استراتژی تجارت Algo برای گمانه زنی های ارزی در داخل بر اساس جنگل تصادفی و رگرسیون مشروط

در بازار فارکس ، قیمت ارزها بر اساس بسیاری از عوامل اقتصادی و سیاسی مانند تعادل تجاری ، شاخص رشد ، نرخ تورم و شاخص های اشتغال به سرعت افزایش می یابد و به سرعت کاهش می یابد. داشتن یک استراتژی خوب برای خرید و فروش می تواند از تغییرات فوق سود ببرد. یک استراتژی موفق در فارکس باید رابطه بین مزایا و خطرات را در نظر بگیرد. در این کار ، ما یک استراتژی حدس و گمان ارزی را برای بازارهای ارزی بر اساس ترکیبی از شاخص های فنی پیشنهاد می کنیم. این سیستم دارای یک تصمیم دو سطح است و از مدل رگرسیون پروبیت و کشف قوانین با استفاده از جنگل تصادفی تشکیل شده است. دو مورد حداقل برای یک استراتژی معاملاتی وجود دارد: یک قانون برای ورود به بازار و یک قانون برای خروج از آن. سیستم پیشنهادی ما ، برای ورود به بازار ارز ، باید دو شرط را تأیید کند. اول ، باید قوانین دسترسی تصادفی به جنگل را طی هفته بعد تأیید کند ، در حالی که در دومین مقدار پیش بینی شده روز بعد با استفاده از پروب باید مثبت باشد. برای خروج از بازار ارز فقط یک هشدار منفی از مشروبات الکلی یا جنگل تصادفی کافی است. این سیستم برای توسعه سیستم های معاملاتی پویا نمونه کارها استفاده شده است. سودآوری این مدل برای تنوع USD/(EUR ، JYN ، BRP) در دوره از ژانویه 2014 تا ژانویه 2016 مورد بررسی قرار گرفت. سیستم پیشنهادی امکان بهبود دقت پیش بینی را فراهم می کند. این نشانگر پیش بینی خوبی از بازار رفتار است و به شناسایی اوقات خوب برای ورود به آن یا ترک آن کمک می کند.

1. معرفی

نوسانات شدید در بازارهای مالی ، بازار سهام را به منطقه ای خطرناک برای سرمایه گذاران تبدیل می کند. استراتژی های مختلف سرمایه گذاری در بورس سهام به عنوان ابزاری برای جمع آوری سهام بیشتر سهام بورس ظاهر می شود. به گفته ویلیام اونیل [1] ، استراتژی مناسب این است که به دنبال شرکت هایی باشند که درآمد سریع دارند. این سود سریعتر از موارد موجود در بازار واقعی افزایش می یابد [2]. با این حال ، نویسندگان در این زمینه چندین مسیر استراتژیک برای سرمایه گذاری در بورس سهام ، استراتژی های منفعل و فعال را شناسایی کرده اند. دومی سادگی را برای اجرای اما با بازده بلند مدت تضمین می کند. در کوتاه مدت ، حدس و گمان به عنوان یک عامل متعادل کننده در نظر گرفته می شود که عرضه و تقاضا را تنظیم می کند ، در حالی که منجر به تعادل قیمت مطابق با وضعیت واقعی اقتصاد می شود. این استراتژی مبتنی بر خرید است که قیمت پایین تر از میانگین ارزش و فروش در هنگام افزایش قیمت باشد. در مورد فارکس (بازار ارزی) ، این فرضیه توسط آماری که فکر می کنند سری موقت فارکس تصادفی است ، تصویب نمی شود. در واقعیت ، غیرقابل پیش بینی بودن این سری موقت این تصور را ایجاد می کند که تغییرات تصادفی هستند. با این وجود ، ما می توانیم با استفاده از یک تجزیه و تحلیل در مقیاس بزرگ ، شخصیت چرخه ای بازار فارکس را مشاهده کنیم. مطالعه و تجزیه و تحلیل روندهای گذشته می تواند بعضی اوقات به پیش بینی حرکات بازار کمک کند.

