شبکه های عصبی به عنوان یک تصمیم گیرنده برای تجارت سهام: یک رویکرد تحلیل فنی

علاقه فزاینده ای به استفاده از شبکه های عصبی و شاخص های تجزیه و تحلیل فنی برای پیش بینی رفتار سهام آینده وجود داشته است. با این حال ، مطالعات قبلی با استفاده از شبکه های عصبی به عنوان یک تصمیم گیرنده برای کشف الگوی غیرخطی اساسی این شاخص ها ، قدرت پیش بینی شاخص های فنی را ارزیابی نکرده اند. هدف این مقاله بررسی این است که آیا استفاده از این شاخص ها به عنوان متغیرهای ورودی به یک شبکه عصبی پیش بینی های دقیق تر سهام را ارائه می دهد ، و اینکه آیا آنها نسبت به شاخص های فنی سنتی ، تجارت بالاتری را ارائه می دهند. سه شبکه عصبی در این مطالعه برای پیش بینی سیگنال های روند کوتاه مدت سه سهام در صنایع مختلف بازار مورد بررسی قرار گرفته است. نتایج کلی حاکی از آن است که نسبت پیش بینی های صحیح و قابلیت اطمینان از تجارت سهام با هدایت این شبکه های عصبی بالاتر از مواردی است که توسط معیارهای آنها هدایت می شوند.

مقالات مرتبط

IEEE سومین کنفرانس بین المللی سایبرنتیک محاسباتی ، 2005

در این مقاله تأثیر تغییر مقدار داده ها و تعداد نسل های اجرا شده برای هر مرحله آموزش مجدد در یک سیستم معاملاتی تطبیقی بررسی شده است. با استفاده از داده های عدالت تاریخی ، جمعیت عوامل به طور مداوم بازآفرینی و ارزیابی می شوند بر اساس عملکرد آنها در یک مجموعه داده های خارج از نمونه. مقایسه با استفاده از سه مجموعه آزمون انجام شد که برای هر یک متغیر برای هر اجرا تغییر یافته بود. نتایج نشان داد که تفاوت معنی داری در عملکرد در هنگام تغییر تعداد روزهای معاملات وجود دارد ، در حالی که در نسل های مختلف هیچ تفاوتی مشاهده نشد.

بارگیری رایگان PDF PDF

تشخیص سیگنال معاملاتی انتزاعی به یک موضوع تحقیقاتی بسیار محبوب در حوزه سرمایه گذاری مالی تبدیل شده است. در این مقاله یک مدل با استفاده از بازنمایی های خطی Piecewise (PLR) و شبکه های عصبی مصنوعی (ANNS) برای تجزیه و تحلیل روابط غیرخطی بین قیمت بسته سهام و شاخص های مختلف فنی و کشف دانش سیگنال های تجارت پنهان در داده های تاریخی تهیه شده است. ابزارهای نمایندگی خطی Piecewise برای یافتن بهترین نقاط عطف سهام (سیگنال های معاملاتی) بر اساس داده های تاریخی استفاده می شوند.

بارگیری رایگان PDF PDF

IFTA Joual ، نسخه 2013

در این مطالعه، وجود موانع روان شناختی در شاخص های سهام 10 بازار آسیایی را در یک دوره 10 ساله از 2001-2011 بررسی می کنیم. این بررسی با استفاده از آزمون های یکنواختی، آزمون های مجاورت مانع و آزمون های پیش بینی پذیری بازده سهام انجام شد. ما شواهدی برای موانع در سطح 1000 برای 6 مورد از این بازارها (JKSE، KLSE، N225، STI، KS11، TWII) و در سطح 100 برای 4 بازار از این بازارها (AORD، JKSE، KLSE، STI) پیدا کردیم. با این حال، در حالی که ممکن است شواهدی از موانع روانی وجود داشته باشد، شواهد کمی برای پیش بینی پذیری بازده سهام ناشی از وجود این موانع روانی وجود دارد.

بارگیری رایگان PDF PDF

پیش بینی قیمت سهام از دیدگاه های مختلف، از جمله، هوش مصنوعی و سیستم های خبره، زمینه ای برای مطالعه بوده است. برای پیش بینی های کوتاه مدت، شاخص قدرت نسبی شاخص فنی (RSI) در بسیاری از مقالات منتشر شده و در سراسر جهان مورد استفاده قرار گرفته است. CAST در این مقاله ارائه شده است. CAST را می توان به عنوان مجموعه ای از راه حل ها برای محاسبه RSI با استفاده از تکنیک های هوش مصنوعی دید.

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

تراکنش های IEEE در شبکه های عصبی

این مقاله به بررسی روش پیش بینی تفاوت قیمت سهام بر روی داده های سری قیمت مصنوعی با استفاده از سیستم های فازی عصبی و شبکه های عصبی می پردازد. از آنجایی که سود معاملاتی برای یک سرمایه گذار مهم تر از عملکرد آماری است، این مقاله یک مدل تصمیم گیری معاملات سهام عصبی فازی مبتنی بر مجموعه های خشن به نام معاملات سهام با استفاده از شبه محصول بیرونی مبتنی بر مجموعه خشن (RSPOP) پیشنهاد می کند که پیش بینی تفاوت قیمت را هم افزایی می کند. روش با یک مدل تصمیم گیری تجارت آزاد تنگنا پیش بینی. معاملات سهام پیشنهادی با مدل پیش بینی از شبکه عصبی فازی مبتنی بر محصول بیرونی با استفاده از قانون ترکیبی استنتاج [POPFNN-CRI(S)] با قوانین فازی شناسایی شده با استفاده از الگوریتم RSPOP به عنوان مدل پیش بینی کننده اساسی و قوانین معاملات میانگین متحرک ساده استفاده می کند. در مدل تصمیم گیری معاملات سهامنتایج تجربی با استفاده از معاملات پیشنهادی سهام با مدل پیش بینی RSPOP بر روی داده های واقعی بازار سهام جهان ارائه شده است. سود معاملاتی بر حسب ارزش های پایانی پرتفوی به دست آمده در مقابل معاملات سهام با مدل پیش بینی سیستم استنتاج عصبی فازی در حال تکامل پویا (DENFIS)، معاملات سهام بدون مدل پیش بینی و معاملات سهام با مدل پیش بینی ایده آل محک زده می شود. نتایج تجربی نشان داد که مدل پیشنهادی قوانینی را با قابلیت تفسیر بیشتر شناسایی کرده و سود قابل توجهی بالاتری نسبت به معاملات سهام با مدل پیش بینی DENFIS و معاملات سهام بدون مدل پیش بینی به همراه داشت.

بارگیری رایگان PDF PDF

این مقاله یک رویکرد عصبی فازی مبتنی بر مجموعه خشن را در معاملات سهام با استفاده از روش پیش بینی تفاوت قیمت سهام ارائه می کند. الگوریتم مخچه ای شبه خود تکاملی (PSEC) و الگوریتم شبه محصول بیرونی مبتنی بر مجموعه خشن (RSPOP) برای ساختن یک سیستم عصبی فازی مبتنی بر مجموعه خشن به عنوان ابزار مدل سازی پیش بینی اساسی برای شناسایی فازی استفاده می شود. مجموعه ها و قوانین فازی به ترتیب. سپس مدل پیش بینی تفاوت قیمت پیشنهادی با یک مدل تصمیم گیری تجارت آزاد تنگنای پیش بینی برای بررسی سود قابل دست یابی تجاری ترکیب می شود. نتایج تجربی بر روی داده های بازار سهام جهان واقعی نشان داد که مدل معاملاتی سهام پیشنهادی با پیش بینی اختلاف قیمت عصبی فازی مبتنی بر مجموعه ای خشن در حال تکامل سودهای قابل توجهی بالاتری نسبت به مدل معاملاتی بدون پیش بینی به همراه داشت.