پیش بینی بازار سهام: تجزیه و تحلیل سری زمانی

پیش بینی بازار سهام یکی از مهمترین کارها در زمینه محاسبات به دلیل ماهیت نامنظم آن است. عوامل زیادی در بورس سهام وجود دارد که مسئولیت پیگردهای سریع قیمت سهام را بر عهده دارند. نگران کننده مداوم در بورس سهام دلیل اصلی سرمایه گذاران برای فروش سهام خود در یک زمان فریبنده است که منجر به عدم کسب سود می شود. با توجه به عدم موفقیت مداوم قیمت سهام ، پیش بینی حرکت بورس با دقت کامل امکان پذیر نیست بلکه با پیش بینی حرکت بازار سهام به طور دقیق تر بر اساس تجزیه و تحلیل داده های تاریخی ، می توانیم از دست دادن سرمایه گذاران تا حد زیادی کاهش دهیم. برای پیش بینی حرکت بازار سهام ، چندین تکنیک یادگیری ماشین در دسترس است. در اینجا ، ما برای درک روندها و الگوهای آینده ، چندین روش یادگیری ماشین را در مورد داده های قیمت سهام تاریخی به کار گرفته ایم. برای انجام این کار ، ما از پنج مدل رگرسیون یعنی رگرسیون خطی ، جنگل تصادفی ، رگرسیون بردار پشتیبانی (SVR) ، اتورگر وکتور (VAR) و حافظه کوتاه مدت بلند (LSTM) استفاده کرده ایم. برای تعیین عملکرد واقعی مدل ها ، چندین معیار یعنی نمره واریانس (EVS) ، میانگین خطای مربع (RMSE) ، میانگین خطای مربع (MSE) ، میانگین خطای مطلق (MAE) ، نمره مربع R (نمره R 2) ،و نمره مربع R تنظیم شده (نمره تنظیم شده R 2) در اینجا برای ارزیابی عملکرد مدل ها استفاده شده است. در بین تمام این مدل ها ، مدل LSTM از نظر معیارهای فوق از مدل های دیگر بهتر عمل می کند. نمره EVS ، RMSE ، MSE ، MAE ، R 2 و نمره R 2 از LSTM به ترتیب 0. 9726 ، 0. 6220 ، 0. 3869 ، 0. 4306 ، 0. 9716 و 0. 9697 است. نتیجه به دست آمده برای پیش بینی بازار سهام بسیار قابل توجه است.

کلید واژه ها

• بورس سهام
• پیش بینی
• LSTM
• سری زمانی
• فراگیری ماشین

این پیش نمایش محتوای اشتراک ، دسترسی از طریق موسسه شما است.

گزینه های خرید

29. 95 یورو قیمت شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب الکترونیکی 245. 03 یورو شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب Softcover 299. 99 EUR Price استثناء مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب گالینگور 299. 99 یورو از مالیات بر ارزش افزوده (فدراسیون روسیه) مستثنی است

