مطالعه در مورد پیش بینی قیمت سهام بر اساس مدل شبکه مرتبط LSTM

بورس اوراق بهادار توجه گسترده ای را از سوی سرمایه گذاران به خود جلب کرده است. این همیشه یک مکان داغ برای سرمایه گذاران و شرکت های سرمایه گذاری بوده است که تغییر منظم بازار سهام را درک کرده و روند آن را پیش بینی می کنند. در حال حاضر ، روش های زیادی برای پیش بینی قیمت سهام وجود دارد. روشهای پیش بینی تقریباً به دو دسته تقسیم می شوند: روشهای آماری و روشهای هوش مصنوعی. روشهای آماری شامل مدل رگرسیون لجستیک ، مدل قوس ، و غیره است. روشهای هوش مصنوعی شامل Perceptron چند لایه ، شبکه عصبی حلقوی ، شبکه Bayes ساده لوح ، شبکه انتشار پشت ، LSTM تک لایه ، دستگاه بردار پشتیبانی ، شبکه عصبی مکرر و غیره است. مطالعات فقط یک مقدار واحد را پیش بینی می کند. به منظور پیش بینی مقادیر متعدد در یک مدل ، باید مدلی را طراحی کند که بتواند چندین ورودی را کنترل کند و همزمان مقادیر خروجی چندگانه را تولید کند. برای این منظور ، یک مدل شبکه عصبی مکرر عمیق با ورودی های متعدد و خروجی های متعدد بر اساس شبکه حافظه کوتاه مدت طولانی ارائه شده است. مدل شبکه مرتبط می تواند قیمت افتتاح ، کمترین قیمت و بالاترین قیمت سهام را همزمان پیش بینی کند. مدل شبکه مرتبط با مدل شبکه LSTM و مدل شبکه عصبی مکرر عمیق مقایسه شد. آزمایشات نشان می دهد که صحت مدل مرتبط در پیش بینی مقادیر متعدد به طور همزمان نسبت به دو مدل دیگر برتر است و دقت پیش بینی آن بیش از 95 ٪ است.

روی نسخه خطی کار می کنید؟

1. معرفی

بورس اوراق بهادار توجه گسترده ای را از سوی سرمایه گذاران به خود جلب کرده است. نحوه درک منظم در حال تغییر بازار سهام و پیش بینی روند قیمت سهام همیشه یک مکان داغ برای سرمایه گذاران و محققان بوده است. افزایش و سقوط قیمت سهام تحت تأثیر عوامل بسیاری از قبیل سیاست ، اقتصاد ، جامعه و بازار است. برای سرمایه گذاران سهام ، پیش بینی روند بازار سهام مستقیماً با کسب سود مرتبط است. هرچه پیش بینی دقیق تر باشد ، می تواند از خطرات جلوگیری کند. برای شرکت های ذکر شده ، قیمت سهام نه تنها منعکس کننده شرایط عملیاتی شرکت و انتظارات توسعه آینده بلکه یک شاخص فنی مهم برای تجزیه و تحلیل و تحقیقات شرکت است. تحقیقات پیش بینی سهام همچنین نقش مهمی در تحقیقات توسعه اقتصادی یک کشور دارد. بنابراین ، تحقیقات در مورد ارزش ذاتی و پیش بینی بازار سهام دارای اهمیت نظری و چشم انداز گسترده ای است.

هدف اصلی این مقاله طراحی یک مدل شبکه عمیق برای پیش بینی همزمان قیمت افتتاح ، کمترین قیمت و بالاترین قیمت سهام در روز بعد با توجه به قیمت تاریخی سهام و سایر داده های پارامتر فنی است. بنابراین ، این یک مدل شبکه عصبی مکرر مبتنی بر LSTM برای پیش بینی سه مقدار مرتبط ارائه شده است (بنابراین به آن مدل شبکه عصبی مرتبط گفته می شود و به عنوان مدل خالص همراه به طور خلاصه). مدل خالص مرتبط با شبکه عصبی مکرر عمیق مبتنی بر LSTM و LSTM مقایسه می شود و با مقایسه دقت سه مدل ، امکان سنجی مدل را تأیید می کند.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 وضعیت تحقیق پیش بینی قیمت سهام را معرفی می کند. بخش 3 طراحی مدل مدل شبکه عصبی مرتبط را معرفی می کند. بخش 4 طراحی الگوریتم و پارامترهای تجربی را شرح می دهد. بخش 5 مجموعه داده های تجربی ، نتایج تجربی و تجزیه و تحلیل نتایج را معرفی می کند. بخش 6 مقاله را نتیجه می گیرد.

