RLSTM: یک چارچوب جدید پیش بینی سهام با استفاده از سر و صدای تصادفی برای پیشگیری بیش از حد

پیش بینی دقیق شاخص بازار سهام برای سرمایه گذاران برای کاهش ریسک مالی مهم است. اگرچه برای پیش بینی سهام تعداد زیادی روش یادگیری عمیق ایجاد شده است ، اما برخی از مشکلات اساسی ، مانند توانایی عمومی سازی ضعیف و بیش از حد در آموزش ، باید حل شوند. در این مقاله ، یک مدل یادگیری عمیق جدید به نام حافظه کوتاه مدت تصادفی تصادفی (RLSTM) پیشنهاد شده است تا نتیجه پیش بینی بهتری داشته باشد. RLSTM شامل ماژول پیش بینی ، ماژول پیشگیری و سه لایه اتصال کامل است. ورودی ماژول پیش بینی یک سهام یا شاخصی است که باید پیش بینی شود. ماژول پیشگیری یک سری شماره تصادفی است. با استفاده از شاخص شاخص Composite Securities شانگهای (SSEC) و 500 استاندارد و پور (S & P500) ، شبیه سازی ها نشان می دهد که RLSTM پیشنهادی می تواند بیش از حد را کاهش داده و از دیگران در صحت پیش بینی بهتر عمل کند.

1. معرفی

پیش بینی قیمت آینده دارایی مالی ، مانند سهام ، برای سرمایه گذاران ضروری است زیرا می تواند با تعیین مناسب حرکت آینده یک دارایی سرمایه گذاری ، خطر تصمیم گیری را کاهش دهد. سرمایه گذاران احتمالاً سهام را خریداری می کنند که انتظار می رود ارزش آنها در آینده افزایش یابد. از طرف دیگر ، معامله گران احتمالاً از خرید سهام خودداری می کنند که انتظار می رود ارزش آنها در آینده کاهش یابد [1]. بنابراین ، پیش بینی دقیق شاخص بازار سهام برای سرمایه گذاران بسیار مفید است تا سود بیشتری کسب کنند. با این حال ، با ماهیت بسیار بی ثبات و غیر ایستگاه بازار ، پیش بینی قیمت آینده سهام به درستی دشوار است [2]. بنابراین ، روشهای فنی و کمی توسط سرمایه گذاران به عنوان تلاشی برای پیش بینی حرکت قیمت دارایی استفاده شده است. این رویکردها شامل کشف یک الگوی مناسب از داده های بازار و گرفتن لحظه ارجح برای تصمیمات سرمایه گذاری است.

مدل های اقتصادی سنتی و الگوریتم های یادگیری ماشین در پیش بینی قیمت سهام کاربردهای عملی بسیاری دارند [3 ، 4]. در مراحل اولیه ، پیش بینی قیمت دارایی مالی عمدتاً براساس تحقیقات رفتار سهام است [5]. مدلهای آماری پارامتری ، مانند مدل میانگین متحرک یکپارچه خودگردان (ARIMA) و ناهمگونی شرطی اتوگرافی تعمیم یافته (GARCH) ، برای پیش بینی قیمت سهام استفاده می شوند [6 ، 7]. این نوع مدل ها می توانند در پیش بینی کوتاه مدت به تأثیر قابل توجهی برسند.

با توسعه یادگیری ماشینی ، برخی از آنها به دلیل نقشه برداری غیرخطی و توانایی عمومی سازی قوی ، توانایی زیادی در پیش بینی سهام نشان می دهند. در [8] ، گارچ با شبکه های عصبی مصنوعی (ANNS) ترکیب شده است ، که به مراتب بهتر از گارچ در پیش بینی نوسانات بازار در آمریکای لاتین است. یکی دیگر از تکنیک های مهم یادگیری ماشین ، رگرسیون بردار پشتیبانی (SVR) ، یک مدل رگرسیون است که می تواند توانایی بسیار خوبی در پیش بینی داده های آینده بر اساس داده های تاریخی نشان دهد. برنامه های زیادی در پیش بینی سهام دارد. در [9] ، چارچوبی برای استفاده از استراتژی SVR برای پیش بینی قیمت سهام پیشنهاد شده است. در [10] ، فیلتر SVR و Hodric k-Prescott با هم ترکیب می شوند تا نتیجه بهتری در پیش بینی قیمت سهام کسب کنند. هو و همکاران.[11] روش جدیدی را برای ترکیب SVR و تجزیه و تحلیل رابطه خاکستری برای پیش بینی بازار سهام روند کوتاه ارائه داد که از توانایی SVR در تجزیه و تحلیل نمونه های کوچک و چند بعدی استفاده می کند. روشی که آنها ارائه دادند همگرایی سریع دارد و در پیش بینی قیمت سهام کارآمد است. در [12] ، چارچوبی مبتنی بر الگوریتم ژنتیکی ارائه شده است که از انتخاب ویژگی و دستگاه بردار پشتیبانی برای بهینه سازی پنجره زمانی ویژگی ها استفاده می کند. نتایج آزمایش نشان می دهد که این چارچوب می تواند نرخ بازده را بهبود بخشد و عملکرد پیش بینی بهتری کسب کند.

در سالهای اخیر ، مدل یادگیری عمیق مانند شبکه عصبی Convolutional (CNN) و شبکه حافظه کوتاه مدت کوتاه (LSTM) به طور فزاینده ای برای پیش بینی قیمت سهام استفاده می شود. CNN با مزیت خود از استخراج ویژگی ها به طور گسترده در داده های قیمت سهام استفاده می شود. یک معماری مبتنی بر CNN برای انتخاب ویژگی ها در شاخص های مختلف ، قیمت و اطلاعات زمانی از سهام 100 Borsa Stanbul پیشنهاد شده است [13]. ثابت شده است که CNN به کاهش زمان آموزش و پیچیدگی مدل کمک می کند. در [1] ، CNN برای تجزیه و تحلیل نمودار شمعدان یک بورس ، برای یافتن الگوهای موجود در بازار سهام و پیش بینی حرکات آینده آن استفاده می شود. آزمایشات موجود در مجموعه داده های تایوان و بازار سهام اندونزی نتیجه امیدوار کننده ای را نشان داده است. CNN همچنین برای ساختن ویژگی های بازار به روش سلسله مراتبی استفاده می شود [14]. با این روش می توان رابطه بین شاخص های اساسی و فنی را یافت.

LSTM به طور گسترده برای تجزیه و تحلیل سری زمان استفاده شده است [15-17] که از طریق RNN سودمند است زیرا این مسئله بر مشکل ناپدید شدن شیب غلبه می کند. نویسندگان در [18] ثابت کردند که با توجه به داده های مربوطه ، LSTM می تواند برای یافتن روند ذاتی قیمت سهام استفاده شود. چن و همکاران. داده های قیمت سهام تاریخی از شاخص کامپوزیت اوراق بهادار شانگهای از چین (SSEC) به عنوان ورودی LSTM برای پیش بینی شاخص استفاده شده است [19]. در [20] ، یک روش پیش بینی سهام بر اساس LSTM پیشنهاد شده است که برای شبیه سازی تجارت استفاده می شود. نتایج آزمایش نشان می دهد که استراتژی معاملات بر اساس مدل دیگر مانند Perceptron چند لایه و جنگل تصادفی خطر کمتری دارد. در عین حال ، بسیاری از محققان CNN و LSTM را با هم ترکیب کردند تا از هر دو مزیت در پیش بینی قیمت سهام استفاده کنند. در [21] ، مدلی به نام TC-LSTM از CNN برای گرفتن ویژگی های نوسانات قیمت سهام استفاده می کند و سپس از LSTM برای پیش بینی قیمت آینده سهام استفاده می کند. نویسنده در [22] از نوعی ترکیبی از CNN و LSTM برای تجزیه و تحلیل استراتژی کمی در بازار سهام استفاده کرد.

با این حال ، این مدل ها به دلیل دو دلیل اصلی ممکن است مشکل توانایی تعمیم ضعیف را برآورده کنند. اول ، داده های سهام بسیار غیرخطی به نظر می رسند. عوامل بسیاری وجود دارد که بر روند قیمت سهام از جمله سیاست و روانشناسی سرمایه گذاران تأثیر می گذارد [23]. علاوه بر این ، این عوامل در زمان های مختلف ممکن است اثرات متفاوتی داشته باشند. اگرچه یادگیری عمیق می تواند ویژگی های توزیع را در فضای نمونه بیاموزد ، اما به دلیل ضعف توانایی تعمیم ، نمی تواند عوامل پیچیده ای را در پشت داده ها به طور کامل ضبط کند [24]. ثانیا ، اگرچه شبکه عصبی ممکن است در یادگیری همبستگی های غیرخطی بسیار پیچیده بین متغیرها خوب باشد [18] ، صحت نتیجه یادگیری عمدتاً به داده های زیادی برای آموزش بستگی دارد. با افزایش میزان داده ها می توان عملکرد بهتری کسب کرد [25]. بنابراین ، غلبه بر کمبود داده های محدود هنگام استفاده از شبکه عصبی برای پیش بینی قیمت سهام بسیار مهم است. در غیر این صورت ، بیش از حد در آموزش ممکن است اتفاق بیفتد [26] ، که در نهایت منجر به ضعف توانایی تعمیم می شود.

برخی از روشهای سنتی می توانند به طور موثری از افزایش بیش از حد ، مانند تنظیم L1 و L2 ، ترک تحصیل ، توقف زود هنگام ، کاهش پارامترها در شبکه های عصبی و تقویت داده های آموزشی جلوگیری کنند [26 ، 27]. علاوه بر این ، اطلاعات اضافی برای کاهش مشکل توانایی عمومی سازی ضعیف نیز مفید است. بسیاری از محققان اطلاعات متنی را از اخبار ، رسانه های اجتماعی و احساسات معامله گران در بازار جمع آوری کردند و این اطلاعات را با استفاده از پردازش زبان طبیعی به مدل پیش بینی اضافه کردند [28-30]. نویسنده در [28] اطلاعات احساسات سرمایه گذاران را در BBS استخراج کرد و آنها را با LSTM ترکیب کرد تا شاخص بازار و احساسات را پیش بینی کند. مودیناس و همکاران.[29] حرکت قیمت سهام را با استفاده از نگرش و احساسات احساسات استخراج شده از اخبار پیش بینی کرد. ساردلیچ و منندار [30] رابطه بین اخبار و قیمت سهام روز بعد را به عنوان اطلاعات اضافی برای پیش بینی قیمت سهام بررسی کردند. همه این آثار تحقیقاتی در پیش بینی قیمت سهام دستاوردهای چشمگیری داشته اند.

علاوه بر اطلاعات متنی اضافی ، داده های بیشتری از سهام در هر روز نیز درگیر است. مرجع [19] ورودی های LSTM را به بالاترین قیمت ، کمترین قیمت ، قیمت باز ، قیمت بسته شدن و حجم معاملات گسترش داد. آزمون SSEC نشان می دهد که ویژگی های بیشتر می توانند از پیش بینی قیمت سهام بهره مند شوند. در [31] ، سان و همکاران. از عملکرد احتمال استفاده شده برای خوشه بندی سهام هایی که ویژگی های مشابه دارند. یک خوشه از سهام برای پیش بینی روند یک سهام خاص در خوشه در مدل یادگیری ماشین تغذیه می شود. نتیجه آزمایش نشان می دهد که این روش می تواند توانایی مدل یادگیری ماشین سنتی را برای پیش بینی روند سهام بهبود بخشد. در [32] ، گائو و همکاران. از شاخص فنی قیمت سهام برای پیش بینی قیمت بسته شدن شاخص استفاده کرد. اثر پیش بینی مدل به طور قابل توجهی بهبود یافته است. در [33] ، Baek و Kim Modaugnet-C را برای جلوگیری از بیش از حد از ضریب همبستگی پیرسون برای انتخاب سهام که از نزدیک با سهام برای پیش بینی ارتباط دارند استفاده می کنند ، و سپس گروهی از این داده ها به طور تصادفی به عنوان ورودی انتخاب می شوند. مجموعه داده های آموزش را گسترش دهید.

از طرف دیگر ، به عنوان یکی از تکنیک های پیش پردازش داده های محبوب ، عادی سازی به طور گسترده ای در پیش بینی قیمت سهام مورد استفاده قرار گرفته است که می تواند باعث کاهش نویز در مجموعه داده شود. در [34] ، بانج و داس دریافتند که پیش بینی سری زمانی ممکن است به شدت به تکنیک عادی سازی بستگی داشته باشد. در [35] ، نگوین و همکاران. سیگنال های سهام از طریق تبدیل موجک ، به گونه ای که داده های مالی می توانند صاف شوند و دقت بیشتری کسب کنند.

در این مقاله ، ما مدلی به نام RLSTM را پیشنهاد می کنیم که مبتنی بر LSTM است و از یک سری داده های تصادفی با توزیع یکنواخت در برابر بیش از حد در پیش بینی شاخص بازار سهام استفاده می کند. این مدل شامل دو ماژول است ، یعنی ماژول پیش بینی و ماژول پیشگیری. اولی به عنوان عملکرد اصلی در مدل عمل می کند ، در حالی که دومی نقش کمکی را ایفا می کند. این با هر دو LSTM و MODAUGNET-C مقایسه می شود. نتایج نشان می دهد که عملکرد آن از هر دوی آنها بهتر است.

باقیمانده این مقاله به شرح زیر سازماندهی شده است. بخش 2 LSTM و MODAUGNET-C را معرفی می کند. بخش 3 معماری مدل پیشنهادی ما و فرایند آموزش آن را با جزئیات شرح می دهد. معیارهای آماده سازی و داوری DataSet نیز در این بخش معرفی شده است. بخش 4 نتایج آزمایش را نشان می دهد. نتیجه گیری در بخش 5 ارائه شده است.

2. مقدمات

2. 1LSTM

LSTM از یک دروازه ورودی ، یک دروازه فراموش شده و یک دروازه خروجی تشکیل شده است. اطلاعات را می توان در هر مرحله زمانی حفظ کرد تا بتواند الگوهای طولانی مدت را حفظ کند.

شکل 1 معماری LSTM را نشان می دهد. بسته به آن ساختار دروازه ها ، LSTM به طور انتخابی بر وضعیت شبکه هر لحظه تأثیر می گذارد. ایکس_حرفو ح_حرفحالات ورودی و خروجی را در لحظه t نشان می دهد. فرمول های داخلی LSTM به شرح زیر نشان داده شده است [36]: