یک مدل تشخیص الگوی هوشمند برای حمایت از تصمیمات سرمایه گذاری در بازار سهام

برای سال ها، چگونگی پیش بینی بازار سهام یک موضوع تحقیقاتی رایج بوده است. برای انجام پیش بینی دقیق، تحلیلگران سهام و محققان دانشگاهی تکنیک ها، الگوریتم ها و مدل های تحلیلی مختلفی را امتحان کرده اند. به عنوان مثال، "تحلیل فنی" یک رویکرد محبوب است که توسط سرمایه گذاران عادی سهام برای تجزیه و تحلیل روند بازار و الگوریتم های هوش مصنوعی (AI) مانند الگوریتم های ژنتیک (GAs)، شبکه عصبی (NN) و سری های زمانی فازی (FTS) استفاده می شود. اگر چه پیش بینی های روزانه برای سرمایه گذاران حرفه ای که معاملات روزانه را اجرا می کنند بسیار مفید است، اما ما استدلال می کنیم که پیش بینی نقطه عطف صعودی موضوع جالب تری نسبت به شاخص سهام آتی برای سرمایه گذار عادی است، زیراپیش بینی دقیق مقدار زیادی بازده سهام را به ارمغان می آورد. بنابراین، این مقاله یک مدل تشخیص الگوی هوشمند را بر اساس دو روش جدید تشخیص الگوی سهام، "تطبیق الگوی گاو-پرچم PIP" و "الگوی پرچم گاو نر با وزن شناور" پیشنهاد می کند. برای تشخیص الگوی سهام با پرچم گاو نر. الگوی پرچم گاو نقطه عطف سهام با زمان بندی مناسب است که می تواند سرمایه گذار سهام را قادر به کسب سود کند. به عنوان عوامل تشخیص الگودر راستی آزمایی مدل، مدل پیشنهادی را با بازده سهام با پیش بینی دو پایگاه داده سهام (TAIEX و NASDAQ) و مقایسه بازده با سایر الگوریتم های پیشرفته ارزیابی می کنیم. نتایج تجربی نشان می دهد که مدل پیشنهادی از الگوریتم های منتشر شده، مانند نظریه مجموعه های خشن (RST)، الگوریتم های ژنتیک (GAs) و مدل ترکیبی آن ها بهتر عمل می کند و سطح بالایی از سودآوری را ارائه می دهد. علاوه بر این، استراتژی های معاملاتی ارائه شده توسط مدل پیشنهادی، به سرمایه گذاران کمک می کند تا تصمیمات سرمایه گذاری سودمندی در بازار سهام بگیرند.

معرفی

بازار سهام یک سیستم بسیار پیچیده و قابل تغییر است که تحت تأثیر عوامل بسیاری از قبیل محیط اقتصادی ، سیاست سیاسی ، توسعه صنعتی و اخبار بازار و غیره قرار دارد تا از بازار سرمایه سود ببرد ، سرمایه گذار سهام به دنبال ابزارها و تکنیک های مناسب برای تجزیه و تحلیل است. بازار سهام. همانطور که می دانیم ، تجزیه و تحلیل فنی [9] یک رویکرد محبوب است که توسط متخصصان سرمایه گذاری و سرمایه گذاران مشترک استفاده می شود. اصول تجزیه و تحلیل فنی از مشاهدات بورس سهام در طی صدها سال حاصل می شود و بسیاری از شواهد نشان داده اند که تجزیه و تحلیل فنی می تواند به سرمایه گذار سهام کمک کند تا قضاوت درست در مورد بورس را انجام دهد [2] ، [3] ، [19] ، [[19] ، [19]. 21] ، [22].

در تحقیقات دانشگاهی ، بسیاری از محققان نیز این رویکرد را در مدل های پیش بینی خود به کار بردند. به عنوان مثال ، مطالعه تجزیه و تحلیل الگوهای نمودار برای تصمیم گیری سرمایه گذاری [19] ، بررسی الگوهای نمودار قیمت با رگرسیون هسته برای شناسایی ده الگوی [16] ، [17] ، [18] و اجرای تنوع گاو نر گاونمودار سهام با تکنیک تطبیق الگوی بر اساس تشخیص الگوی [31] ، [33]. الگوهای نمودار سهام این مطالعات مورد استفاده برای تشخیص الگوی در الگوهای ثابت ارائه شده توسط کارشناسان و محققان ، که بسیار شبیه به نوسانات واقعی در داده های سهام تاریخی نیستند ، به دلیل الگوهای نمودار احتمالی حاوی داده های سهام تاریخی در نظر گرفته نمی شوند. بشر

علاوه بر این ، بسیاری از مدل ها و الگوریتم های پیشرفته ارائه شده است و اینها نتایج قابل توجهی در دقت پیش بینی به دست آورده اند. طبق نظریه های ساخت مدل ، مدل های پیش بینی شاخص سهام را می توان در دو دسته خلاصه کرد [28]: (1) مدل های خطی بر اساس تئوری های آماری ، مانند ناهمگونی مشروط مشروط عمومی (GARCH) و مدل نوسانات تصادفی [12] ؛و (2) مدل های غیر خطی مبتنی بر هوش مصنوعی ، مانند سری زمانی فازی [5] ، [29] ، [30] ، [34] ، [35] ، تئوری مجموعه های خشن [5] ، [14]، [23] ، [24] ، [25] ، [26] ، [30] شبکه عصبی مصنوعی [4] ، [36] ، [37] ، دستگاه بردار پشتیبانی [32] ، [38] ، [39]، و بهینه سازی ذرات [20] ، [36] ، [40].