در حال حاضر ، دلالان به عنوان اولین منبع اطلاعات در مورد وضعیت بازارها در نظر گرفته می شوند. تکنیک های حدس و گمان به طور مداوم بهبود می یابند [4]. در واقع دو رویکرد گسترده استفاده می شود: اول ، یک رویکرد کلاسیک مبتنی بر شاخص های فنی که در اقتصاد سنجی اتخاذ شده است. رویکرد دوم مبتنی بر الگوریتم های داده کاوی است. استراتژی های سرمایه گذاری استفاده شده در بازار فارکس بیشمار است: معاملات روز ، اخبار معاملات ، معاملات نوسان ، معاملات روند ، حمل و نقل ، تجارت سطح نمودار و نشانگرهای فنی بر اساس الگوریتم های داده کاوی. بیشتر سرمایه گذاران در بازار فارکس به صورت دستی عمل نکرده اند ، اما آنها به طور کلی به دنبال الگوریتم های رایانه بودند تا استراتژی را انتخاب کنند که ساده یا پیچیده باشد.

در این مقاله ، ما یک استراتژی سرمایه گذاری امن را در دو مرحله پیشنهاد می کنیم:

اولا ، ما بدون هیچ گونه فرضیه تجویز در مورد روند بازار مالی ، یک رویکرد زمانی را انتخاب کرده ایم. این رویکرد فقط براساس مشاهدات انجام شده در مورد تکامل نرخ ارز و شاخص های مختلف موقت استوار است. ما از الگوریتم جنگلی تصادفی [5] برای پیش بینی تکامل میان مدت استفاده کرده ایم. با این حال ، ما توانسته ایم بر اساس مدل سوداگرانه خود ، در انگیزه های خرید یا فروش تصمیمات ، منظم ایجاد کنیم. در مرحله دوم ، ما مدل Probit [6] اعمال شده برای شاخص های فنی فارکس را انتخاب کردیم. این دو سیستم برای تشکیل یک استراتژی سرمایه گذاری داخل کشور ترکیب شده اند. پیشنهاد ما به معامله گران پیشنهاد می کند تا یک استراتژی معاملاتی را از شاخص های متنوع ایجاد کنند. این استراتژی ابزاری برای اعتماد به نفس برای تعیین جهت بازار است.

2. کار مرتبط

تحولات در تجارت الگوریتم اخیراً بهبود یافته است. بسیاری از زمینه های جدید تحقیق معرفی شده اند و مهمترین آنها ترکیب الگوریتم ها با مطالعات مالی باعث شده است که تحقیقاتی انجام شود که فقط چند سال پیش غیرممکن باشد. امروزه ، بازار مالی الکترونیکی به ویژه پیشرفت کرده و اکثر معاملات به صورت الکترونیکی انجام می شود. بازار مالی الکترونیکی با استفاده از الگوریتم های معاملاتی و روشهای پیش بینی بازار ، به عنوان یک منطقه جدید از تحقیقات ، علاقه دیگری به دست آورده است.

در ادبیات ، سیستم های تجاری سنتی فقط یک استراتژی خاص را پیاده سازی می کنند [8] ، در حالی که تجارت الگوریتمی روشی است که یک کامپیوتر به جای یک انسان سرمایه گذاری خاصی را انجام می دهد. این سیستم های معاملاتی از داده های تاریخی مربوط به قوانین خوب تعریف شده استفاده می کنند. از آنجا که پردازش رایانه برای پیش بینی روش های موجود در بازار مالی ضروری است ، مزایای بسیاری و همچنین مشکلات این رویکرد فنی برای تجارت و پیش بینی وجود دارد. بسیاری از مطالعات نشان می دهد که رویکردهای الگوریتمی در مقایسه با رویکردهای سنتی برتر هستند. از آنجا که بازارهای جهانی به طور مداوم در حال تحول و تعاملی تر هستند ، پیش بینی بازارهای مالی و فعالیت های تجاری نقش اساسی تری خواهد داشت. روش ها و تکنیک های مورد استفاده برای مدیریت ارز از گذشته پیچیده تر است. به همین دلیل ، محققان فکر می کنند که رویکرد تجارت الگوریتم می تواند به لطف تجزیه و تحلیل سریع همزمان با عوامل بسیاری ، یک سرمایه گذاری را با قیمت پایین تر کار کند. علاوه بر این ، الگوریتم ها مستقل از وضعیت روانی انسان عمل می کنند. محققان دیگر فکر می کنند که این رویکرد تجارت نیز به دلایل مختلف می تواند کمتر مؤثر باشد. اولا ، ایجاد یک استراتژی تجاری خوب به دلیل ماهیت غیر ایستگاه ، پر سر و صدا و قطعی غیرقابل پیش بینی بازارهای مالی بسیار پیچیده است. با این حال ، ماشین ها نمی توانند جایگزین هوش انسانی یا جنبه انتقادی انسانی شوند. علاوه بر این ، همچنین می تواند در کالیبراسیون سیستم معاملاتی مشکلی ایجاد کند ، که زمان نادرست خرید و فروش دارایی را ارائه می دهد.

در دهه های گذشته ، رشد بازارهای جهانی تجارت ، بازار ارز را به بزرگترین و پر سود ترین بازارهای مالی تبدیل کرد. این بازار ارزی 24 ساعت/24 باز است که شرکت کنندگان جفت ارز را خریداری و می فروشند. این بازار پولی با نقدینگی بالا ، حجم زیادی از تجارت و معاملات مداوم مشخص می شود. بازار فارکس یک بازار بی ثبات با عدم اطمینان است. با این حال ، سرمایه گذاران ارزی در معرض ریسک ارزی قرار دارند که می تواند جریان تجارت بین المللی را به طور جدی به خطر بیندازد [9 ، 10]. این سرمایه گذاران باید از عدم اطمینان این بازار و تأثیر عمده در تصمیمات سرمایه گذاری آنها آگاه باشند. با این حال ، پیش بینی دقیق نرخ ارز می تواند این عدم اطمینان را کاهش دهد و هم برای جریان تجارت بین المللی و هم برای سود سرمایه گذار سودمند خواهد بود. در نتیجه ، حرکات نرخ ارز و پیش بینی در دهه های اخیر به طور گسترده مورد بررسی قرار گرفته است [11].

از جمله مدرن ترین روشهای عملی برای پیش بینی حرکات ارزی ، استفاده از تجزیه و تحلیل اساسی و فنی از اهمیت ویژه ای برخوردار است.

چندین مطالعه وجود دارد که از تجزیه و تحلیل اساسی برای پیش بینی نرخ ارز ارز استفاده کرده اند. در میان این تحقیقات ، می توانیم به عنوان مثال ، Meese و Rogoff 1983 ، Meese 1986 ، Baillie and Selover 1987 ، McNown and Wallace 1989 ، Baillie and Pecchenino 1991 ، Sarantis 1994 و Cushman ، 2000 [7 ، 12-17] را نقل کنیم. در این مقاله ، ما مطالعه خود را عمدتاً بر روی تجزیه و تحلیل فنی با استفاده از الگوریتم های داده کاوی و شاخص های فنی برای پیش بینی مقادیر نرخ ارز آینده متمرکز می کنیم.

پول (1967) و دولی و شفر (1976) پیشگامان برای توصیف تحلیل فنی بودند [18 ، 19]. پوول (1967) اظهار داشت که استفاده از قوانین معاملات مزایای مهمی را ایجاد می کند. به لطف این قوانین ، در صورت افزایش نرخ ارز یا کاهش در مقایسه با درصد قبلاً ثابت ، می توانیم سفارشات خرید یا فروش را برطرف کنیم. دولی و شفر (1976) همچنین هفت قانون فیلتر مختلف را بر روی نه ارز اعمال کردند. آنها نتیجه گرفتند که استفاده از استراتژی تجارت ساده بر اساس اطلاعات مربوط به نوسانات نرخ ارز گذشته ، بازده قابل توجهی را ایجاد می کند.

