این مقاله از طریق زیر مجموعه دسترسی PMC برای استفاده مجدد بدون محدودیت و تجزیه و تحلیل ثانویه به هر شکلی یا به هر وسیله با تأیید منبع اصلی در دسترس است. این مجوزها برای مدت زمان اعلام سازمان بهداشت جهانی (WHO) COVID-19 به عنوان یک بیماری همه گیر جهانی اعطا می شود.
چکیده
پیش بینی قیمت شاخص سهام شاخص تأثیرگذار برای سرمایه گذاران و محققان مالی است که با استفاده از آن می توان توانایی تصمیم گیری برای دستیابی به حداکثر سود با حداقل ریسک را بهبود بخشید. بنابراین ، یک موتور قوی با قابلیت مدیریت اطلاعات مفید برای دستیابی به موفقیت مورد نظر است. اثربخشی پیش بینی بازار سهام در این مقاله با ادغام یک الگوریتم جستجوی کلاغ اصلاح شده (CSA) و دستگاه یادگیری شدید (ELM) بهبود یافته است. اثربخشی CSA اصلاح شده پیشنهادی به عنوان بهینه سازی ذرات (PSO) مبتنی بر گروه CSA گرا (PGCSA) برای بهتر از سایر الگوریتم های موجود با حل 12 مشکل معیار مشاهده می شود. از الگوریتم PGCSA برای دستیابی به وزن های مربوطه و تعصب ELM برای بهبود اثربخشی ELM معمولی استفاده می شود. تأثیر مدل ELM Hybrid PGCSA برای پیش بینی قیمت بسته شدن روز بعد از هفت شاخص مختلف سهام با استفاده از اقدامات عملکرد ، شاخص های فنی و آزمون فرضیه ( T-test جفت) مشاهده می شود. هفت شاخص سهام با ترکیب داده ها در هنگام شیوع COVID-19 در نظر گرفته می شود. این مدل با مقایسه با تکنیک های موجود ارائه شده در آثار منتشر شده آزمایش می شود. نتایج شبیه سازی نشان می دهد که مدل ELM PGCSA می تواند به عنوان ابزاری مناسب برای پیش بینی قیمت بسته شدن روز بعد در نظر گرفته شود.
واژههای کلیدی: الگوریتم متهوریستی ، دستگاه یادگیری شدید ، پیش بینی شاخص های سهام ، نسبت شارپ اصلاح شده
مقدمه
بورس سهام (SM) مسیری را برای شرکت ها فراهم می کند تا با اجازه تجارت به صورت عمومی که باعث افزایش سرمایه مالی برای گسترش با فروش سهام شرکت در بازار عمومی می شود ، سود کسب کنند. هدف از سرمایه گذاری در SM افزایش درآمد از طریق خرید و نگه داشتن سبد سهام ، صندوق های متقابل ، اوراق قرضه و سایر ابزارها است. در چند دهه گذشته ، سرمایه گذاران و بازرگانان به دلیل عدم تناقض و تغییرات ، ریسک بزرگی را برای سرمایه گذاری در اوراق بهادار سهام تجربه می کنند. ناسازگاری در اس ام اس به دلیل عواملی مانند وضعیت اقتصادی ، فعالیت های سیاسی و پیش بینی معامله گر اتفاق می افتد. از بازار نوسان ، معامله گران همیشه سعی می کنند برای دستیابی به سود مکرر ، از طریق یک بازه زمانی کوچک معاملات انجام دهند. کلید معامله گران سهام برای به دست آوردن حداکثر سود با ریسک کمتر با ایجاد یک ابزار دقیق تصمیم گیری در مورد تجارت با توجه به زمان قابل تصور است. قیمت آینده با دقت بهتر با توجه به الگوهای داده های تاریخی (قیمت و حجم) پیش بینی می شود [1].
بنابراین ، پیش بینی قیمت بسته شدن SM بسیار پویا و غیرخطی بسیار ضروری است. مدل میانگین متحرک یکپارچه (ARIMA) یکپارچه خودکار برای تفسیر داده های سری زمانی و پیش بینی آینده در آن سری استفاده می شود [2]. اما ، این تکنیک متعارف به اندازه کافی برای پیش بینی قیمت SM که حرکات آن تحت تأثیر برخی از عوامل کلان اقتصادی قرار دارد ، کافی نیست [3 ، 4]. سینگ و همکاران.[5] برای بهبود دقت پیش بینی قیمت بازار سهام ، یک مدل Denoise-Arima Wavelet Hybrid را پیشنهاد کرده اند. پیش بینی نزدیک SM به سرمایه گذاران کمک می کند تا مزایای بهتری از SM کسب کنند. در این کار ، مدل ELM بهینه شده برای ضبط تغییرات ساختاری پنهان در فرآیندهای نوسانات بازده نمونه کارها تهیه شده است.
