دانلود مقاله روش جدیدی از یکپارچگی نمایش خطی تکه ای و ماشین بردار پشتیبانی وزنی
چکیده
پیش بینی داده های مالی یکی از مهمترین زمینه ها در بازارهای مالی می باشد. در بازار سهام، اگر سهام تا یک نقطه سقوط کند یا افزایش یابد، و سپس برای مدت طولانی سقوط یا صعود کند، این نقاط، نقاط بازگشت هستند (TP). هر کسی تمایل به خرید و فروش سهام در TP برای بیشینه سازی سود دارد. این مقاله نمایش خطی تکه ای (PLR) و ماشین بردار پشتیبانی وزنی (WSVM) را برای پیش بینی TPهای سهام ادغام کرده و چندین روش برای بهبود عملکرد مدل PLR-WSVM ارائه می کند. در ابتدا، یک تابع برازش برای انتخاب آستانه PLR بطور خودکار ارائه می شود. کم نمونه برداری تصادفی همراه با بیش نمونه برداری برای متوازن کردن تعداد نمونه ها استفاده می شود. سوما، شاخص قدرت نسبی (RSI) برای تعیین اینکه یک TP پیش بینی شده یک نقطه خرید یا یک نقطه فروش است ادغام می شود. بیست سهم برای آزمایش مدل پیشنهادی استفاده می شوند. نتایج تجربی نشان می دهند که مدل پیشنهادی بطور قابل توجهی بهتر از مدل های دیگر عمل می کند. ضریب تغییر درآمدهای به دست آمده توسط مدل پیشنهادی پایین ترین است، که نشان می دهد مدل پیشنهادی پایدارترین می باشد.
1- مقدمه
پیش بینی داده های مالی یکی از مهمترین زمینه ها در بازارهای مالی می باشد. داده های مالی، پیچیده، غیرخطی، نویزی و با نوسان بالا هستند [1]. الگوریتم های یادگیری ماشین بطور موفقیت آمیزی برای پیش بینی داده های مالی ناشی از عملکرد عالی آن ها در داده های غیرخطی استفاده شده اند [2-10]. برای کسب سود در بازار مالی، سرمایه گذاران بیشتر نگران تصمیمات دادوستد تا پیش بینی قیمت های روزانه هستند [11].
در زمینه زنجیره تامین، شرکت ها تمایل به یافتن طول چرخه بهینه و سطح موجودی انبار مطلوب هستند [12،13]. یک سیاست مقدار تولید خوب می تواند هزینه های انبار را کاهش داده و سود را افزایش دهد [14،15]. بطور مشابه، در بازار سهام، سرمایه گذاران تمایل به یافتن چرخه های دادوستد بهینه و هزینه های تجارت با قیمت مطلوب می باشند [16]. یک سیاست دادوستد خوب می تواند می تواند سود سرمایه گذاری را افزایش دهد. اگر سهام تا یک نقطه سقوط کند یا افزایش یابد، و سپس برای مدت طولانی سقوط یا صعود کند، این نقاط، نقاط بازگشت هستند (TP). هر کسی تمایل به خرید و فروش سهام در TP برای بیشینه سازی سود دارد. بنابراین، شناسایی TP سهام ها بطور صحیح بسیار مهم می باشد. نمایش خطی تکه ای (PLR) روشی برای جداسازی یک سری به چندین بخش است و خطای ماکزیمم هر بخش از یک آستانه تجاوز نمی کند [17]. با PLR، سری های زمانی مالی می توانند به برخی بخش های صعودی و سقوطی جداسازی شوند و این نقاط جداسازی TPها هستند.
PLR بطور موفقیت آمیزی در الگوریتم های یادگیری ماشین در سال های اخیر ادغام شده است، ولی برخی مشکلات هنوز وجود دارند. نوسانات قیمت سهام های مختلف متفاوت هستند و نوسانات قیمت سهام در دوره های مختلف نیز متفاوت می باشند. چگونگی انتخاب مناسب آستانه PLR براساس نوسانات قیمتی متفاوت هنوز حل نشده است. مساله پیش بینی TP سهام نوعی از مساله عدم توازن است که در آن تعداد نمونه های TP بطور قابل توجهی کمتر از نمونه های نقطه عادی (OP) می باشد. نمونه های نامتوازن می توانند عملکرد الگوریتم های یادگیری ماشین را کاهش دهند.
7- نتیجه گیری
این مقاله روشی جدیدی از ادغام نمایش خطی تکه ای و ماشین بردار پشتیبانی وزنی را برای پیش بینی نقاط بازگشت سرمایه ارائه کرده است. یک تابع برازش که به جای دوره های کوتا مدت متمرکز بر روندهای میان مدت و بلندمدت است برای انتخاب آستانه PLR بطور خودکار ارائه شده است. یک روش بیش نمونه برداری ارائه شده است که براساس ایده ای است که یک TP باید به صورت یک دوره به جای یک نقطه در نظر گرفته شود. کم-نمونه برداری تصادفی همراه با بیش نمونه برداری برای متوازن کردن تعداد نمونه ها استفاده شده است. RSI برای تعیین سیگنال های معاملاتی ادغام شده است.