2 اثر مرتبط

بسیاری از تحقیقات مرتبط در مورد پیش بینی قیمت سهام وجود دارد. برای ساختن یک مدل رگرسیون از داده های سهام تاریخی و پیش بینی روند سهام ، از دستگاه های بردار پشتیبانی استفاده شد [1]. از الگوریتم بهینه سازی Swarm ذرات برای بهینه سازی پارامترهای دستگاه بردار پشتیبانی استفاده می شود ، که می تواند مقدار سهام را به شدت پیش بینی کند [2]. این مطالعه روش دستگاه بردار پشتیبانی را بهبود می بخشد ، اما الگوریتم بهینه سازی swarm ذرات برای محاسبه نیاز به مدت زمان طولانی دارد. LSTM با روش ساده لوح بیزی برای استخراج عوامل احساسات بازار برای بهبود عملکرد پیش بینی ترکیب شد [3]. از این روش می توان برای پیش بینی بازارهای مالی در مقیاس های زمانی کاملاً متفاوت با متغیرهای دیگر استفاده کرد. مدل تجزیه و تحلیل عاطفی یکپارچه با مدل یادگیری سری زمانی LSTM برای به دست آوردن یک مدل سری زمانی قوی برای پیش بینی قیمت باز سهام ، و نتایج نشان داد که این مدل می تواند دقت پیش بینی را بهبود بخشد [11]. JIA [12] در مورد اثربخشی LSTM برای پیش بینی قیمت سهام بحث کرد و مطالعه نشان داد که LSTM یک روش مؤثر برای پیش بینی سود سهام است. Denoising موجک در زمان واقعی با شبکه LSTM برای پیش بینی شاخص سهام آسیای شرقی ترکیب شد ، که برخی از نقص های منطقی را در مطالعات قبلی اصلاح می کرد [13]. در مقایسه با LSTM اصلی ، این مدل ترکیبی با دقت پیش بینی بالا و خطای رگرسیون کوچک بسیار بهبود یافته است. از روش کیسه سازی برای ترکیب چندین روش شبکه عصبی برای پیش بینی شاخص سهام چینی (از جمله شاخص کامپوزیت شانگهای و شاخص مؤلفه شنژن) استفاده شد. دارای دقت متفاوتی برای پیش بینی شاخص سهام مختلف است ، اما پیش بینی در نزدیکی رضایت بخش نیست. از روش تکاملی برای پیش بینی روند تغییر قیمت سهام استفاده شد [5]. از شبکه اعتقاد عمیق با انعطاف پذیری ذاتی برای پیش بینی سری زمان قیمت سهام استفاده شد [6]. برای پیش بینی روند قیمت سهام از شبکه عصبی Convolutional استفاده شد [7]. یک مدل شبکه عصبی چند لایه رو به جلو برای پیش بینی قیمت سهام در آینده با استفاده از یک روش ترکیبی ترکیبی از متغیرهای تحلیل فنی و متغیرهای تجزیه و تحلیل اساسی شاخص های بازار سهام و الگوریتم BP ایجاد شده است [8]. نتایج نشان می دهد که این روش در پیش بینی قیمت سهام روزانه نسبت به روش تجزیه و تحلیل فنی از دقت بالاتری برخوردار است.

یک فناوری Computig نرم موثر برای بورس سهام داکا (DSE) طراحی شده است تا قیمت بسته شدن DSE را پیش بینی کند [9]. آزمایش مقایسه با شبکه عصبی مصنوعی و سیستم استدلال فازی عصبی تطبیقی نشان می دهد که این روش مؤثرتر است. الگوریتم کلونی زنبور مصنوعی با تبدیل موجک و شبکه عصبی مکرر برای پیش بینی قیمت سهام ترکیب شد. بسیاری از شاخص های بین المللی سهام برای ارزیابی ، از جمله میانگین صنعتی داو جونز (DJIA) ، شاخص London FTSE 100 (FTSE) ، شاخص توکیو Nikkei-225 (NIKKEI) و شاخص سرمایه گذاری بورس اوراق بهادار تایوان (TAIEX) شبیه سازی شدند. نتایج شبیه سازی نشان می دهد که این سیستم عملکرد پیش بینی خوبی دارد و می تواند در سیستم معاملاتی در زمان واقعی پیش بینی سهام اعمال شود.

از یک مدل بلندگو چند هشتم مبتنی بر RNN-LSTM در زمینه تشخیص گفتار استفاده شد [14]. نتایج تجربی نشان می دهد که این مدل بهتر از یک مدل بلندگو و تنظیم دقیق تحت زیرساخت ها هنگام افزودن شاخه های خروجی جدید است. به دست آوردن یک مدل خروجی جدید نه تنها باعث کاهش مصرف حافظه می شود بلکه بهتر از آموزش یک مدل بلندگو جدید است. یک مدل شبکه عصبی چند هسته ای چند هسته ای (MIMO-NET) برای تقسیم سلولی تصاویر میکروسکوپ فلورسانس طراحی شده است [15]. نتایج تجربی نشان می دهد که این روش برتر از پیشرفته ترین روش تقسیم بندی یادگیری عمیق است.

با الهام از تحقیقات فوق ، با توجه به اینکه برخی از پارامترها و شاخص های سهام با یکدیگر در ارتباط هستند ، لازم است یک مدل شبکه عصبی مرتبط با چند ارزش طراحی شود که بتواند چندین قیمت مرتبط با همان سهام را تحمل کند و این پارامترها و شاخص ها را خروجی کند. همزمان. برای این منظور ، یک مدل شبکه عصبی مرتبط بر اساس شبکه مکرر عمیق LSTM ارائه شده است که توسط داده های تاریخی و برای پیش بینی قیمت افتتاح ، کمترین قیمت و بالاترین قیمت سهام در روز بعد تأسیس می شود.

3 طراحی مدل

3. 1 شبکه حافظه کوتاه مدت بلند مدت

شبکه حافظه کوتاه مدت طولانی (LSTM) یک شکل خاص از شبکه عصبی مکرر (RNN) است که اصطلاح کلی یک سری از شبکه های عصبی است که قادر به پردازش داده های متوالی هستند. LSTM یک ساختار شبکه ویژه با سه ساختار "دروازه" است (در شکل 1 نشان داده شده است). سه دروازه در یک واحد LSTM قرار می گیرد که به نام دروازه ورودی ، دروازه و دروازه خروجی را فراموش می کند. در حالی که اطلاعات وارد شبکه LSTM می شوند ، می توان آن را با قوانین انتخاب کرد. فقط اطلاعات مربوط به الگوریتم باقی می ماند و اطلاعاتی که مطابقت ندارد از طریق دروازه فراموشی فراموش می شود.

$$ sigma left(> ight) = frac>> $$>>$ $ tanh ؛ (x) = frac - e^< x>>> $$+ e^_{دروازه فراموشی شبکه عصبی LSTM تعیین می کند که چه اطلاعاتی باید دور ریخته شود ، که H را می خواند}t - 1_{و x}حرف_{دروازه فراموشی شبکه عصبی LSTM تعیین می کند که چه اطلاعاتی باید دور ریخته شود ، که H را می خواند}t - 1

$$ mathop f olimits_>مقدار 0-1. معادله 3 روش محاسبه فراموشی احتمال را نشان می دهد<mathop W olimits_cdot left[ <mathop h olimits_,mathop x olimits_> ight] + mathop b olimits_>= Sigma سمت چپ (

درست) $ $_{جایی که ساعت}t - 1_{و x}حرف

ورودی نورون فعلی است. ( sigma ) عملکرد سیگموئید است.<hat> olimits_>دروازه ورودی تعیین می کند که چه مقدار اطلاعات جدید به حالت نورون اضافه می شود. ابتدا ، لایه ورودی حاوی عملکرد فعال سازی سیگموئید تعیین می کند که کدام اطلاعات باید به روز شوند ، و سپس یک لایه Tanh بردارهای کاندیدای تولید کننده را تولید می کند ( Mathop

$$ mathop C olimits_>) ، همانطور که در Eq نشان داده شده است ، به روزرسانی در وضعیت نورون انجام می شود. 4<hat> olimits_> $$

where the calculation methods of ( mathop i olimits_>= mathop f nolimits_ * mathop c nolimits_ + mathop i nolimits_ * mathop<hat> olimits_>) و ( mathop

) در معادلات نشان داده شده است. 5 و 6<hat> olimits_>$ $ Mathop<mathop W olimits_cdot left[ <mathop h olimits_,mathop x olimits_> ight] + mathop b olimits_>= Sigma سمت چپ (

درست) $ $

$$ mathop o olimits_>مقدار 0-1. معادله 3 روش محاسبه فراموشی احتمال را نشان می دهد<mathop W olimits_cdot left[ <mathop h olimits_,mathop x olimits_> ight] + mathop b olimits_>= Sigma سمت چپ ( $$ mathop h olimits_> درست) $ $<mathop C olimits_>>= Sigma سمت چپ ( درست) $ $

3. 2 شبکه عصبی مکرر عمیق

یک شبکه عصبی مکرر عمیق مبتنی بر LSTM (DRNN) نوعی از شبکه عصبی مکرر است. برای تقویت قدرت بیانگر مدل ، بدن حلقه در هر لحظه می تواند بارها تکرار شود. همانطور که در شکل 2 نشان داده شده است ، نمودار ساختار شبکه عصبی مکرر عمیق ارائه شده است.

شبکه عصبی مکرر عمیق از LSTM تشکیل شده است ، بنابراین مکانیسم عملکرد آن همان LSTM است. در طی فرآیند ساخت مدل کار ، از روش ترک تحصیل استفاده شد. ترک تحصیل به دور انداختن موقت واحد شبکه عصبی از شبکه با توجه به احتمال خاص در طول آموزش شبکه یادگیری عمیق ، که وسیله ای برای جلوگیری از تناسب بیش از حد است ، اشاره دارد. اصل عملکرد ترک تحصیل این است که نورون های موجود در هر لایه به طور تصادفی با احتمال P در یک تکرار آموزش حذف می شوند و داده های موجود در این تکرار با شبکه متشکل از نورونهای باقیمانده (1 - P)*n آموزش داده می شوند ، بنابراین کاهش می یابدمشکل بیش از حد مناسبمدل شبکه عصبی بدون ترک تحصیل در شکل 2A نشان داده شده است ، B مدل شبکه عصبی با ترک تحصیل است.

مدل شبکه عصبی مکرر مبتنی بر LSTM با لایه ترک تحصیل به عنوان مدل کنتراست برای تأیید امکان و کاربرد مدل شبکه عصبی مرتبط پیشنهادی استفاده شد. ساختار شبکه عصبی مکرر عمیق مبتنی بر LSTM در شکل 3 نشان داده شده است.

3. 3 مدل شبکه عصبی مرتبط

از آنجا که قیمت افتتاح روزانه ، کمترین قیمت و بالاترین قیمت سهام با یکدیگر همراه است و قیمت افتتاح ، کمترین قیمت و بالاترین قیمت به ترتیب توسط شبکه های مختلف به طور کلی پیش بینی می شود ، ارتباط بین یکدیگر از هم جدا می شوند. بنابراین ، بر اساس شبکه عصبی مکرر عمیق ، یک مدل ساختاری از شبکه عصبی مرتبط با چند ارزش (شبکه مرتبط) بر اساس LSTM طراحی شده است ، در شکل 4 نشان داده شده است.

جریان پردازش داده خاص مدل شبکه عصبی مرتبط با چند ارزش در شکل 5 نشان داده شده است. داده ها از طریق لایه ورودی به هر سه شاخه به طور همزمان. این سه شاخه قیمت افتتاح ، کمترین قیمت و بالاترین قیمت را به ترتیب پیش بینی می کنند. در بازار سهام چین ، حداکثر نوسان قیمت سهام تنها 10 ٪ است. از این رو مدل بازده شاخه سمت چپ (قیمت افتتاحیه) و خروجی شبکه LSTM شاخه دوم را به عنوان داده های پارامتر ورودی کمترین قیمت پیش بینی شده نوترکیب می کند و بالاترین قیمت منوط به قیمت افتتاح روز است ،تأثیر کمترین قیمت ، بنابراین خروجی شاخه سمت چپ (قیمت باز) و خروجی شاخه میانی (کمترین قیمت) و خروجی شبکه LSTM شاخه سوم بالاترین قیمت پیش بینی داده جدید را تشکیل می دهد._{در مرحله آموزش مدل ، کل ضرر L}جمع

$$>_> = fracsumlimits_^> $$به عنوان عملکرد ارزیابی استفاده می شود و هدف این است که حداقل مقدار را بدست آورید. روش محاسبه از دست دادن کل در Eq نشان داده شده است. 9

4 طراحی الگوریتم و آزمایش

$$>از روش رگرسیون برای پیش بینی یک مقدار خاص استفاده می شود ، که یک دسته از پیش تعریف شده نیست ، بلکه یک عدد واقعی دلخواه است. مشکل رگرسیون به طور کلی فقط یک خروجی دارد و خروجی مقدار پیش بینی کننده است. عملکرد از دست دادن مورد استفاده در مشکلات رگرسیون معمولاً میانگین خطای مربع (MSE) است (معادله 10). این انتظار از مربع تفاوت بین پارامتر تخمین زده شده و پارامتر واقعی است. MSE می تواند میزان تغییر عملکرد را ارزیابی کند. هرچه مقدار MSE کوچکتر باشد ، دقت مدل پیش بینی توصیف داده های تجربی بهتر می شود. بنابراین ، در مرحله آموزش ، از MSE به عنوان معیار برای اندازه گیری کیفیت یک مدل شبکه استفاده می شود<prime> ؛ (y ، y^<left( > ight)^>>> $$) = frac^

4. 1 الگوریتم

یادگیری عمیق اغلب برای آموزش نیاز به زمان و منابع محاسباتی زیادی دارد. برای یافتن یک الگوریتم بهینه سازی که به منابع کمتری نیاز دارد و سرعت همگرایی سریع تری دارد ، لازم است. الگوریتم بهینه سازی ADAM یک الگوریتم نزول شیب تصادفی است و در حل مسئله بهینه سازی غیر کنفکس مزایای زیادی دارد._{در مرحله آموزش مدل ، کل ضرر L}جمع

به عنوان عملکرد ارزیابی استفاده می شود. مقادیر چندگانه مرتبط با چارچوب الگوریتم مدل شبکه عصبی همانطور که در شکل 6 نشان داده شده است ، اولین داده های توالی ورودی به مدل خالص مرتبط ، شامل سه شبکه DRNN در مدل خالص مرتبط است. هر شبکه DRNN ضرر ایجاد می کند و مبلغ ضرر این سه شبکه DRNN ضرر کل است. سپس از الگوریتم ADAM برای بهینه سازی کل ضرر استفاده می شود. هنگامی که تعداد تکرارها به تعداد مشخصی از تکرارها در مدل نرسید ، آموزش همچنان به کاهش کل ضرر ادامه می یابد ، در غیر این صورت آموزش متوقف می شود.

4. 2 تنظیم پارامتر

یک پارامتر از اندازه مرحله در ورودی شبکه عصبی LSTM وجود دارد که به این معنی است که چه تعداد داده های تاریخی را به عنوان مرجع برای پیش بینی قیمت فعلی به یاد می آورند. به منظور استفاده از اندازه مرحله نسبتاً خوب در آزمایش مدل مرتبط با چند ارزش ، یک آزمایش مقایسه با داده های نمونه 6112 ، در اندازه مرحله 5 ، 10 ، 20 و 30 و با تعداد تکرار 50 انجام می شود. نمودارهای تغییر از دست دادن در شکل نشان داده شده است. 7 ، 8 ، 9 و 10 به طور جداگانه.

با توجه به نمودار تغییر از دست دادن در اندازه مرحله 5 ، 10 ، 20 و 30 ، مشخص شده است که از دست دادن در اندازه مرحله 10 و 20 سریعترین را کاهش می دهد و در نهایت به حالت پایدار می رسد. با مقایسه میانگین ضرر همانطور که در جدول 1 نشان داده شده است ، مشخص می شود که میانگین ضرر در اندازه پله پنج کمترین است. میانگین از دست دادن در اندازه مرحله 20 با ضرر در اندازه مرحله با 0. 0014901 متفاوت است (در جدول 1 نشان داده شده است). با توجه به نمودار تغییر از دست دادن و میانگین از دست دادن جامع ، 20 به عنوان اندازه مرحله در مدل انتخاب می شود.

