پیش بینی حرکت جهت دار داده های فارکس با استفاده از LSTM با شاخص های فنی و کلان اقتصادی

فارکس (ارز خارجی) یک بازار مالی ویژه است که هم ریسک بالا و هم فرصت های سود بالا را برای بازرگانان مستلزم آن می کند. همچنین یک بازار بسیار ساده است زیرا معامله گران می توانند فقط با پیش بینی جهت نرخ ارز بین دو ارز سود ببرند. با این حال ، پیش بینی های نادرست در فارکس ممکن است ضررهای بسیار بالاتری نسبت به سایر بازارهای مالی معمولی ایجاد کند. نیاز پیش بینی جهت باعث می شود مشکل کاملاً متفاوت از سایر مشکلات پیش بینی سری زمانی باشد. در این کار ، ما از یک ابزار یادگیری عمیق محبوب به نام "حافظه کوتاه مدت طولانی" (LSTM) استفاده کردیم ، که نشان داده شده است که در بسیاری از مشکلات پیش بینی سری زمانی بسیار مؤثر است ، تا پیش بینی های جهت را در فارکس انجام دهد. ما از دو مجموعه داده مختلف - یعنی داده های کلان اقتصادی و داده های شاخص فنی - از آنجا که در دنیای مالی استفاده می کنیم ، از آن استفاده کردیم ، تجزیه و تحلیل اساسی و فنی دو روش اصلی است و آنها به ترتیب از این دو مجموعه داده استفاده می کنند. مدل ترکیبی پیشنهادی ما ، که ترکیبی از دو LSTM جداگانه مربوط به این دو مجموعه داده است ، در آزمایشات با استفاده از داده های واقعی کاملاً موفق بود.

استناد پیشنهادی

بارگیری متن کامل از ناشر

منابع ذکر شده در ایده ها

1. Dharmaraja Selvamuthu & Vineet Kumar & Abhishek Mishra ، 2019. "پیش بینی بازار سهام هند با استفاده از شبکه های عصبی مصنوعی بر روی داده های کنه ،" نوآوری مالی ، اسپرینگر ؛ دانشگاه دارایی و اقتصاد جنوب غربی ، جلد. 5 (1) ، صفحات 1-12 ، دسامبر.
2. Mingyue Qiu & Yu Song ، 2016. "پیش بینی جهت حرکت شاخص بورس سهام با استفاده از یک مدل شبکه عصبی مصنوعی بهینه شده ،" PLOS ONE ، کتابخانه عمومی علوم ، جلد. 11 (5) ، صفحات 1-11 ، مه.
3. فیشر ، توماس و کراوس ، کریستوفر ، 2018. "یادگیری عمیق با شبکه های حافظه کوتاه مدت کوتاه برای پیش بینی بازار مالی ،" مجله اروپایی تحقیقات عملیاتی ، Elsevier ، جلد. 270 (2) ، صفحات 654-669.
4. آدام کریتزر ، 2012. "فارکس برای مبتدیان" ، کتابهای اسپرینگر ، اسپرینگر ، شماره 978-1-4302-4051-8 ، نوامبر.
5. Wen ، Fenghua & Xu ، Longhao & Ouyang ، Guangda & Kou ، Gang ، 2019. "توجه سرمایه گذار خرده فروشی و ریسک سقوط قیمت سهام: شواهد از چین ،" بررسی بین المللی تجزیه و تحلیل مالی ، Elsevier ، جلد. 65 (ج).
6. Xiao Zhong & David Enke، 2019. "پیش بینی جهت بازده روزانه بازار سهام با استفاده از الگوریتم های یادگیری ماشین ترکیبی"، Financial Iovation، Springer; Southweste University of Finance and Economics، جلد. 5 (1)، صفحات 1-20، دسامبر.

استناد

1. لی، دان و جیانگ، فوکسین و چن، مین و کیان، تائو، 2022. "پیش بینی سرعت باد چند مرحله ای بر اساس روش تجزیه ترکیبی و شبکه های کانولوشنی موقت،" انرژی، الزویر، جلد. 238 (کامپیوتر).
2. دیوید لیو و آن وی، 2022. "شبکه های عصبی مصنوعی LSTM تنظیم شده برای خطرات گزینه"، FinTech، MDPI، جلد. 1 (2)، صفحات 1-11، ژوئن.
3. Yunze Li & Yanan Xie & Chen Yu & Fangxing Yu & Bo Jiang & Matloob Khushi، 2021. "بررسی اهمیت ویژگی ها و مدل های انباشته برای پیش بینی قیمت فارکس" Papers 2107. 14092, arXiv.org.
4. Mimansa Rana & Nanxiang Mao & Ming Ao & Xiaohui Wu & Poning Liang & Matloob Khushi، 2021. «مدل خوشه بندی و توجه مبتنی بر تجارت هوشمند»، مقالات 2107. 06782، arXiv.org، بازبینی شده در اوت 2021.

بیشتر موارد مرتبط

1. هاکان گوندوز، 2021. "یک مدل کارآمد پیش بینی بازار سهام با استفاده از روش کاهش ویژگی ترکیبی مبتنی بر رمزگذارهای خودکار متغیر و حذف ویژگی های بازگشتی"، نوآوری مالی، اسپرینگر؛ دانشگاه امور مالی و اقتصاد جنوب غربی، جلد. 7 (1)، صفحات 1-24، دسامبر.
2. احسان حسین زاده و سامان هراتی زاده و آرش خوئینی ها، 2019. "U-CNNpred: A Universal CNN-based Predictor for Stock Markets," Papers 1911. 12540, arXiv.org.
3. Xie, Wen-Jie & Li, Mu-Yao & Zhou, Wei-Xing, 2021. "آموزش بازنمایی معامله گران سهام و تاثیرات فوری قیمت" Emerging Markets Review, Elsevier, vol. 48 (C).
4. سارات چاندرا نایاک و بیژن بیهاری میسرا، 2020. "یادگیری شدید با بهینه سازی واکنش شیمیایی برای پیش بینی نوسانات سهام"، نوآوری مالی، اسپرینگر؛ دانشگاه امور مالی و اقتصاد جنوب غربی، جلد. 6 (1)، صفحات 1-23، دسامبر.
5. Suppawong Tuarob & Poom Wettayako & Ponpat Phetchai & Siripong Traivijitkhun & Sunghoon Lim & Thanapon Noraset & Tipajin Thaipisutikul, 2021. "DAViS: راه حلی یکپارچه برای جمع آوری داده ها، تجزیه و تحلیل، و تجسم در زمان واقعی پیش بینی بازار سهام بهار، نوآوری سرمایه گذاری سهام،"؛ دانشگاه مالی و اقتصاد جنوب غربی، ش. 7 (1)، صفحات 1-32، دسامبر.
6. Ghada A. Altarawneh & Ahmad B. Hassanat & Ahmad S. Tarawneh & Ahmad Abadleh & Malek Alrashidi & Mansoor Alghamdi ، 2022. "پیش بینی قیمت سهام برای شرکتهای بیمه اردن در میان همه گیر Covid-19 با استفاده از روشهای تجزیه و تحلیل فنی خارج از بخش ،."اقتصاد ، MDPI ، جلد. 10 (2) ، صفحات 1-18 ، فوریه.
7. Amin Aminimehr & Ali Raoofi & Akbar Aminimehr & Amirhossein Aminimehr ، 2022. "یک مطالعه جامع از پیش بینی بازار از فرضیه بازار کارآمد تا رویکردهای پیش بینی بازار هوشمند ،" اقتصاد محاسباتی ، اسپرینگر ؛ جامعه برای اقتصاد محاسباتی ، جلد. 60 (2) ، صفحات 781-815 ، آگوست.
8. Hamzeh F. Assous & Nadia Al-Rousan & Dania Al-Najjar & Hazem Al-Najjar ، 2020. "آیا شاخص های بازار بین المللی می تواند حرکات Tasi را تخمین بزند؟ مدل ARIMA ،" JOITMC ، MDPI ، جلد. 6 (2) ، صفحات 1-17 ، آوریل.
9. Ehsan Hoseinzade & Saman Haratizadeh ، 2018. "CNNPRED: پیش بینی بازار سهام مبتنی بر CNN با استفاده از چندین منبع داده" ، مقالات 1810. 08923 ، arxiv.org.
10. Firuz Kamalov & Linda Smail & Ikhlaas Gurrib ، 2021. "پیش بینی با یادگیری عمیق: فهرست S& P 500" ، مقالات 2103. 14080 ، arxiv.org.
11. Tai-Liang Chen & Ching-Hsue Cheng & Jing-Wei Liu ، 2019شرکت انتشارات Pte. آموزشی ویبولیتین ، جلد. 18 (06) ، صفحات 1967-1987 ، نوامبر.
12. WEI DAI & YUAN AN & WEN LONG ، 2021. "پیش بینی تغییر قیمت داده های مالی با فرکانس فوق العاده بالا بر اساس شبکه حلقوی موقتی ،" مقالات 2107. 00261 ، arxiv.org.
13. Aaryan Gupta & Vinya Dengre & Hamza Abubakar Kheruwala & Manan Shah ، 2020. "بررسی جامع برنامه های کاربردی متن در امور مالی" ، نوآوری مالی ، اسپرینگر ؛ دانشگاه امور مالی و اقتصاد جنوب غربی ، جلد. 6 (1) ، صفحات 1-25 ، دسامبر.
14. Kamaladdin Fataliyev & Aneesh Chivukula & Mukesh Prasad & Wei Liu ، 2021. "تجزیه و تحلیل بازار سهام با داده های متن: یک بررسی ،" مقالات 2106. 12985 ، arxiv.org ، اصلاح شده در ژوئیه 2021.
15. Roman Mestre ، 2021. "یک رویکرد موجک برای سرمایه گذاری رفتارهای و تأثیرات آنها بر قرار گرفتن در معرض ریسک ،" نوآوری مالی ، اسپرینگر ؛ دانشگاه امور مالی و اقتصاد جنوب غربی ، جلد. 7 (1) ، صفحات 1-37 ، دسامبر.