برخی از محققان ابزارهای تصمیم گیری مبتنی بر هوش مصنوعی (AI) و تکنیک های یادگیری عمیق را برای افزایش دقت پیش بینی SM پیشنهاد کرده اند. بوستوس و همکاران[6] یک بررسی مختصر از روش های مختلف اجرا شده برای پیش بینی قیمت بازار سهام ارائه کرده اند. مدل مبتنی بر شبکه عصبی مصنوعی (ANN) به دلیل مزایای آن مانند یادگیری ارگانیک، پردازش غیرخطی داده، تحمل خطا و خودبازبینی، برای پیشبینی SM [7-10] ترجیح داده میشود. شبکه عصبی پیشخور (FFNN) یک شکل ساده از ANN است که زمان محاسباتی بسیار کمتری برای حل مسائل ساده با پیچیدگی کمتر دارد [11]. اثربخشی شبکه عصبی پیشخور عمیق برای پیشبینی قیمت شاخصهای سهام با تحلیل مقایسهای با ANN [12] تحلیل میشود. پرسپترون چندلایه (MLP) یک ANN متقاعد کننده برای استفاده برای رگرسیون است و به اندازه کافی برای پیش بینی قیمت SM کارآمد است [13]. شبکه عصبی انتشار برگشتی (BPNN) نیز برای حل مشکل پیشبینی شاخص SM پیادهسازی شده است [14، 15]. شبکه عصبی کانولوشنال (CNN) یک MLP کاملا متصل است که پیچیدگی محاسباتی کمتری را بدون از بین بردن محتوای داده ها تسهیل می کند. تحلیل بهبود CNN برای پیشبینی پیشبینی قیمت روزانه در [16، 17] مورد مطالعه قرار گرفته است. از چند دهه اخیر، اشکال مختلف ANN در زمینه پیش بینی SM پذیرفته شده است. همه این اشکال ANN الگوریتمهای مبتنی بر گرادیان با محدودیتهای خاص مانند زمان محاسباتی بالا برای آموزش و احتمال به دام افتادن در بهینه محلی مسئله هستند. معضل ANN توسط ماشینهای بردار پشتیبان (SVM) برای پیشبینی دادههای سری زمانی غلبه کرده است [18]. تجزیه و تحلیل مقایسه ای بین SVM و سیستم استنتاج عصبی فازی تطبیقی (ANFIS) از نظر شناسایی ورید انگشت به تصویر کشیده شده است و SVM به عنوان یک تکنیک برتر نسبت به ANFIS با زمان محاسباتی کمتر و طبقه بندی کننده قوی نتیجه گیری می شود [19]. علاوه بر این، کارایی SVM برای پیشبینی قیمت بازار سهام با ادغام نمایش خطی تکهای با تکنیکهای SVM وزنی و تکنیکهای SVM بهینهشده به ترتیب در [20] و [21] بهبود مییابد. حافظه کوتاه مدت بلند مدت (LSTM) برای پیش بینی شاخص سهام از طریق ANN و SVM اعتبار سنجی می شود [22]. هوانگ و همکاران[23] شبکه عصبی تک لایه پنهان (SLFNN) را با عنوان ELM پیشنهاد کرده اند. تنظیم تعداد نورونها و عملکرد فعالسازی ELM ضروری است زیرا وزنهای ورودی و بایاسهای لایه پنهان در طول کار ثابت میشوند.
این خصوصیات ELM باعث افزایش شهرت برای کمک به عملکرد تعمیم بهتر با یادگیری بسیار سریع می شود. چنگ و همکاران.[24] به زیبایی برتری ELM را نسبت به SVM برای پیش بینی نفوذپذیری مخزن نفتی اعطا کرده اند. هوانگ و همکاران.[25] ELM را برای رگرسیون و طبقه بندی در زمینه های مختلف اجرا کرده است. از دهه گذشته ، ELM به طور قابل توجهی برتری نسبت به تکنیک های سنتی در زمینه پیش بینی SM نشان داده شده است [26 ، 27].