اخیراً ، تکنیک های پیشرفته بیشماری برای پیش بینی نوسانات نرخ ارز به طور گسترده ای اعمال شده است [20]. این تکنیک ها از پیشرفت تکنولوژیکی ابزارهای رایانه ای بهره برداری می کنند. این پیشرفت مجاز به مدیریت داده های بزرگ و مطالعه ویژگی های پیچیده ، غیرخطی و پویا بازارهای مالی است. مطالعات اخیر نشان می دهد که 80 ٪ تا 90 ٪ متخصصان و سرمایه گذاران فردی حداقل به نوعی از تجزیه و تحلیل فنی متکی هستند [21-23].

چندین الگوریتم برای پیش بینی نرخ ارز به عنوان جنگل تصادفی ، الگوریتم های ژنتیکی ، SVM ، شبکه عصبی [24-26] ، تجزیه و تحلیل تبعیض آمیز خطی ، رگرسیون خطی ، KNN و طبقه بندی کننده ساده لوح بیزی استفاده شده است. برای بهبود دقت ، Booth و همکاران. از الگوریتم جنگل تصادفی برای طبقه بندی استفاده کرد. این نشان می دهد که یک گروه با وزن با وزن از جنگل های تصادفی هنگامی که بر روی یک نمونه بزرگ از سهام از DAX از نظر سودآوری و دقت پیش بینی در مقایسه با سایر تکنیک های گروهی تجزیه و تحلیل می شود ، نتایج برتر را تولید می کند [27]. علاوه بر این ، سورنسن و همکاران. نشان می دهد که درختان تصمیم گیری سبد خرید بهتر از مدل های تک عاملی بر اساس همان متغیرها در انتخاب اوراق بهادار سهام عمل می کنند [28]. یکی دیگر از پرکاربردترین الگوریتم ها برای بهبود دقت آزمایش ، دستگاه بردار پشتیبانی (SVM) است که توسط بوسر و همکاران ارائه شده است.[29]وانگ و همکاران. در [30] نشان داد که الگوریتم K-Means SVM (KMSVM) می تواند با کاهش تعداد بردارهای پشتیبانی ضمن حفظ دقت سازگار با SVM ، زمان پاسخ طبقه بندی ها را سرعت بخشد.

برخی از محققان برای آموزش الگوریتم ها روی شبکه های عصبی متمرکز شده اند. به گفته شاو و همکاران ، شبکه های عصبی مصنوعی پیوند کاربردی آبشار (CFLANN) در بازارهای FX عملکرد بهتری دارند [31].

در واقع ، برخی از محققان پیشنهاد می کنند که روش های گروه را به منظور بهبود رگرسیون و عملکرد طبقه بندی استفاده کنند. در [32] ، او و شن از یک روش bootstrap مبتنی بر شبکه های عصبی برای ساخت مدل های یادگیری متعدد استفاده کرده اند و خروجی این مدل ها را برای پیش بینی نرخ ارز ترکیب کرده اند.

امروزه ، تعداد کمی از مطالعات شمارش شده از جنگل های تصادفی و رگرسیون پروبیت برای پیش بینی نرخ ارز استفاده می کنند. طبق گفته LV و ژانگ [33] ، الگوریتم RF عملکرد خود را در برابر روش SVM و روش رگرسیون خطی چندگانه برای پیش بینی دقیق یوان چینی نشان داد.

در این مقاله ، ما از یک الگوریتم طبقه بندی جنگل تصادفی و رگرسیون پروبیت استفاده خواهیم کرد. ما این دو الگوریتم را برای پیش بینی نرخ ارز ارز ترکیب کردیم.