• Roman Mestre ، 2021. "یک رویکرد موجک برای سرمایه گذاری رفتارهای و تأثیرات آنها بر قرار گرفتن در معرض خطر ،" چاپ HAL-03195190 ، HAL.

اطلاعات بیشتر در مورد این مورد

کلید واژه ها

آمار

اصلاحات

تمام مطالب موجود در این سایت توسط ناشران و نویسندگان مربوطه تهیه شده است. شما می توانید به اصلاح خطاها و حذفیات کمک کنید. هنگام درخواست تصحیح ، لطفاً دسته این مورد را ذکر کنید: repec: spr: fini: v: 7: y: 2021: i: 1: d: 10. 1186_s40854-020-00220-2. به اطلاعات کلی در مورد نحوه اصلاح مطالب در repec مراجعه کنید.

برای سؤالات فنی در مورد این مورد ، یا برای اصلاح نویسندگان آن ، عنوان ، چکیده ، کتابشناختی یا اطلاعات بارگیری ، تماس با :. اطلاعات تماس عمومی ارائه دهنده: http://www. springer.com.

اگر این مورد را تألیف کرده اید و هنوز در Repec ثبت نشده اید ، ما شما را تشویق می کنیم که این کار را در اینجا انجام دهید. این اجازه می دهد تا نمایه خود را به این مورد پیوند دهید. همچنین به شما امکان می دهد استناد های احتمالی را به این مورد بپذیرید که ما در مورد آن نامشخص هستیم.

اگر Citec یک مرجع کتابشناختی را تشخیص داد اما یک مورد را در repec به آن پیوند نداد ، می توانید به این فرم کمک کنید.

اگر از موارد گمشده ای که به این یکی گفته می شود اطلاع دارید ، می توانید با اضافه کردن منابع مربوطه به همان روش فوق ، برای هر مورد ارجاع ، به ما در ایجاد آن پیوندها کمک کنید. اگر شما یک نویسنده ثبت نام شده از این مورد هستید ، ممکن است بخواهید برگه "استناد" را در مشخصات سرویس Repec نویسنده خود بررسی کنید ، زیرا ممکن است برخی از استنادها در انتظار تأیید باشند.

برای سؤالات فنی در مورد این مورد ، یا برای اصلاح نویسندگان آن ، عنوان ، چکیده ، کتابشناختی یا اطلاعات بارگیری ، تماس با ما: Sonal Shukla یا Springer Nature انتزاعی و نمایه سازی (ایمیل موجود در زیر). اطلاعات تماس عمومی ارائه دهنده: http://www. springer.com.

لطفاً توجه داشته باشید که اصلاحات ممکن است چند هفته طول بکشد تا از طریق خدمات مختلف repec فیلتر شود.