چکیده:
در سالهای اخیر شبکههای عصبی یادگیری عمیق به عنوان ابزاری قدرتمند جهت حل مسائل پیچیده شناخته شدهاند. یادگیری عمیق یک زیرشاخه از هوش مصنوعی است که در آن بر مبنای مجموعهای از الگوریتمها، مسائل پیچیده دارای پارامترها و ورودیهای بسیار زیاد، مدل میشوند. در این پژوهش به ارائه چاچوب جدیدی از یادگیری عمیق پرداخته میشود که در آن با استفاده از تبدیل موجک، خودرمزنگار انباشته و حافظه طولانی کوتاه مدت یا LSTM به پیشبینی جهت بازار در قراردادهای آتی سکه طلای بورس کالای ایران میپردازیم. در روش پیشنهادی ابتدا با استفاده از تبدیل موجک نویز دادههای ورودی گرفته میشود. سپس با استفاده از خودرمزنگار انباشته شاخصهای تاثیرگذار بر جهت بازار شناسایی شده و در نهایت این شاخصها به عنوان ورودی به معماری LSTM داده میشود تا جهت بازار پیشبینی شود. از نوآوریهای پژوهش حاضر میتوان به ارائه چند شاخص تکنیکال جدید به منظور افزایش دقت مدل پیشنهادی و همینطور تنظیم پارامترهای الگوریتمهای به کار رفته از جمله LSTM برای مسئله مورد مطالعه و ارائه استراتژی معاملاتی به جهت دستیابی به سوددهی مناسب شاره نمود. بررسیها نشان میدهند که روش پیشنهادی از سایر روشها پیشی می-گیرد و به دقت و بازدهی بالاتری دست مییابد.
In recent years, deep learning neural networks have been recognized as powerful tools for solving complex problems. Deep learning is a subfield of artificial intelligence in which complex problems with numerous parameters and inputs are modeled based on a set of algorithms. In this research, a new framework of deep learning is presented. Using wavelet transform, stacked auto-encoders, and the Long Short-Term Memory or LSTM, we predict the market direction in the future contracts of gold coins of Iran's Commodity Exchange market. The input data is first denoised using the wavelet transformer in the proposed method. Then, using the stacked auto-encoder, the indicators influencing the market direction are identified. Ultimately, these indicators are given as input to the LSTM architecture to predict the market direction. Proposing several new technical indicators to increase the accuracy of the proposed model, adjusting the parameters of the utilized algorithms, including LSTM, for this problem, and suggesting a trading strategy to achieve appropriate profitability are among the contributions of the present study. Investigations reveal that the proposed method outperforms other approaches and achieves higher accuracy and efficiency.
خلاصه ماشینی:
ارائه مدل پيش بينيگر جهت بازار در معاملات آتي سکه طلاي بورس کالاي ايران با استفاده از الگوريتم حافظه طولاني کوتاه مدت (LSTM) سهيل ذوقي ١ تاريخ دريافت مقاله : ١٤٠٠/١٠/٠٧ تاريخ پذيرش مقاله : ١٤٠٠/١١/٣٠ رضا راعي ٢ سعيد فلاح پور٣ چکيده در سال هاي اخير شبکه هاي عصبي يادگيري عميق به عنوان ابزاري قدرتمند جهت حل مسائل پيچيده شناخته شده اند.
با وجود اين که پژوهش هاي انجام شده در اين حوزه هنوز با محدوديت هايي مواجه هستند، با افزايش در دسترس بودن داده هاي تجاري با فرکانس بالا و عملکرد نسبتاً ضعيف ساير مدل هاي موجود، مطالعات جامعي انجام شده اند که به طور عيني مناسب بودن يادگيري عميق را براي پيش بيني و تجزيه و تحليل بازار سهام بررسي ميکنند و نشان ميدهند که فرصت هاي بسياري براي استفاده از اين تکنولوژي نوين در بازارهاي مالي وجود دارد [٨] ,[١].
ضمناً با بررسي تحقيقات گذشته به نظر مي آيد که مدل هاي با قابليت اطمينان بالا براي بازارهاي داخلي ايران و با استفاده از تکنولوژي هاي نوين يادگيري عميق کمتر موجود هستند و به طور خاص براي بازار بورس کالاي ايران که از مهم ترين و پرسودترين بازارهاي معاملاتي مي باشد [٢٠]، کمبود روش هاي هوشمندانه پيش بيني جهت قابل مشاهده است و به همين علت مقصود پژوهش حاضر پر نمودن شکاف پژوهشي ذکر شده ميباشد.
P. Soman, “NSE Stock Market Prediction Using Deep-Learning Models,” Procedia Comput.
C. Park, “Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies,” Expert Syst.
Abbasi, “A Deep Learning-Based Method for Forecasting Gold Price with Respect to Pandemics,” SN Comput.