولوژیکی بر اساس نویز زدایی موجک و ARIMA-LSTM. در مجموعه مقالات سومین کنفرانس فناوری اطلاعات، شبکه، کنترل الکترونیک و اتوماسیون (ITNEC) IEEE 2019، چنگدو، چین، 15 تا 17 مارس 2019؛صفحات 1697-1701.
  6. بابو، C. N. ردی، بی. ای. یک مدل ترکیبی ARIMA-ANN مبتنی بر فیلتر میانگین متحرک برای پیش‌بینی داده‌های سری زمانی. Appl. محاسبات نرم. 2014، 23، 27-38.
  7. هوانگ، N. E. شن، ز. لانگ، اس. ر. وو، ام سی. شیح، ح. ژنگ، کیو. ین، N. C. تونگ، سی سی. لیو، H. H. تجزیه حالت تجربی و طیف هیلبرت برای تجزیه و تحلیل سری های زمانی غیرخطی و غیر ثابت. Proc. R. Soc. لندن. سر. ریاضی. فیزیکمهندسعلمی1998، 454، 903-995.
  8. کائو، جی. لی، ز. Li, J. مدل پیش‌بینی سری زمانی مالی بر اساس CEEMDAN و LSTM. فیزیکآمارمکانیک. برنامه آن است. 2019، 519، 127-139.
  9. آهنگ، اچ. دای، جی. لو، ال. شنگ، جی. جیانگ، X. روش پیش‌بینی وضعیت عملکرد ترانسفورماتور قدرت بر اساس شبکه LSTM. انرژی ها 2018، 11، 914.
  10. Ren, B. استفاده از الگوریتم ترجمه ماشینی مبتنی بر شبکه عصبی باقیمانده و LSTM در آموزش ترجمه. PLoS ONE 2020, 15, e0240663.
  11. هائو، پی. ای. کونگ، سی. اف. چانگ، سی. ای. Ou, J. B. پیش‌بینی روند قیمت سهام بر اساس مقالات اخبار مالی و با استفاده از یک ماشین بردار پشتیبان دوقلو جدید با ابر صفحه فازی. Appl. محاسبات نرم. 2021, 98, 106806.
  12. وو، دی. وانگ، ایکس. Wu, S. یک روش ترکیبی مبتنی بر ماشین یادگیری شدید و نویز زدایی تبدیل موجک برای پیش‌بینی سهام. آنتروپی 2021، 23، 440.
  13. یانگ، ک. لیو، ی. ال. یائو، ی. ن. فن، اس. د. مصلح، الف. مدل‌سازی داده‌های سری زمانی عملیاتی از طریق شبکه LSTM با ادغام تجزیه و تحلیل مؤلفه‌های اصلی بر اساس تجربه انسانی. J. Manuf. سیستم2020، 61، 746-756.
  14. کویل، دی. پراساد، جی. مک گینیتی، تی. ام. استخراج ویژگی‌ها برای رابط مغز و رایانه با پیش‌بینی سری‌های زمانی مبتنی بر شبکه عصبی فازی خودسازماندهی. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی سالانه انجمن مهندسی پزشکی و زیست شناسی IEEE، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 1 تا 5 سپتامبر 2004. جلد 2، ص 4371–4374.
  15. وانگ، جی. ژانگ، دبلیو. لی، ی. وانگ، جی. Dang، Z. پیش بینی سرعت باد با استفاده از تجزیه حالت تجربی و شبکه عصبی المان. Appl. محاسبات نرم. 2014، 23، 452-459.

© متن تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) در دسترس است. شرایط اضافی ممکن است اعمال شود. با استفاده از این سایت، شما با شرایط و ضوابط و سیاست حفظ حریم خصوصی موافقت می کنید.

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.