3. رویکردهای الگوریتم های معاملاتی

استراتژی تجارت یک روش مهم مالی است. این می تواند به عنوان مجموعه ای از دستورالعمل ها برای سودآوری و ایجاد بازده مثبت در سرمایه گذاری خود تعریف شود. برخی از استراتژی های معاملاتی همیشه به عنوان استراتژی های مستقل کاملاً سودآور نیستند. در واقع ، بازارهای مالی اساساً و مداوم و در بعضی مواقع کاملاً چشمگیر تغییر می کنند. یکی از پیامدهای این انتقال این است که استراتژی های معاملاتی که ممکن است مدتی خوب کار کرده باشد ممکن است از بین برود ، گاهی اوقات کاملاً ناگهان. عوامل زیادی وجود دارد که بر نتایج استراتژی تجارت تأثیر می گذارد و بنابراین هیچ مدل جهانی نمی تواند همه چیز را برای همه مشکلات پیش بینی کند یا حتی یک روش بهترین تجارت برای همه شرایط باشد.

با این حال ، پیشرفت های تکنولوژیکی باعث ایجاد انواع جدیدی از معاملات مانند استراتژی های معاملاتی بر اساس داده کاوی و یادگیری ماشین می شود. این استراتژی مبتنی بر تجارت الگوریتم است و نشان می دهد که چگونه می تواند تجزیه و تحلیل های پیچیده را در زمان واقعی انجام دهد و بر اساس استراتژی تعریف شده بدون مداخله انسانی ، تصمیمات لازم را اتخاذ کند و تجارت را برای اجرای خودکار از رایانه به مبادله ارسال کند. یک الگوریتم به راحتی می تواند صدها موضوع را به طور همزمان با استفاده از قوانین پیشرفته با لایه هایی از قوانین مشروط تجارت کند. تجارت الگوریتم به دنبال شناسایی سیگنال ها یا روندهای کاملاً زودگذر با تجزیه و تحلیل حجم های بزرگ انواع مختلف داده ها است. بسیاری از این سیگنال های تجاری آنقدر ضعیف هستند که به تنهایی نمی توان آنها را معامله کرد. بنابراین ، یکی از این سیگنال های زیادی را با وزن غیرقانونی ترکیب می کند تا سیگنال کلی را تقویت و تقویت کند و پس از هزینه های معاملاتی به تنهایی قابل معامله و سودآور باشد.

در حال حاضر ، بازار ارز بزرگترین و نقدی ترین بازار جهان است. با این حال ، یک استراتژی معاملاتی با استفاده از تجارت الگوریتمی برای بقاء هم برای خرید و هم برای فروش و فروش ، به یک امر مطلق تبدیل شده است. با توجه به ماهیت هرج و مرج ، پر سروصدا و غیر استایل داده ها ، بزرگسالی برای حفظ رقابت ، مجبور شده است به استفاده از تجارت الگوریتمی خودکار مهاجرت کند. برای کسب سود از هر استراتژی ، اکثر تحقیقات بر پیش بینی روزانه ، هفتگی یا حتی ماهانه متمرکز شده است.

دهه گذشته شاهد افزایش اعتماد به پیش بینی هوش مصنوعی در بازارهای مختلف مانند بازار ارز (FOREX) از جمله جنگل تصادفی (RF) ، رگرسیون خطی ، الگوریتم های ژنتیکی (GA) ، شبکه های عصبی مصنوعی (ANN) ،و رویکرد پشتیبانی دستگاه بردار (SVM) به تجزیه و تحلیل و پیش بینی سری زمانی مالی.

3. 1نزدیک شدن به شبکه های عصبی مصنوعی

شبکه های عصبی یک موضوع اصلی در چندین مقاله به منظور آلمانی به سیستم های معاملاتی هستند. ماتاس و همکاران.[34] الگوریتمی را ایجاد کرد که مبتنی بر شبکه های عصبی و مدل های GARCH است تا در حالی که در یک محیط سری زمانی ناهمگن کار می کند ، پیش بینی کند. ENAM [35] با پیش بینی ANN در داده های هفتگی FX آزمایش کرد و نتیجه گرفت که ، از جمله سایر موضوعات ، یکی از مهمترین موضوعاتی که هنگام معرفی چنین مدل هایی با آن روبرو می شود ، ساختار داده ها است. Kamruzzaman [36] مدل های مختلف ANN را با هم مقایسه کرد ، آنها را با شاخص های فنی بر اساس داده های فارکس گذشته تغذیه کرد و نتیجه گرفت که یک مدل مبتنی بر شیب کونژوگه مقیاس یافته پیش بینی نزدیکتر را در مقایسه با سایر الگوریتم ها بدست می آورد. ج. ایوانز و همکاران.[37] یک مدل پیش بینی و تصمیم گیری را بر اساس شبکه های عصبی مصنوعی (ANN) و الگوریتم های ژنتیکی ارائه داده اند که باعث ایجاد معاملات سودآور در داخل فارکس می شوند. آنها برای تحقیقات خود از مجموعه داده های خود استفاده کردند که شامل 70 هفته نرخ ارز گذشته 3 جفت ارز معامله شده است:

