شبکه‌های یادگیری عمیق برای تحلیل بازار سهام و پیش‌بینی : روش‌شناسی ، نمایش داده‌ها و مطالعات موردی

Elsevier
سال انتشار :
2017
تعداد صفحات مقاله انگلیسی :
19
نشریه :
الزویر
تعداد رفرنس ها :
78
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
Stock market prediction Deep learning Multilayer neural network Covariance estimation
کلمات کلیدی :
پیش بینی بازار بورس، یادگیری عمیق، شبکه عصبی چند لایه، برآورد کوواریانس
عنوان فارسی :

شبکه‌های یادگیری عمیق برای تحلیل بازار سهام و پیش‌بینی : روش‌شناسی ، نمایش داده‌ها و مطالعات موردی

عنوان انگلیسی :

Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies

ژورنال :
Expert Systems with Applications
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S0957417417302750
آدرس DOI :
https://doi.org/10.1016/j.eswa.2017.04.030
وضعیت ترجمه :
انجام نشده.

سال انتشار : 2017

تعداد صفحات مقاله انگلیسی : 18

نشریه : الزویر

تعداد رفرنس ها : 78

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : Stock market prediction Deep learning Multilayer neural network Covariance estimation

کلمات کلیدی : پیش بینی بازار بورس، یادگیری عمیق، شبکه عصبی چند لایه، برآورد کوواریانس

عنوان فارسی : شبکه‌های یادگیری عمیق برای تحلیل بازار سهام و پیش‌بینی : روش‌شناسی ، نمایش داده‌ها و مطالعات موردی

عنوان انگلیسی : Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S0957417417302750



چکیده انگلیسی
We offer a systematic analysis of the use of deep learning networks for stock market analysis and prediction. Its ability to extract features from a large set of raw data without relying on prior knowledge of predictors makes deep learning potentially attractive for stock market prediction at high frequencies. Deep learning algorithms vary considerably in the choice of network structure, activation function, and other model parameters, and their performance is known to depend heavily on the method of data representation. Our study attempts to provides a comprehensive and objective assessment of both the advantages and drawbacks of deep learning algorithms for stock market analysis and prediction. Using high-frequency intraday stock returns as input data, we examine the effects of three unsupervised feature extraction methods—principal component analysis, autoencoder, and the restricted Boltzmann machine—on the network’s overall ability to predict future market behavior. Empirical results suggest that deep neural networks can extract additional information from the residuals of the autoregressive model and improve prediction performance; the same cannot be said when the autoregressive model is applied to the residuals of the network. Covariance estimation is also noticeably improved when the predictive network is applied to covariance-based market structure analysis. Our study offers practical insights and potentially useful directions for further investigation into how deep learning networks can be effectively used for stock market analysis and prediction.

چکیده فارسی
ما یک تحلیل سیستماتیک از استفاده از شبکه های یادگیری عمیق برای تجزیه و تحلیل و پیش بینی بازار سهام ارائه می کنیم. توانایی آن برای استخراج ویژگی از مجموعه ای از داده های خام بدون تکیه بر دانش قبلی از پیش بینی ها، یادگیری عمیق را به طور بالقوه برای پیش بینی بازار سهام در فرکانس های بالا جذاب می کند. الگوریتم های یادگیری عمیق در انتخاب ساختار شبکه، تابع فعال سازی و سایر پارامترهای مدل، قابل توجهی دارند و عملکرد آنها به شدت به روش نمایش داده بستگی دارد. در این مطالعه تلاش می شود که یک ارزیابی جامع و عینی از مزایا و معایب الگوریتم های یادگیری عمیق برای تحلیل و پیش بینی بازار سهام ارائه شود. با استفاده از داده های ورودی به روزهای سهام روزانه روزانه با فرکانس بالا، اثرات سه روش استخراج ویژگی های غیرقابل کنترل، تجزیه و تحلیل مولفه اصلی، رمزگذار خودکار و ماشین محدود بولتزمن را بر توانایی کلی شبکه برای پیش بینی رفتار بازار آینده بررسی می کنیم. نتایج تجربی نشان می دهد که شبکه های شبکهای عمیق می توانند اطلاعات اضافی از بقیه مدل های خودگردان را استخراج و بهبود عملکرد پیش بینی را افزایش دهند؛ همانطور که می دانید، مدل خودکار رگرسیون در مورد مجدد شبکه اعمال می شود. برآورد کوواریانس نیز به طور قابل ملاحظه ای بهبود می یابد زمانی که شبکه پیش بینی شده به تجزیه و تحلیل ساختار بازار مبتنی بر کواریانس اعمال می شود. مطالعه ما بینش عملی و جهت گیری بالقوه مفید را برای بررسی بیشتر در مورد چگونگی استفاده از شبکه های یادگیری عمیق برای تجزیه و تحلیل و پیش بینی بازار سهام ارائه می دهد.





مشاهده فایل pdf مقاله :