به منظور تأیید جهانی بودن مدل ، از داده های تاریخی دو سهام پتروچینا و ZTE برای تأیید جهانی بودن مدل استفاده می شود. نتایج تجربی در شکل نشان داده شده است. 14 و 15. ترکیب شکل 13 با جدول 5 ، نتیجه گرفته می شود که این مدل متناسب با داده های پتروچینا بهتر است. نتیجه مناسب بودن داده های ZTE در ابتدا نسبتاً ضعیف است ، اما به تدریج بهتر می شود. در پایان ، میانگین از بین رفتن میانگین خطای مربع مشابه شد. از طریق آزمایشات ، مشخص می شود که هرچه داده های آموزش بیشتر باشد ، اثر مناسب مدل بهتر می شود. علاوه بر این ، در حالی که تعداد تکرارهای آموزش مدل به طور مناسب افزایش یافته و از دست دادن مدل به تدریج کاهش می یابد. نتایج فوق به دلایل زیر است.

مدل شبکه آموزش دیده پتروچاینا و ZTE با مجموعه داده های آزمایشی دو سهام مورد آزمایش قرار گرفت. نتایج آزمایش در شکل نشان داده شده است. 19 و 20. در ترکیب با شکل 18، مشخص شد که در سه مجموعه داده به خوبی جا می شود. از داده های جدول 7، مشخص شده است که میانگین دقت پیش بینی ZTE به خوبی دو سهام دیگر نیست. با این حال، دقت سه مدل بالای 95٪ است و نتایج آزمایش با حدس های قبلی مطابقت دارد. بنابراین، مدل خالص مرتبط می تواند چندین مقدار مرتبط را به طور همزمان پیش بینی کند و تفاوت بین مقدار پیش بینی شده و مقدار واقعی کم است.

6. نتیجه گیری

در این مقاله، یک مدل شبکه چند ارزشی از شبکه عصبی عمیق بازگشتی مبتنی بر LSTM (شبکه مرتبط) برای پیش بینی قیمت های چند سهام به طور همزمان پیشنهاد شده است. ساختار مدل، چارچوب الگوریتم و طراحی آزمایش ارائه شده است. امکان سنجی و دقت شبکه مرتبط با مقایسه مدل با مدل شبکه LSTM و مدل شبکه عصبی عمیق عود کننده LSTM تأیید می شود. مجموعه داده های چندگانه برای تأیید کاربرد مدل شبکه مرتبط استفاده شد. آزمایش ها نشان می دهند که میانگین دقت مدل شبکه مرتبط نه تنها از دو مدل دیگر بهتر است. علاوه بر این، می تواند چندین مقدار را به طور همزمان پیش بینی کند و میانگین دقت هر مقدار پیش بینی شده بیش از 95٪ است. اگرچه این مدل به اثر خوبی دست می یابد، هنوز برخی از جنبه ها وجود دارد که می توان آنها را بهبود بخشید. به عنوان مثال از الگوریتم میانگین حسابی ساده در محاسبه زیان کل در مرحله تمرین استفاده می شود و هدف بهینه سازی مدل با کاهش تلفات کل است. این روش محاسبه ضرر، رابطه بین هر زیان فرعی و همچنین برخی از جزئیات را در زمانی که زیان کل حداقل است، در نظر نمی گیرد، مانند وضعیت شدید هر زیان فرعی و نوسان در روند کاهش ضرر. در مرحله بعد کاهش ابعاد پارامترهای ورودی و بهینه سازی روش محاسبه تلفات را برای بهبود میانگین دقت مدل مطالعه می کنیم.

