اینترنت مبتنی بر هوش مصنوعی برای شهرهای هوشمند و خانه های هوشمند

سیستم معاملات سهام مبتنی بر یادگیری ماشین و معیار کلی در اینترنت اشیا

چکیده

تکامل اینترنت اشیا (اینترنت اشیا) شیوع صنعت مالی را افزایش داده است زیرا انواع مدل های پیش بینی سهام توانسته اند خدمات مالی مبتنی بر اینترنت اشیا را به طور دقیق پیش بینی کنند. در عمل دستیابی به سیگنال های معاملاتی سهام نسبتا دقیق بسیار مهم است. با در نظر گرفتن عوامل مختلف یافتن سیگنال های معاملاتی سودمند سهام برای سرمایه گذاران بسیار جذاب است اما کار ساده ای هم نیست. در گذشته محققان به مطالعه سیگنال های معاملاتی اختصاص داده شده اند. الگوریتم ژنتیک اغلب برای یافتن راه حل بهینه استفاده می شود. در این پژوهش از یک شبکه عصبی حافظه کوتاهمدت بلند مدت برای بررسی نوسانات قیمت سهام و سپس الگوریتمهای ژنتیک برای دستیابی به سیگنالهای معاملاتی مناسب استفاده شده است. الگوریتم ژنتیک یک الگوریتم جستجو است که بهینه سازی را حل می کند. در این مقاله مرز بهینه برای تعیین سیگنال معاملاتی یافت می شود. علاوه بر سیگنال های معاملاتی, یک استراتژی تجاری مناسب نیز بسیار مهم است. علاوه بر این در این تحقیق از معیار کلی برای مدیریت صندوق استفاده شده است یعنی از معیار کلی برای محاسبه نمره بهینه سرمایه گذاری استفاده شده است. مدیریت موثر سرمایه نه تنها می تواند به سرمایه گذاران در افزایش بازده خود کمک کند بلکه به سرمایه گذاران در کاهش ضرر و زیان نیز کمک می کند.

1. مقدمه

در سالهای اخیر توسعه اینترنت اشیا شکوفایی صنایع مختلف به ویژه در بازار اقتصادی را تسهیل کرده است. سرمایه گذاری, بیمه, و پیش بینی در میان خدمات مربوط به اینترنت از چیزهایی که در جنبه های مالی. بازار مالی به ویژه معاملات مختلف در بازار سهام بسیار پیچیده است. اگر شما می خواهید برای دریافت بازده بالا از طریق سرمایه گذاری, بازار سهام یک انتخاب بسیار خوب است. اما اغلب سرمایه گذاران تحت تاثیر احساسات قرار می گیرند و مستعد قضاوت های غیر منطقی هستند که منجر به زیان سرمایه یا بازده پایین می شود. پیشرفت در نظریه مالی و فناوری رایانه تجارت کمی را امکان پذیر کرده است [1, 2]. تجارت کمی را می توان به طور خودکار از طریق فناوری هایی مانند رایانه تحقق بخشید. متفاوت از روش های تجارت عمومی, رفتار تجارت کمی است به استفاده از تکنولوژی کامپیوتر به معدن اطلاعات مربوطه را از داده های تاریخی از بازار سهام برای افزایش سود حاصل از معامله [3, 4]. بنابراین تدوین استراتژی معاملاتی کمی که بتواند بازده را افزایش دهد همان چیزی است که محققان امیدوارند. سودمند بودن معامله سهام عوامل زیادی مانند عوامل سیاسی و عوامل اقتصادی دارد [5]. بنابراین معاملات سهام نه تنها عواید اضافی بیشتری را برای مردم به همراه خواهد داشت بلکه خطرات خاصی را نیز به همراه خواهد داشت. برای سرمایه گذاران در بازار سهام هدف اصلی دستیابی به بازده بالاتر یعنی یافتن سیستم معاملات سهام است که بتواند از خطرات خاصی جلوگیری کرده و حداکثر سود را کسب کند.

محققان هنگام مطالعه معاملات سهام عمدتا بر دو جنبه تمرکز می کنند: استراتژی معاملات سهام و مدیریت صندوق [6, 7]. یک استراتژی تجاری خوب کمک بزرگی به سرمایه گذاران در بازار سهام است. معیار کلی معمولا برای تعیین نسبت بهینه سرمایه گذاری استفاده می شود. در کار قبلی, محققان و سرمایه گذاران معمولا استفاده از معیار کلی برای مدیریت وجوه [8, 9]. وو و چانگ [10] با داشتن گزینه های مختلف استراتژی ای را برای کاهش ضرر و افزایش سود ابداع کردند. در این استراتژی از معیار کلی برای محاسبه نسبت بهینه سرمایه گذاری برای تعیین سبد گزینه مناسب استفاده شده است.