نتایج تجربی نشان دادند که درآمدهای بدست آمده بوسیله مدل پیشنهادی بطور قابل توجهی بالاتر از درآمدهای بدست آمده بوسیله توسط مدل های دیگر می باشند. CV درآمدهای بدست آمده بوسیله مدل پیشنهادی نیز بطور قابل توجهی بهتر از CV مدل های دیگر عمل می کند، نشان می دهد که مدل پیشنهادی پایدارترین است. مدل پیشنهادی توانایی برای کشف TPها و کسب درآمدهای بالا و پایدار در بازارهای سهام را نشان داد.
Abstract
Financial data forecasting is one of the most important areas in financial markets. In the stock market, if the stock falls or rises to a point and then rises or falls for a long time, these points are turning points (TPs). Everyone wants to buy or sell stocks at the TP to maximize profits. This paper integrates the piecewise linear representation (PLR) and the weighted support vector machine (WSVM) to forecast stock TPs and proposes several methods to enhance the performance of the PLR–WSVM model. Firstly, a fitness function is proposed to select the threshold of the PLR automatically. Secondly, an oversampling method suitable for the problem of forecasting stock TPs is proposed. The random undersampling combined with the oversampling is used to balance the number of samples. Thirdly, the relative strength index (RSI) is integrated to determine whether the predicted TP is a buying point or selling point. Twenty stocks are used to test the proposed model. The experimental results show that the proposed model significantly outperforms other models. The coefficient of variation of the revenues obtained by the proposed model is the lowest, indicating the proposed model is the most stable.
1. Introduction
Financial data forecasting is one of the most important areas in financial markets. The financial data are complex, nonlinear, high volatility, and noisy [1]. Machine learning algorithms have been successfully applied to predict financial data due to their excellent performance in nonlinear data [2–10]. To make a profit in the financial market, investors are more concerned with making trading decisions than forecasting daily prices [11].
In the supply chain field, companies want to find the optimal cycle length and the optimal inventory quantity [12,13]. A good lot-sizing policy can reduce inventory costs and increase profits [14,15]. Similarly, in the stock market, investors want to find optimal trading cycles and trade stocks at the optimal price [16]. A good trading policy can increase investment profits. If the stock falls or rises to a point and then rises or falls for a long time, these points are turning points (TPs). Everyone wants to buy or sell stocks at the TP to maximize profits. Therefore, it is extremely important to identify the TP of stocks correctly. The piecewise linear representation (PLR) is a method to split a series into several segments, and the maximum error of each segment does not exceed a threshold [17]. With the PLR, the financial time series can be split into some rising and falling segments, and these split points are TPs.
The PLR has been successfully integrated into machine learning algorithms in recent years, but some problems still exist. The price fluctuations of different stocks are different, and the price fluctuations of stock in different periods are also different. How to properly choose the PLR threshold based on the different price fluctuations is still unresolved. The problem of forecasting stock TPs is a type of imbalance problem, in which the number of TP samples are significantly less than that of ordinary point (OP) samples. Unbalanced samples can decrease the performance of machine learning algorithms [18].
7. Conclusion
This paper has proposed a new approach of integrating piecewise linear representation and weighted support vector machine to forecast the stock turning points. A fitness function that focuses on medium or long-term trends rather than short-term rebounds has been proposed to select the threshold of the PLR automatically. An oversampling method has been proposed which is based on the idea that a TP should be treated as a period rather than a point. The random undersampling combined with the oversampling has been used to balance the number of samples. The RSI has been integrated to determine the trading signals.
The experimental results showed that the revenues obtained by the proposed model are significantly higher than that obtained by other models. The CV of the revenues obtained by the proposed model also significantly outperforms that obtained by other models, indicating the proposed model is the most stable. The proposed model showed the ability to discover TPs and earn high and stable revenues in stock markets.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1- مقدمه
2- پیشینه پژوهش
2-1 پیش بینی داده های مالی
2-2 روش بهینه سازی و برنامه نویسی غیرخطی
3- بررسی PLR و WSVM
4- مدل پیشنهادی
4-1 شاخص های ورودی
2-4 تولید TPها با استفاده از PLR
4-3 پیش بینی TPها با استفاده از WSVM
4-4 تعیین سیگنال های معاملاتی با استفاده از قاعده RSI و DODS
5- داده ها و راهبرد سرمایه گذاری
6- نتایج تجربی
7- نتیجه گیری
منابع
ABSTRACT
1. Introduction
2. Literature review
2.1. Financial data forecasting
2.2. Nonlinear programming and optimization method
3. Review of the PLR and the WSVM
4. Proposed model
4.1. Input indicators
4.2. Generate TPs using the PLR
4.3. Forecast TPs using the WSVM
4.4. Determine trading signals using the RSI rule and the DODS
5. Data and investment strategy
6. Experimental results
7. Conclusion
References
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه