25203

به‌كارگيري شبكه‌هاي عصبي/ عصبي فازي براي پيش‌بيني متغير جهت در بازارهاي مالي (مطالعه موردي)

كارشناسي ارشد

مهندسي صنايع-مديريت مهندسي

96-99

1399/4/10

دكتر عبدالرحمن حائري

دكتر سيد فريد قنادپور

مهندسي صنايع

Financial markets are the most important part of the financial system so that the financial resources through which they circulate. For the economic and financial system of any country, the existence of dynamic financial markets with appropriate depth will bring many benefits. Success in financial market trading requires that market trends in the future be properly predicted so that investors can be immune to potential risks and traders have the opportunity to make a profit through trading. Over the years, classical methods have been used to predict financial markets, but with the development of artificial intelligence and meta-innovative methods, artificial neural networks, and fuzzy artificial neural networks, more and more applications have emerged in the discussion of financial market forecasting, especially stock price index. The present study uses intelligent algorithms such as BPNN, ANFIS, and clustering as well as deep learning algorithms (LSTM) and considering data mining applications, seeks to provide a flexible and more accurate forecasting model in financial markets. It has adaptability in all three modes of market trend, acceptable accuracy, and performance. In this study, first, two combined forecasting methods including CL-BPNN and Cl-ANFIS were proposed to predict the daily direction of the S&P 500 index. Price data, MACD, and data related to search and user attention are considered as model input. The results showed that the CL-BPNN and CL-ANFIS approaches perform better than the PPNN and ANFIS models and can predict the direction of the next day's opening price of the S&P 500 index with 88.75% and 91.26% accuracy, respectively. The LSTM model was then used to accurately predict the BTC / USD price. The MACD indicator was added as the fifth feature of the input data to increase the performance of the model. Also, the size of the model input matrix, which includes price data and the value of the MACD indicator for the past days, was analyzed. In this model, in addition to the accuracy of the model in predicting the direction, its efficiency and profitability in real-world Tradings were also analyzed. The results showed that the model has acceptable predictive accuracy and appropriate profitability and can be a reliable choice for an investor.

1400/06/09

استفاده از شبكه هاي عصبي فازي / شبكه هاي عصبي براي پيش بيني جهت در بازارهاي مالي (مطالعه موردي)

7/1/2021 12:00:00 AM

بازارهاي مالي مهم‌ترين بخش نظام مالي است به طوري كه منابع مالي بوسيله آن‌ها به گردش درمي‌آيند. براي نظام اقتصادي و مالي هر كشور، وجود بازارهاي مالي پويا با عمق مناسب، منافع زيادي به همراه خواهد داشت. براي موفقيت در معاملات بازار مالي لازم است كه روند بازار در آينده به ‌درستي پيش‌بيني شود تا سرمايه‌گذاران بتوانند در مقابل ريسك‌هاي بالقوه، مصونيت كسب نموده و معامله‌گران نيز فرصت مي‌يابند تا به‌وسيله معامله سود به دست آورند. در طي سال‌هاي گذشته، روش‌هاي كلاسيك جهت پيش‌بيني بازارهاي مالي مورد استفاده قرار مي‌گرفت، اما با پيشرفت روش‌هاي‌ هوش مصنوعي و روش‌هاي فرا ابتكاري، انواع شبكه‌هاي عصبي مصنوعي و شبكه‌هاي عصبي مصنوعي فازي كاربردهاي روزافزوني در بحث پيش‌بيني بازار مالي و به‌خصوص شاخص قيمت سهام پديد آمد. مطالعه حاضر با استفاده از الگوريتم‌هاي هوشمند نظير BPNN، ANFIS و خوشه‌بندي و همچنين بهره‌گيري از الگوريتم‌هاي يادگيري عميق (LSTM) و با توجه به كاربردهاي داده‌كاوي، به دنبال ارائه يك مدل انعطاف‌پذير براي پيش‌بيني هرچه دقيق‌تر در بازارهاي مالي است به‌گونه‌اي كه بتواند با قابليت انعطاف و انطباق‌پذيري در هر سه حالت از روند بازار، دقت و عملكرد قابل قبولي داشته باشد. در اين پژوهش ابتدا دو روش پيش‌بيني تركيبي شامل CL-BPNN و Cl-ANFIS براي پيش‌بيني جهت حركت قيمت آغازين روز بعد شاخص S&P 500 پيشنهاد شد. داده‌هاي قيمت، انديكاتور مكدي و داده‌هاي داده‌هاي مرتبط به جست‌وجو و توجه كاربران به عنوان وردي مدل در نظر گرفته شده‌اند. نتايج حاصل نشان داد كه رويكردهاي CL-BPNN و CL-ANFIS عملكرد بهتري نسبت به مدل‌هاي PPNN و ANFIS دارند و مي‌توانند جهت حركت قيمت آغازين روز بعد شاخص S&P 500 را به ترتيب با دقت 75/88 درصد و 26/91 درصد پيش‌بيني كنند. سپس از مدل LSTM جهت پيش‌بيني دقيق جهت قيمت BTC/USD استفاده شد. انديكاتور مكدي به عنوان پنجمين ويژگي داده‌هاي ورودي براي افزايش عملكرد مدل اضافه شد. همچنين، اندازه ماتريس ورودي مدل كه شامل داده‌هاي قيمت و مقدار انديكاتور مكدي براي روزهاي گذشته است، تحليل شدند. در اين مدل، علاوه بر دقت مدل در پيش‌بيني جهت حركت، كارايي و ميزان سوددهي آن در معاملات در دنياي واقعي نيز مورد تجزيه و تحليل قرار گرفت نتايج نشان داد كه مدل داراي دقت پيش‌بيني قابل قبول و سوددهي مناسب است و مي‌تواند يك انتخاب مطمئن براي سرمايه‌گذار باشد.

هوش مصنوعي , شبكه عصبي مصنوعي , يادگيري عميق

artificial intelligence , Artificial neural network , Deep learning