برخی از محققان تکنیک های بهینه سازی برای تقویت کارآیی تکنیک های یادگیری ماشین موجود برای پیش بینی SM با دقت برتر در نظر گرفته می شوند. الگوریتم ژنتیکی (GA) مبتنی بر فازی [28] ، SVM [29] ، ANN [30] ، دستگاه بردار پشتیبانی از وزن چند چانل [31] و دستگاه وکتور پشتیبانی از وزن احتمالی (PWSVM) [32] برای پیش بینی قیمت SM ، به شکلی اجرا می شوند. و روند با دقت بهبود یافتههگازی و همکاران.[33] به ترتیب بهینه سازی SWARM ذرات (PSO) ANN و حداقل دستگاه بردار پشتیبانی مربع (LS-SVM) را به ترتیب برای پیش بینی SM بهینه کرده اند. شبکه عصبی مصنوعی پیوند عملکردی محاسباتی کارآمد (CEFLANN) بهینه سازی شده توسط الگوریتم تکامل دیفرانسیل (DE) با عملکرد بهتر برای پیش بینی SM اجرا می شود [34]. صحت پیش بینی شاخص سهام توسط الگوریتم Swarm Fish مصنوعی (AFSA) مبتنی بر شبکه عصبی عملکردی مبتنی بر پایه شعاعی (RBFNN) و شبکه عصبی مبتنی بر بهینه سازی گرگ خاکستری که توسط شن و همکاران ارائه شده است.[35] و چاندر [36]. مشکل پیش بینی قیمت SM با دقت بهبود یافته با اجرای الگوریتم آتش نشانی هرج و مرج (FA) مبتنی بر رگرسیون وکتور پشتیبانی (SVR) [37] و PSO گسسته (DPSO) مبتنی بر شبکه عصبی عملکردی کاملاً پیچیده (FCRBFNN) [38) [38)]. تکامل دیفرانسیل کلونی زنبور عسل ترکیبی (ABC-DE) برای بهینه سازی وزن شبکه عصبی به جلو (FFNN) برای پیش بینی نرخ ارز استفاده می شود [39].
تکنیک های معمولی ممکن است به اندازه کافی کارآمد برای حل عملکرد هدف چند منظوره با ابعاد بالا نباشد. به دلیل انعطاف پذیری و مکانیسم آزاد گرادیان ، تکنیک های متهوریستی بیشتر روشهای ارجح برای مقابله با مشکلات بعد ، غیرخطی ، پیچیده و چندمودی هستند. الگوریتم های مبتنی بر تکاملی مبتنی بر فیزیک ، مبتنی بر ازدحام و طبیعت الهام بخش ترین دسته از الگوریتم های متهوریستی هستند [40]. الگوریتم ژنتیکی (GA) [41] ، تکامل دیفرانسیل (DE) [42] ، الگوریتم جستجوی گرانشی (GSA) [43] ، بهینه سازی swarm ذرات (PSO) [44] ، مستعمره زنبور عسل (ABC) [45] ، بهینه سازی ملخالگوریتم (GOA) [46] و جستجوی ارگانیسم همزیستی (SOS) [47] و غیره مطلوب ترین تکنیک های بهینه سازی تحت این دسته از موارد ذکر شده در بالا هستند. CSA یک الگوریتم متهوریستی اخیر است که توسط Askarzadeh ارائه شده است [48]. این الگوریتم توسط رفتار اجتماعی ارگانیسم سریع و باهوش اکوسیستم به دست می آید. با انجام یک کار تیمی ، کلاغ ها نمونه فوق العاده ای از درخشش را انجام می دهند و نتایج خوبی کسب می کنند. تکنیک های استفاده شده توسط کلاغ ها برای حفظ و شناخت چهره ها بی نظیر است. میزان همگرایی لاغر و احتمال گیر شدن در Optima محلی ، ملاحظاتی است که محققان را برای غلبه بر معضل انگیزه می دهد. نقشه های هرج و مرج در CSA برای غلبه بر این معضل اجرا می شود و بهبود با حل مهندسی و مشکلات محدود به طور مطلوب تحقق می یابد [49 ، 50]."طول پرواز" CSA به طور تکراری سازگار ساخته شده و در مشکل اعزام بار اقتصادی اعمال می شود [51]. هیبریداسیون CSA با الگوریتم های الگوریتم سینین (SCA) با طرح جستجوی خشن (RSS) و الگوریتم سینز (SCA) به منظور افزایش مهارت الگوریتم های فردی تأیید شده است [52 ، 53].
از این نظرسنجی ، تکنیک ELM به عنوان یک تکنیک کافی و تحسین برانگیز برای پیش بینی داده های سری زمانی ایجاد شده است. وزن و تعصب ELM یک جنبه تأثیرگذار برای تقویت عملکرد است. در این مقاله ، یک رویکرد تلاش برای تقویت پتانسیل CSA به عنوان PGCSA معرفی شده است. الگوریتم های CSA و PGCSA برای بهینه سازی وزن و تعصب ELM برای پیش بینی قیمت پیام کوتاه مختلف استفاده می شود. PGCSA ELM با کمک به تجزیه و تحلیل مقایسه ای خوب با برخی از تکنیک های مقاله MLP ، GARCH-DAN2 و BNNMAS به عنوان یک تکنیک برتر نتیجه گرفته می شود [10 ، 54].
کمک های مقاله به شرح زیر است:
ELM بهینه شده (با وزن و تعصب بهینه شده) برای پیش بینی قیمت هفت بازار سهام مجزا پیشنهاد شده است.