31391

ارائه يك الگوريتم معاملاتي جديد با استفاده از تحليل روابط بين سهام

كارشناسي ارشد

مهندسي كامپيوتر - گرايش نرم افزار

1400

1402/11/30

دكتر رضا انتظاري ملكي

-

كامپيوتر

بازار بورس، يك سيستم پيچيده و پويا است كه تحت تأثير عوامل متعددي از جمله عوامل اقتصادي، سياسي و اجتماعي قرار دارد. از اين رو پيش‌بيني روند حركتي هر يك از سهام بازار بورس، يكي از دشوارترين و چالش‌برانگيزترين مسائل در اقتصاد است؛ در ﺣﺎلي كه، ﺑﻬﺒﻮد اندك در دﻗﺖ پيش‌بيني ميﺗﻮاﻧﺪ ﻣﻨﺠﺮ به ﺳﻮدآوري ﻋﻈﯿﻢ در ﺑﺎزار ﺷﻮد. در سال‌هاي اخير، با پيشرفت‌هاي حاصل شده در زمينه هوش مصنوعي، امكان توسعه مدل‌هاي پيش‌بيني بازار بورس، با دقت و كارايي بالا، فراهم شده است. اين مدل‌ها، با استفاده از الگوريتم‌هاي يادگيري ماشين و يادگيري عميق، مي‌توانند از داده‌هاي تاريخي بازار، براي شناسايي الگوها و روندهاي قيمت سهام استفاده كنند. مطالعات گسترده‌اي با هدف پيش‌بيني روند حركت آينده سهم با استفاده از داده‌هاي تاريخي انجام شده است. با اين حال، يك نكته مهم وجود دارد كه بايد مورد توجه قرار گيرد. با وجود اينكه داده‌هاي تاريخي هر سهم عنصري بسيار مهمي براي ارائه پيش‌بيني مناسب هست، اما بايد توجه داشت كه روند حركتي سهام در بازار كاملاً مستقل از يكديگر نبوده و روند حركتي يك سهم مي تواند تحت تاثير روند حركتي ساير سهام باشد. روابط بازار سهام مي‌توانند تحليل و پيش‌بيني را پيچيده‌تر كنند و بايد در تحليل‌ها و پيش‌بيني‌ها مد نظر قرار گيرند. در اين پژوهش، ما يك مدل پيش‌بيني روند براي بازار بورس ايران معرفي مي‌كنيم. اين مدل با در نظر گرفتن روابط بازار سهام و بهره‌گيري از مجموعه ويژگي‌هاي مناسب دقت پيش‌بيني‌ روند را افزايش مي‌دهد. همچنين ما از روش‌هاي مختلف برچسب‌گذاري استفاده كرديم تا با كاهش نويز در برچسب مدل پايدارتري داشته باشيم. ما آزمايش‌هاي خود را بر روي داده‌هاي روزانه بازار بورس ايران انجام داديم. چند نمونه از روابط ميان سهام را مدل كرديم تا بتوانيم تاثير هريك از اين روابط را بر دقت پيش‌بيني بسنجيم. نتايج بدست آمده از آزمايش‌ها نشان مي‌دهد كه استفاده از گراف در روش‌هاي پيش‌بيني روند بازار مي‌تواند دقت مدل‌ها را به طور ميانگين 4 درصد بهبود بخشد. علاوه بر اين، با انتخاب مجموعه ويژگي مناسب، تاثير گراف تا 12 درصد افزايش پيدا كرده است.

1403/08/02

A New Trading Algorithm based on Stocks Relation Analysis

2/18/2025 12:00:00 AM

The stock market operates as a complex and ever-changing system impacted by various economic, political, and social factors. Consequently, accurately predicting stock movements is a formidable challenge in the realm of economics. Even a slight enhancement in forecasting accuracy could yield significant profits. Recent advancements in artificial intelligence have facilitated the creation of highly accurate and efficient stock market prediction models. Leveraging machine learning and deep learning algorithms, these models can analyze historical data to discern patterns and trends in stock prices. Numerous studies have focused on forecasting future stock movements based on historical data. However, it's crucial to recognize that while historical data is vital for an accurate trend prediction, stock movements are not entirely independent. Inter-dependencies among stocks can complicate analysis and forecasting, necessitating their consideration in predictive models. In our study, we present a novel trend prediction model tailored to the stock market of Iran. This model enhances prediction accuracy by incorporating stock market interconnections and employing a carefully selected feature set. Furthermore, we implemented various labeling techniques to enhance model stability by minimizing label noise. Our experimentation was conducted using daily Iranian stock market data. We constructed several instances of stock relationships to assess their impact on the trend prediction accuracy. Results indicate that integrating graphs into market trend prediction techniques can enhance model accuracy by an average of 4%. Moreover, by selecting an appropriate feature set, the effectiveness of the graph can increase to 12%.

پيش‌بيني روند سهام , يادگيري ماشين , يادگيري عميق , رواﺑﻂ ﺑﺎزار ﺳﻬﺎم

Stock Trend Prediction , Machine Learning , Deep Learning , Stock Market Relations

sara khorashadi zadeh

Dr. Reza Entezari-Maleki