فناوری هوش مصنوعی در زمینه مالی بسیار محبوب است. در سالهای اخیر, محققان بسیاری از روش های پیش بینی برای بازار سهام پیشنهاد کرده اند [11, 12]. بسیاری از محققان یادگیری ماشین را برای معاملات مالی اعمال کرده اند. کوهن و همکاران. [13] از شبکه های عصبی برای مطالعه قوانین ناشناخته در تغییرات قیمت در بازار سهام استفاده می شود. چیانگ و همکاران. [14] از شبکه های عصبی مصنوعی برای مطالعه ارزش خالص دارایی پایان سال صندوق استفاده کرد. نتایج تجربی نشان می دهد که عملکرد پیش بینی کننده شبکه های عصبی بهتر از تکنیک های اقتصادسنجی سنتی است. یو و یان [15] چارچوبی را برای پیش بینی قیمت سهام بر اساس شبکه های عصبی عمیق پیشنهاد کردند. این چارچوب ترکیبی از بازسازی فاز-فضا است و عملکرد پیش بینی بهتر از سایر چارچوب های پیش بینی است. یادگیری عمیق نیز در زمینه های دیگر استفاده می شود [16, 17]. مجموعه توالی سهام شبکه عصبی کانولوشن [18] بر اساس شبکه عصبی کانولوشن پیشنهاد شده است که شاخص های پیشرفته ای مانند سلف و گزینه ها را با هم ترکیب می کند. دقت این چارچوب برای پیش بینی قیمت سهام بالاتر از چندین چارچوب دیگر است. قیمت بازار مالی یک سری زمانی است بنابراین برخی از محققان از شبکه های عصبی حافظه کوتاه مدت در معاملات مالی استفاده می کنند [19]. فرمول کلی در یک بازی قمار مکرر مستقل با درامد خالص مثبت به سرمایه گذاران کمک می کند تا نرخ رشد مدیر اصلی را به حداکثر برسانند. در این مطالعه یک سیستم معاملاتی سهام برای کاهش ریسک معاملاتی با استفاده از معیار کلی برای مدیریت پول در هنگام تجارت طراحی شده است.

این مقاله عمدتا شامل مطالب زیر است. قسمت دوم در مورد کارهای مرتبط صحبت می کند. بخش سوم به طور عمده مذاکرات در مورد روش های مورد استفاده در این مقاله, از جمله بلند - و شبکه های عصبی حافظه کوتاه مدت بر اساس شاخص های پیشرو, الگوریتم های ژنتیک, استراتژی های تجاری, و معیار کلی. قسمت چهارم به تفصیل در مورد سیستم معاملات سهام توضیح می دهد. بخش پنجم نتیجه تجربه سیستم پیشنهادی معاملات سهام است. بخش گذشته خلاصه ای از کل مقاله است.

2. کار مرتبط

در سال های اخیر فناوری یادگیری ماشین همچنان پیشرفت کرده است و محققان یادگیری ماشین را در زمینه های مختلف به کار گرفته اند. در زمینه مالی یادگیری ماشین قابلیت های یادگیری قدرتمند خود را برجسته می کند. لو و همکاران. [20] یک چارچوب مبتنی بر شبکه عصبی کانولوشن (سی ان ان) و حافظه کوتاه مدت بلند دو طرفه (بیلستیم) برای پیش بینی قیمت سهام در 1000 روز معاملاتی پیشنهاد کرد. چارچوب پیشنهادی در مقایسه با هفت روش دیگر عملکرد بهتری دارد و برای سرمایه گذاران برای تصمیم گیری صحیح در بازار سهام مناسب تر است. نلسون و همکاران. [21] از یک شبکه عصبی حافظه کوتاه مدت برای پیش بینی نوسانات قیمت سهام بر اساس شاخص های فنی و قیمت های تاریخی استفاده کرد. این چارچوب در مقایسه با سایر روش های یادگیری ماشین عملکرد خوبی در پیش بینی نوسانات قیمت سهام دارد. باو و همکاران. [22] برای پیش بینی قیمت سهام بر اساس تبدیل موجک (وزنی) و خودکار رمزگذارهای انباشته استفاده می شود. از طریق یک سری از تجربیات, دقت پیش بینی از چارچوب پیشنهادی جدید بالاتر از سایر مدل های مشابه است. بودیهارتو [23] از داده های بورس اوراق بهادار اندونزی برای پیش بینی قیمت سهام بر اساس زبان تحقیق و ال اس ام. نتایج تجربی نشان می دهد که چارچوب عملکرد پیش بینی بهتری بر روی داده های کوتاه مدت دارد. بر اساس قیمت های تاریخی و شاخص های پیشرو در دو بازار سهام ایالات متحده و تایوان, وو و همکاران. [18] پیشنهاد یک چارچوب متشکل از سی ان ان و ال اس ام اس برای پیش بینی قیمت سهام. نتایج تجربی نشان می دهد که چارچوب عملکرد پیش بینی بهتری دارد.

در سال 1975 هلند برای اولین بار الگوریتم ژنتیک را پیشنهاد کرد و کاربرد عملی الگوریتم ژنتیک را انجام داد [24]. الگوریتم ژنتیک برای یافتن راه حل بهینه در مدت زمان محدود استفاده می شود [25]. فو و همکاران. [26] از الگوریتم های ژنتیک برای یافتن راه حل های بهینه در مدیریت نمونه کارها از جمله بهینه سازی پارامترها و وزن های ترکیبی استفاده می شود. الگوریتم های مختلفی برای ارزیابی استفاده می شود و نتایج تجربی نشان دهنده توانایی بهینه سازی بهتر الگوریتم ژنتیک است. چن و ژو [27] ترکیب ال اس ام و گالیم برای دریافت یک سیستم پیش بینی سهام. بر اساس مجموعه داده های بانک ساختمانی سیسی 300 و چین از گالیم برای دستیابی به موثرترین عوامل استفاده می شود. نتایج تجربی نشان می دهد که چارچوب پیشنهادی نسبت به تمام چارچوب های معیار برتر است. چن و شی [28] از گالیم برای تعیین بهترین پارامترها و پیش بینی نوسانات قیمت سهام بر اساس شاخص های فنی و اخبار چینی استفاده کرد. بر اساس داده های واقعی تعدادی از تجربیات انجام شده است و تجربیات نشان می دهد که این روش عملکرد نسبتا خوبی دارد. بنابراین یک الگوریتم ژنتیک به تحقیقات ما اضافه شده است و از الگوریتم ژنتیک برای تعیین حد مطلوب سیگنال های معاملاتی استفاده می شود.

3. روش شناسی

در این بخش روش های مورد استفاده در این تحقیق مورد بحث قرار خواهد گرفت. اول از همه بخش اول عمدتا در مورد چارچوب استفاده شده در این تحقیق یعنی حافظه کوتاه مدت بلند مبتنی بر شاخص های پیشرو صحبت می کند که از ال اس ام الی برای طبقه بندی افزایش و سقوط قیمت سهام استفاده می کند. بخش دوم عمدتا در مورد چگونگی استفاده از الگوریتم ژنتیک برای یافتن بهترین حد برای تعیین سیگنال های معاملاتی در بازار سهام صحبت می کند. بخش سوم از معیار کلی برای مدیریت وجوه استفاده می کند.

3.1. حافظه کوتاه مدت بلند بر اساس شاخص های پیشرو

در این مطالعه از چارچوبی از حافظه کوتاه مدت بلند بر اساس شاخص های پیشرو استفاده شده است. شبکه عصبی حافظه کوتاه مدت طولانی بر اساس شبکه عصبی مکرر بهبود می یابد که بسیاری از مشکلات غیرقابل حل شبکه عصبی مکرر را حل می کند [29]. شبکه عصبی راجعه یک شبکه عصبی با عملکرد حافظه است که مکانیسم بازخورد زمان بندی را اضافه می کند. این تعیین می کند که ورودی شبکه عصبی راجعه نه تنها ورودی را در لحظه فعلی بلکه ورودی را در لحظه قبلی نیز دارد. مثلا, هنگام تماشای یک فیلم, اگر شما می خواهید به دانستن داستان بعدی, شما نیاز به پیش بینی بر اساس داستان قبلی و چه در حال حاضر اتفاق می افتد. در این پیش بینی موضوع سری های زمانی دخیل است. بر اساس چنین مشکلاتی شبکه های عصبی مکرر پیشنهاد می شود. با این وجود شبکه های عصبی مکرر هنوز با دو مشکل روبرو هستند: انفجار گرادیان و ناپدید شدن گرادیان [30]. متعاقبا افراد به بهبود شبکه عصبی حلقوی ادامه دادند و به شبکه عصبی حافظه کوتاه مدت بلند دست یافتند. ساختار داخلی ال تی ام در شکل 1 نشان داده شده است. سه دروازه به این شبکه اضافه می شود, یعنی, دروازه ورودی, فراموش کردن دروازه, و دروازه خروجی, که از طریق اطلاعات کنترل می شود.