، و. آزمایشات آنها تأیید کرده است که سری زمانی نرخ ارز روزانه فارکس به طور تصادفی توزیع نمی شود. سیستم پیشنهادی آنها نرخ پیش بینی را بهبود بخشیده است.

طبق گفته Omer Berat Sezer و همکاران.[38] ، ترکیبی از الگوریتم های ژنتیکی و شبکه های عصبی با هم در یک سیستم تجارت سهام اجازه می دهد در مقایسه با خرید و نگهدارنده و سایر سیستم های معاملاتی برای طیف گسترده ای از سهام حتی برای دوره های نسبتاً طولانی تر ، نتایج بهتری کسب کنند. سیستم پیشنهادی آنها مبتنی بر استفاده از مقادیر پارامتر ویژگی های آنالیز فنی بهینه شده به عنوان ویژگی های ورودی برای سیستم معاملات سهام شبکه عصبی بود. آنها از الگوریتم های ژنتیکی برای بهینه سازی پارامترهای RSI برای شرایط بالا و پایین آمدن بازار استفاده کردند.

3. 2الگوریتم های ژنتیکی رویکرد

الگوریتم های ژنتیکی (GA) ، که توسط هلند [39] تهیه شده است ، نوعی الگوریتم بهینه سازی است و از آنها برای یافتن حداکثر یا حداقل یک عملکرد استفاده می شود. آنها در چندین برنامه مانند برنامه نویسی اتوماتیک و یادگیری ماشین استفاده می شوند. آنها همچنین به خوبی برای مدل سازی پدیده ها در اقتصاد ، اکولوژی ، سیستم ایمنی بدن انسان ، ژنتیک جمعیت و سیستم های اجتماعی مناسب هستند.

در کار [40] ، Subramanian رویکردی به طراحی عامل خودمختار ارائه می دهد که از الگوریتم ژنتیکی و برنامه نویسی ژنتیکی به منظور شناسایی استراتژی های معاملاتی بهینه استفاده می کند. سیستم پیشنهادی آنها ، بر اساس عوامل رقیب ، میانگین نسبت تیز بین 0. 33 و 0. 85 را ثبت کرده است. در مقاله [41] ، Hirabayashi یک مدل بهینه سازی پیش بینی را بر اساس یک الگوریتم ژنتیکی معرفی کرده است. این مدل به دنبال خرید و فروش قوانینی است که بالاترین سود را برمی گرداند. آنها از شاخص های فنی مانند میانگین حرکت (MA) و شاخص قدرت نسبی (RSI) استفاده کردند تا به طور خودکار قوانین معاملات را تولید کنند. این قوانین از ترکیبی از شاخص های فنی و پارامترهای آنها تشکیل شده و به عنوان ژنوتیپ GA استفاده می شود. در [42] ، Fuente و همکاران. اثری را ارائه داده اند که همچنین سعی در بهینه سازی زمان یک معامله گر خودکار دارد. آنها از GA برای تدوین قوانین معاملات برای دوره های زمانی کوتاه ، با استفاده از شاخص های فنی مانند RSI ، به عنوان کروموزوم GA استفاده می کنند. آنها استفاده از قوانین توسعه یافته در مورد سهام یک شرکت اسپانیایی را پیشنهاد کردند. با این حال ، توضیحات موجود در آن کار بسیار مقدماتی بود تا امکان مقایسه با سیستم ما فراهم شود. مرجع [43] اثری را ارائه داد که سعی در تولید سیگنال های خرید و فروش در برابر سهام 30 شرکت در آلمان دارد (DAX30). آنها از ترکیبی از شاخص های فنی اعمال شده برای GA و همچنین [42] استفاده کردند و سپس سهام را با توجه به استحکام سیگنال ها برای بازسازی نمونه کارها رتبه بندی کردند. با این حال ، آنها هیچ معیار پول نقد و کاهش ضرر را ابداع نمی کنند. در [44] ، R. Lakshman و همکاران. با استفاده از الگوریتم ژنتیکی برای پیش بینی شاخص بازار سهام ، یک استراتژی خرید و فروش را پیشنهاد کرد. نتایج آنها نشان می دهد که الگوریتم های ژنتیکی مدلهای امیدوارکننده ای هستند که بالاترین سود را در بین سایر مدلهای قابل مقایسه به دست می آورند.

