نوع مقاله : مقاله پژوهشی
نویسندگان
1 گروه مدیریت، موسسه آموزش عالی ارشاد دماوند، تهران، ایران.
2 دانشکده اقتصاد، دانشگاه علامه طباطبایی، تهران، ایران.
3 دانشکده حسابداری مدیریت و اقتصاد، دانشگاه پیام نور، تهران ایران.
4 دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران.
چکیده
در این تحقیق به منظور پیش‌بینی داده های سری زمانی مالی با استفاده از شبکه عصبی حافظه کوتاه و بلند مدت ماندگا تاثیر روش های مختلف پیش‌پردازش داده ها با همدیگر مقایسه شده است. در روش اول داده های مربوط به 78 اندیکاتور تکنیکال به الگوریتم تحلیل مولفه های اولیه داده شده و با استفاده از خروجی های آن، مدل پیش‌بینی پیاده سازی شده است. در روش دوم به جای استخراج مؤلفه های موثر، برای انتخاب موثر ترین متغیر ها از الگوریتم جنگل تصادفی استفاده شد. در آزمایشی دیگر از متغیر های تولید شده توسط استراتژی های تکنیکال برای توسعه الگوریتم پیش‌بینی استفاده شده است. در نهایت با استفاده از مدل یادگیری عمیق سری زمانی تغذیه شده توسط وقفه های متغیر وابسته، یک بار با کمک موجک و نوفه زدایی و بار دیگر بدون موجک پیش‌بینی انجام شده است. نتایج حاصل شده از توابع متعدد سنجش خطا از جمله MSE, MAE, MAPE و نیکویی برازش بر روی داده های آزمون نشان داد که مدل یادگیری عمیق به همراه موجک بهترین پیش‌بینی را بر روی شاخص بورس تهران ارائه داده اند. در نهایت آزمون دیابود ماریانو نشان داد که اختلاف دقت روش های مقایسه شده در این تحقیق از حیث آماری معنی دار میباشد. به طور خلاصه این تحقیق نشان داد که با وجود این که مدل های یادگیری عمیق توان خوبی برای استخراج دانش از میان داده های سری زمانی مربوط به شاخص بورس تهران را دارند، این عملکرد را با استفاده از تکنیک نوفه زدایی موجک بهبود بخشیده می شود.
کلیدواژه‌ها
موضوعات
comparison of GMDH and RBF artificial neural networks in forecasting
consumption of petroleum products in the agricultural sector. Iranian
Journal of Economic Studies, 8(1), 91-105.
Barbulescu, R. (2014). Remus gabriel anghel (2013), Romanians in Western
Europe. Migration, status dilemmas, and transnational connections [Book
Review]. Central and Eastern European Migration Review, 2.
Chang, Z., Zhang, Y., & Chen, W. (2019). Electricity price prediction based on
hybrid model of adam optimized LSTM neural network and wavelet
transform. Energy, 187, 115804.
Chen, Y., & Hao, Y. (2018). Integrating principle component analysis and
weighted support vector machine for stock trading signals prediction.
Neurocomputing, 321, 381-402.
Cipiloglu Yildiz, Z., & Yildiz, S. B. (2020). A portfolio construction framework
using LSTM-based stock markets forecasting. International Journal of
Finance & Economics, n/a(n/a).
Coakley, J., Marzano, M., & Nankervis, J. (2016). How profitable are FX
technical trading rules? International Review of Financial Analysis, 45, 273-
282. doi:https://doi.org/10.1016/j.irfa.2016.03.010
Eric, D., Andjelic, G., & Redzepagic, S. (2009). Application of MACD and RVI
indicators as functions of investment strategy optimization on the financial
market. Zbornik Radova Ekonomskog Fakultet au Rijeci, 27.
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical
work. The Journal of Finance, 25(2), 383-417.
Fama, E. F., & Blume, M. E. (1966). Filter rules and stock-market trading. The
Journal of Business, 39(1), 226-241. Retrieved from
http://www.jstor.org/stable/2351744.
Fernández-Rodrı́guez, F., González-Martel, C., & Sosvilla-Rivero, S. (2000). On
the profitability of technical trading rules based on artificial neural networks:
Evidence from the Madrid stock market. Economics Letters, 69(1), 89-94.
Fifield, S., Power, D., & Sinclair, C. D. (2005). An analysis of trading strategies
in eleven European stock markets. The European Journal of Finance, 11(6),
531-548. Retrieved from
https://EconPapers.repec.org/RePEc:taf:eurjfi:v:11:y:2005:i:6:p:531-548.
Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory
networks for financial market predictions. European Journal of Operational
Research, 270(2), 654-669.
Gehrig, T., & Menkhoff, L. (2006). Extended evidence on the use of technical
analysis in foreign exchange. International Journal of Finance & Economics,
11(4), 327-338.
)