پس از بررسی تحقیقات مرتبط ، ما استدلال کردیم که دو موضوع ارزش بحث بیشتر را دارند. در مرحله اول ، بیشتر محققان از خطای پیش بینی به عنوان شاخص عملکرد ، مانند RMSE و MAPE ، برای ارزیابی مدل های خود [1] ، [5] ، [6] ، [28] ، [29] ، [30] استفاده کردند. اگرچه پیش بینی های روزانه برای سرمایه گذاران حرفه ای که تجارت داخل کشور را اجرا می کنند بسیار مفید است ، ما فکر می کنیم پیش بینی نقطه عطف صعودی مسئله جالب تر از شاخص سهام آینده است زیرا یک پیش بینی دقیق برای الگوی سهام صعودی ، بازده زیادی را به همراه خواهد داشت. ثانیا ، اکثر مدل های تشخیص الگوی سهام از یک الگوی تطبیق با بسیاری از وزن های ثابت که توسط محقق اختصاص داده شده است استفاده می کنند و این رویکرد عینی نیست [8] ؛[16] ، [17] ، [18] ، [31].

در این مقاله ، ما سه روش جدید برای اصلاح روش های گذشته پیشنهاد می کنیم: (1) تعریف جدیدی برای یک نقطه عطف صعودی با احتمال وقوع.(2) یک روش وزنه بردار جدید ، بر اساس وقوع مشاهدات ، برای تولید وزنهای پویا برای الگوی تطبیق. و (3) یک مدل ترکیبی جدید بر اساس الگوی تطبیق الگوی Flag-Flag [11] و الگوی گاو نر [18] ، [31] برای شناخت الگوی سهام.

برای ارزیابی سودآوری مدل پیشنهادی ، ما چندین معیار معاملاتی در آزمایش هایی مانند آستانه ، دوره نگهدارنده سهام و متوقف کردن ضرر ارائه خواهیم داد. در تأیید مدل ، شاخص کامپوزیت NASDAQ و شاخص وزنی بورس سهام تایوان (TAIEX) به عنوان مجموعه داده های آزمایشی و چهار الگوریتم پیشرفته به عنوان معیار گرفته می شوند.

قطعه قطعه

کارهای مرتبط

در این بخش یک مرور مختصر از روش برای دو روش شناسایی الگوی سهام ارائه شده است: تطبیق شناسایی و تطبیق شناسایی و تطبیق الگو.

مدل پیشنهادی

در این مقاله ، ما یک مدل تشخیص هوشمند را پیشنهاد کردیم ، که دو روش جدید را در فرآیند شناسایی یکپارچه کرده است. روش اول "تطبیق الگوی PIP Bull-Flag" است. از دو روش تطبیق الگوی گذشته تصفیه شده است: (1) روش تطبیق الگوی [8] ، [18] ؛و (2) روش تطبیق شناسایی PIP [7] ، [10] ، [11]. ما مزایای روشها را به یک روش جدید تشخیص الگوی سهام متبلور می کنیم که می تواند یک رویکرد هوشمندانه برای تشخیص گاو نر احتمالی فراهم کند

تأیید مدل

در این بخش ، ما یک آزمایش را با 3 عامل (پنجره اتصالات الگوی ، فاصله PIP برای الگوی سهام و دوره نگهدارنده) برای ارزیابی مدل پیشنهادی انجام می دهیم و از 4 مدل پیشرفته به عنوان معیار استفاده می کنیم: مدل وانگ و چان [31] ،الگوریتم های اول [23] ، [27] ، الگوریتم های ژنتیکی [13] و مدل چنگ و همکاران [5].

نتیجه

در این مقاله ، ما یک مدل تشخیص الگوی هوشمند را برای تعیین الگوهای گاو نر موجود در الگوهای سهام تاریخی ارائه دادیم و دو نوع الگوهای گاو نر ، الگوی نمودار و شاخص فنی را به عنوان معیارهای داوری برای گاو نر استخراج کردیم. الگو.

مشارکتهای مدل پیشنهادی عبارتند از: (1) تعریف جدیدی برای الگوی گاو نر (شکل 4) در کنار ذهنی الگوی گاو نر که توسط محققان تعریف شده است [8] ، [18] ، [31] ؛.: مدل وانگ و چان [31] ، اولین الگوریتم ها [23] ، [27] ، الگوریتم های ژنتیکی [13] و مدل چنگ و همکاران [5].