26097

پيش بيني و تخمين رفتار بازار بورس با استفاده از روش هاي با ناظر

ارشد

مهندسي برق گرايش كنترل

1397

1400/08/26

دكتر سعيد عباداللهي

مهندسي برق

در اين پژوهش به پيش‌بيني‌هاي سري زماني در داده‌هاي مربوط به بورس اوراق بهادار پرداخته شده است. از آنجا كه قيمت پاياني نقش مهمي در تصميمات سرمايه‌گذاران بورس دارد، در اين تحقيق سعي بر آن است كه پيش‌بيني قيمت پاياني با استفاده از الگوريتم‌هاي مختلف بررسي شوند. بنابراين بررسي قيمت پاياني در 3 نماد بر اساس گروه‌هاي مختلف از 2 جهت صورت گرفته است؛ در اولين رويكرد، هدف پيش‌بيني روند قيمت پاياني در روزهاي بعد و در دومين رويكرد هدف پيش‌بيني مقادير قيمت پاياني در افق پيش‌بيني مدنظر است. از داده‌هاي مربوط به قيمت و حجم و همچنين شاخص‌هاي تحليل تكنيكال نيز براي ارائه پيش‌بيني‌ها مربوط به قيمت پاياني استفاده شده است. در رويكرد اول از مدل‌هاي مختلف از جمله درخت تصميم، جنگل تصادفي، رگرسيون لجستيك،ماشين بردار پشتيبان و MLP استفاده مي‌كنيم كه در نهايت با استفاده از مدل رأي‌گيري تجميعي كه برپايه درخت تصميم، جنگل تصادفي و SVM است براي 3 نماد بررسي شده دقت مدل به %74.1، %71.75 و %70.24 رسيده است. در رويكرد دوم نيز از مدل‌هاي رگرسيون جنگل تصادفي، رگرسيون بردار پشتيبان و شبكه‌هاي عصبي عميق LSTM استفاده شده و مدل‌ها در داده آموزش و تست در افق پيش‌بيني 5 روزه با هم مقايسه شده‌اند. در اين مدل‌ها، الگوريتم LSTM در داده تست داراي خطاي MAPE كمتر از 5 درصد در تمام داده‌ها است. در نهايت براي تركيب مدل‌ها و استفاده از مدل‌هاي رگرسيوني و دسته‌بندي در پيش‌بيني روند، از داده‌هاي تاريخي سهام‌ها انتخاب كرده و مدل‌هاي تركيبي را با استفاده از مدل رأي‌گيري تجميعي آزمايش مي‌كنيم كه بهترين تركيب مدل براساس داده‌هاي تاريخي، تركيب مدل‌هاي دسته‌بند جنگل تصادفي، ماشين بردار پشتيبان، رگرسيون LSTM، رگرسيون جنگل تصادفي، رگرسيون بردار پشتيبان براي پيش‌بيني روند قيمت پاياني بعدي به دست آمده است.

1400/12/04

Prediction stock and stock price direction by supervised learning models

11/17/2022 12:00:00 AM

One of the main concerns of stock market investors is forecasting stock prices. Stock market decision making is very difficult and important due to the complex behavior and unstable nature of the stock market. As a result, discovering valuable information produced by the market is essential. All investors usually need to find a better way to predict future stock price behavior that will help them determine the best time to buy or sell stocks to make more profit on their investments. In fact, forecasting stock returns as well as the financial condition of the company is very necessary to advance the interests of investors to invest with better confidence. To provide a forecast analysis, in this study, the final price was studied in 3 stock price data based on different groups from 2 approaches; The first approach is intended to predict the final price trend in the coming days and the second approach aims to predict the final price values on the forecast horizon. In the first approach, we use different classification models such as decision tree, random forest, logistic regression, SVM and MLP. Finally, using the ensemble model based on decision tree, random forest and SVM for the 3 data examined, the accuracy of the model has reached 74.1%, 71.75% and 70.24%. In the second approach, random forest regression model, support vector regression and LSTM deep neural networks are used and the models are compared for train, validation and test data. Test data with a forecast horizon of 5 days is considered. In these models, the LSTM algorithm in the test data has a MAPE error of less than 5% in all data. Finally, to combine the models and use both regression and classificayion models to predict the trend, we consider the stock historical data and test the hybrid models using the ensemble voting model. LSTM regression, random forest regression and support vector regression from regression models and On the other hand support vector machin and random forest from classification models are obtained as best combination to predict the next final price trend.

پيش‌بيني سري زماني , پيش‌بيني بورس , شبكه‌هاي عصبي , يادگيري ماشين

پيش بيني بورس , پيش‌بيني بورس , يادگيري ماشين , پيش بيني سري زماني

soheila rahimi

Dr saeed ebadollahi