1. منابع
2. Xia Y, Liu Y, Chen Z (2013) از رگرسیون برداری برای پیش بینی روند سهام پشتیبانی می کند. 6th Int Conf Inf Manag Iov Manag Ind Eng (ICIII) 2:123 126 Google Scholar
3. Sands TM، Tayal D، Morris ME، Monteiro ST (2015) پیش بینی ارزش سهام قوی با استفاده از ماشین های بردار پشتیبان با بهینه سازی ازدحام ذرات. کنگره محاسبات تکاملی (CEC)، صفحات 3327-3331
4. لی جی، بو اچ، وو جی (2017) پیش بینی بازار سهام آگاه از احساسات: یک روش یادگیری عمیق. در: IEEE: 2017 کنفرانس بین المللی سیستم های خدمات و مدیریت خدمات، صفحات 1-6
5. Yang B, Gong Z-J, Yang W (2017) پیش بینی شاخص بازار سهام با استفاده از مجموعه شبکه عصبی عمیق. در: سی و ششمین کنفرانس کنترل چین (CCC)، صفحات 3882-3887
6. Tsai Y-C، Hong C-Y (2017) کاربرد رویکرد تکاملی برای آگاهی از روند سهام. در: IEEE: IEEE هشتمین کنفرانس بین المللی علم و فناوری آگاهی (iCAST)، صفحات 306-311
7. Li X, Yang L, Xue F, Zhou H (2017) پیش بینی سری زمانی قیمت سهام با استفاده از شبکه های باور عمیق با انعطاف پذیری ذاتی. در: IEEE: 2017 بیست و نهمین کنفرانس کنترل و تصمیم چین (CCDC)، صفحات 1237-1242
8. Gudelek MU، Boluk SA، Ozbayoglu M (2017) یک مدل معاملات سهام مبتنی بر یادگیری عمیق با تشخیص روند CNN دو بعدی. در: IEEE: 2017 سری سمپوزیوم IEEE در مورد هوش محاسباتی (SSCI)، صفحات 1-8
9. Adebiyi AA، Ayo KC، Adebiyi MO، Otokiti SO (2012) پیش بینی قیمت سهام با استفاده از شبکه عصبی با شاخص های بازار ترکیبی. J Emerg Trends Comput Inf Sci 1(3):1-9 Google Scholar
10. Billah M, Waheed S, Hanifa A (2015) پیش بینی قیمت سهام بسته شدن با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی تطبیقی: مورد تبادل داکا. Int J Comput Appl 11(129):975 8887 Google Scholar
11. Hsieh TJ، Hsiao HF، Yeh WC (2011) پیش بینی بازارهای سهام با استفاده از تبدیل موجک و شبکه های عصبی مکرر: یک سیستم یکپارچه مبتنی بر الگوریتم کلونی زنبورهای مصنوعی. Appl Soft Comput J 2(11):2510 2525 ArticleGoogle Scholar
12. Zhuge Q، Xu L، Zhang G (2017) شبکه عصبی LSTM با تحلیل احساسی برای پیش بینی قیمت سهام. Eng Lett 2(25):167-175 Google Scholar
13. Jia H (2016) بررسی اثربخشی شبکه های حافظه کوتاه مدت برای پیش بینی قیمت سهام. arXiv [cs. NE]، pp 1-6
14. Li Z، Tam V (2017) ترکیبی از نویز زدایی موجک در زمان واقعی و شبکه عصبی حافظه کوتاه مدت برای پیش بینی شاخص های سهام. در: IEEE: 2017 سری سمپوزیوم IEEE در مورد هوش محاسباتی (SSCI)، صفحات 1-8
15. Pascual S, Bonafonte A (2016) RNN-LSTM چند خروجی برای سنتز و انطباق گفتار چند گوینده. در: IEEE: 2016 بیست و چهارمین کنفرانس پردازش سیگنال اروپا (EUSIPCO)، صفحات 2325-2329

احمد رضا SE، Cheung L، Epstein D و همکاران (2017) MIMO-NET: یک شبکه عصبی کانولوشنال چند خروجی چند ورودی برای تقسیم بندی سلولی در تصاویر میکروسکوپ فلورسانس. در: IEEE: 2017 IEEE چهاردهمین سمپوزیوم بین المللی در تصویربرداری زیست پزشکی (ISBI 2017)، صفحات 337-340

سپاسگزاریها

این کار تا حدی توسط پروژه علم و فناوری Guangxi (Guike AB16380260) و تحقیقات علمی تخصصی در صنعت رفاه عمومی (هواشناسی) (GYHY201406027) پشتیبانی می شود.

اطلاعات نویسنده

1. نویسندگان و وابستگی ها

1. دانشکده کامپیوتر، الکترونیک و اطلاعات، دانشگاه گوانگشی، نانینگ، 530004، گوانگشی، چین Guangyu Ding & Liangxi Qin