منابع

1. بازار سهام. https://en. wikipedia. org/wiki/stock_market (2020). آخرین دسترسی به 1 نوامبر 2020
2. بورس سهام داکا. https://en. wikipedia. org/wiki/dhaka_stock_exchange (2020). آخرین دسترسی به 1 نوامبر 2020
3. Lanbouri ، Z. ، Achchab ، S: پیش بینی بازار سهام در مورد داده های فرکانس بالا با استفاده از حافظه کوتاه مدت کوتاه. Compute Compute. علمی175 ، 603-608 (2020). https://doi. org/10. 1016/j. procs. 2020. 07. 087CrossRefGoogle Scholar
4. Seethalakshmi ، R: تجزیه و تحلیل متغیرهای پیش بینی کننده بازار سهام با استفاده از رگرسیون خطی. int. J. Pure Appl. ریاضی. 119 (15) ، 369-378 (2018) Google Scholar
5. Mathew ، O. O. ، Sola ، A. F. ، Oladiran ، B. H. ، Amos ، A. A: پیش بینی قیمت سهام با استفاده از فیلتر متوسط متحرک یکپارچه خودجوش ((Arima (P ، D ، Q))). Global J. Sci. جلو. res13 (8) ، 79-88 (2013) Google Scholar
6. Dong ، Y. ، Li ، S. ، Gong ، X: تجزیه و تحلیل سری زمانی: کاربرد مدل ARIMA در پیش بینی قیمت سهام. در: کنفرانس بین المللی 2017 نوآوری در مدیریت اقتصادی و علوم اجتماعی (IEMSS 2017) ، Atlantis Press (2017) Google Scholar
7. Zou ، Z. ، Qu. Z: با استفاده از LSTM در پیش بینی سهام و تجارت کمی ، دانشگاه استنفورد Google Scholar
8. Ashik ، M. ، Senthamarai Kaan. k: پیش بینی قیمت سهام ملی با استفاده از مدل ARIMA. Stoch Global. مقعد4 (1) ، 77-81 (2017) Google Scholar
9. Moghar ، A. ، Hamiche ، M: پیش بینی بازار سهام با استفاده از شبکه عصبی مکرر LSTM. Compute Compute. علمی170 ، 1168 1173 (2020). https://doi. org/10. 1016/j. procs. 2020. 03. 049crossrefgoogle Scholar
10. Meesad ، P. ، Rasel ، R. I: پیش بینی قیمت بازار سهام با استفاده از رگرسیون بردار پشتیبانی. در کنفرانس بین المللی انفورماتیک ، الکترونیک و چشم انداز (ICIEV) ، صص 1-6. IEEE (2013) Google Scholar
11. Biswas ، A. A. ، Basak ، S: پیش بینی روند و الگوهای جرم در بنگلادش با استفاده از مدل یادگیری ماشین. در: دومین کنفرانس بین المللی ارتباطات و تکنیک های محاسباتی هوشمند (ICCT) ، صص 115-119. IEEE (2019). https://doi. org/10. 1109/icct46177. 2019. 8969031
12. Adebiyi ، A. A. ، Adewumi ، A. O. ، Ayo ، C. K: پیش بینی قیمت سهام با استفاده از مدل ARIMA. در: شانزدهمین کنفرانس بین المللی UKSIM-AMSS در مورد مدل سازی و شبیه سازی رایانه ، صص 105 111 (2014) Google Scholar
13. Biswas ، A. A. ، Mia ، J. M. ، Majumder ، A: پیش بینی تعداد تصادفات جاده ای و تلفات با استفاده از رگرسیون جنگلی تصادفی در متن بنگلادش. در: دهمین کنفرانس بین المللی فناوری های محاسبات ، ارتباطات و شبکه (ICCCNT) ، صص 115 119. IEEE (2019). https://doi. org/10. 1109/icccnt45670. 2019. 8944500
14. Dhaka Stock Exchange Https://www. dsebd. org/day_end_archive. php؟startdate=2018-09-23& enddate=2020-08-31& inst=beximco& archive=Data (2020). آخرین دسترسی به 1 سپتامبر 2020
15. مقیاس بندی ویژگی. https://en. wikipedia. org/wiki/feature_scaling (2020). آخرین دسترسی به 5 اکتبر 2020
16. رگرسیون خطی چندگانه (MLR): https://www. investopedia. com/terms/m/mlr. asp (2020). آخرین دسترسی به 5 نوامبر 2020
17. رگرسیون جنگلی تصادفی: چه موقع شکست می خورد و چرا: https://neptune. ai/blog/random-forest-regression-when-does-it-fail-why (2020). آخرین دسترسی به 5 نوامبر 2020
18. Awad M. ، Khaa R: پشتیبانی از رگرسیون بردار. در: دستگاه های یادگیری کارآمد. Apress ، Berkeley ، CA (2015). https://doi. org/10. 1007/978-1-4302-5990-9_4
19. Zivot ، E. ، Wang ، J: Models Autoregressive وکتور برای سری زمانی چند متغیره. مدل سازی سری زمانی مالی با S-Plus® ، صص 385-429 (2006) Google Scholar
20. درک شبکه های LSTM: https://colah. github. io/posts/2015-08-understanding-lstms/ (2020). آخرین دسترسی به 6 نوامبر 2020

اطلاعات نویسنده

نویسندگان و وابستگی ها

1. گروه CSE ، دانشگاه جهانگیرنگار ، داکا ، بنگلادش آنوپ ماجومر و سارنالی باسک
2. مهندس نرم افزار ، REALTY CROWD ، توکیو ، MD. Mahbubur Rahman
3. بخشاز CSE ، دانشگاه بین المللی دافودیل ، داکا ، بنگلادش آل امین بیسوا و م. سبب زولفیکر

1. مگس