دوره 2، شماره 4 - ( 9-1399 )                   جلد 2 شماره 4 صفحات 11-1 | برگشت به فهرست نسخه ها

‎ 10.47176/sjamao.2.4.1

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sabbaghi Lalimi A H, Damavandi H. Using Machine Learning Methods in the Financial Market for Technical Analysis Based on Hybrid Models. sjamao 2020; 2 (4) :1-11
URL: http://sjamao.srpub.org/article-7-87-fa.html
صیاغی لالیمی امیرحسین، دماوندی حامد. استفاده از روشهای یادگیری ماشین در بازار مالی برای تجزیه و تحلیل فنی مبتنی بر مدلهای ترکیبی. نشریه مدیریت کاربردی و چابک سازی سازمانی. 1399; 2 (4) :1-11

URL: http://sjamao.srpub.org/article-7-87-fa.html

استفاده از روشهای یادگیری ماشین در بازار مالی برای تجزیه و تحلیل فنی مبتنی بر مدلهای ترکیبی
امیرحسین صیاغی لالیمی ، حامد دماوندی*
دانشکده مهندسی صنایع ، گروه سیستم های اقتصادی - اجتماعی ، دانشگاه صنعتی شریف ، ایران.
چکیده:   (2534 مشاهده)
در این مطالعه ، یک مدل ترکیبی جدید مبتنی بر شبکه های عصبی عمیق برای پیش بینی جهت و میزان حرکت بازار فارکس در کوتاه مدت ارائه شده است. مدل کلی ارائه شده براساس استراتژی جرم گیری است و برای معاملات با فرکانس بالا ارائه شده است. مدل ترکیبی پیشنهادی مبتنی بر ترکیبی از سه مدل مبتنی بر شبکه های عصبی عمیق است. مدل اول یک شبکه عصبی عمیق با ساختار چند ورودی متشکل از ترکیبی از لایه های حافظه کوتاه مدت است. مدل دوم یک شبکه عصبی عمیق با ساختار چند ورودی است که از ترکیبی از لایه های شبکه عصبی کانولوشن یک بعدی ساخته شده است. مدل سوم ساختار ساده تری دارد و یک مدل چند ورودی از لایه های چند لایه پرسپترون است. مدل کلی همچنین مدلی بود که بر اساس آرای اکثریت سه مدل ، برتر بود. این مطالعه نشان داد که مدلهای مبتنی بر لایه های حافظه کوتاه مدت طولانی با بیش از 70٪ دقت نتایج بهتری نسبت به مدلهای دیگر و حتی مدلهای ترکیبی ارائه می دهند.
واژه‌های کلیدی: پیش بینی فارکس، یادگیری ماشین، یادگیری عمیق، تجارت با فرکانس بالا، شبکه عصبی، حافظه بلند مدت و کوتاه مدت، شبکه عصبی کانولوشن، پرسپترون چند لایه
متن کامل [PDF 455 kb]   (1693 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: اقتصاد ریاضی و روشهای کمی
دریافت: 1399/6/25 | ویرایش نهایی: 1399/8/3 | پذیرش: 1399/8/9 | انتشار: 1399/9/5
فهرست منابع
1. Zhang G, Eddy Patuwo B, Hu MY. Forecasting with artificial neural networks: The state of the art. Int J Forecast. 1998; 14(1): 35-62. [DOI:10.1016/S0169-2070(97)00044-7]
2. Lawrence R. Using neural networks to forecast stock market prices. 1997; 1-21.
3. Tsibouris G, Zeidenberg M. Testing the efficient markets hypothesis with gradient descent algorithms. Neural Net Cap Market. 1995; 127-136.
4. Tsai CF, Hsiao YC. Combining multiple feature selection methods for stock prediction: :union:, intersection, and multi-intersection approaches. Decis Support Syst. 2010; 50(1): 258-269. [DOI:10.1016/j.dss.2010.08.028]
5. Hadavandi E, Shavandi H, Ghanbari A. Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting. Knowl Base Syst. 2010; 23(8): 800-808. [DOI:10.1016/j.knosys.2010.05.004]
6. Barak S, Arjmand A, Ortobelli S. Fusion of multiple diverse predictors in stock market. Inf Fusion. 2017; 36: 90-102. [DOI:10.1016/j.inffus.2016.11.006]
7. Ballings M, Van Den Poel D, Hespeels N, Gryp R. Expert systems with applications evaluating multiple classifiers for stock price direction prediction. Expert Syst Appl. 2015; May. [DOI:10.1016/j.eswa.2015.05.013]
8. Sowmya R, Suneetha KR. Data mining with big data. Proccidings of the 11th International Conference Intelligent Systems Control. ISCO 2017; 26(1): 246-250. [DOI:10.1109/ISCO.2017.7855990]
9. Tsai C-F, Wang S-P. Stock price forecasting by hybrid machine learning. Proccidings of the International Multiconference Engineering and Computer Science. 2009; I: 2210.
10. Rather AM, Agarwal A, Sastry VN. Recurrent neural network and a hybrid model for prediction of stock returns. Expert Syst Appl. 2015; 42(6): 3234-3241. [DOI:10.1016/j.eswa.2014.12.003]
11. Norris E. Scalping: small quick profits can add up. Investopedia. 2019; https://www.investopedia.com/articles/trading/05/scalping.asp
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.