3. 3پشتیبانی از رویکردهای دستگاه بردار

دستگاه وکتور پشتیبانی (SVM) در سال 1992 توسط Vapnik و همکاران معرفی شد. SVM در بسیاری از زمینه های مختلف تجارت ، علوم و صنعت برای طبقه بندی و تشخیص الگوهای استفاده شده است. مدل های مبتنی بر دستگاه بردار پشتیبانی (SVM) از جمله تکنیک های پرکاربرد برای پیش بینی جهت حرکت سری زمانی مالی هستند. بیشتر و بیشتر به یک روش یادگیری فعال تبدیل می شود.

برای پیش بینی سری زمانی مالی ، CAO [45] یک متخصص SVM را با معماری ساختار یافته درخت پیشنهاد داد. نتایج شبیه سازی به دست آمده نشان داد که متخصص SVM در مقایسه با مدل SVM منفرد بهبود قابل توجهی در عملکرد تعمیم داشته است. در [46] ، Kyoungjae SVM را با شبکه های عصبی با تولید مجدد مقایسه کرد تا شاخص قیمت سهام را پیش بینی کند. نتایج تجربی نشان داد که SVM جایگزین امیدوار کننده ای برای پیش بینی بازار سهام ارائه می دهد. در مقاله [47] ، Y. Yuan یک روش ماشین بردار پشتیبانی صاف چند جمله ای را برای پیش بینی جهت حرکت سری زمانی مالی ارائه داد. مقاله آنها بر اساس یک تحلیل کلان اقتصادی نظری بود. نتیجه نشان داد که روشهای یادگیری ماشین برای پیش بینی تحقیقات بسیار مهم است و دستگاه بردار پشتیبانی چند جمله ای یک مدل بسیار قدرتمند است. b. m. هنریک و همکاران.[48] از رگرسیون بردار پشتیبانی (SVR) برای پیش بینی قیمت سهام برای سرمایه های بزرگ و کوچک و در سه بازار مختلف استفاده کرد و قیمت ها را با فرکانس های روزانه و به روز و هر دو دقیقه به کار گرفت. آنها مدل پیشنهادی خود را با مدل پیاده روی تصادفی پیشنهاد شده توسط EMH مقایسه کردند. نتایج به دست آمده نشان می دهد که SVR دارای قدرت پیش بینی خوبی است ، به خصوص هنگام استفاده از استراتژی به روزرسانی مدل به صورت دوره ای.

3. 4رویکردهای جنگلی تصادفی

جنگل تصادفی توسط Breiman (2001) پیشنهاد شد. نشان داده شده است که مدل های پیش بینی دقیق تولید می کند. این به طور خودکار پیش بینی های مهم را مشخص می کند ، که وقتی داده ها از متغیرهای زیادی تشکیل می شود ، مفید است و ما در تصمیم گیری در مورد اینکه کدام یک از متغیرها باید در مدل گنجانده شوند ، با مشکل روبرو هستیم.

جنگل تصادفی یکی از کاربردهای یادگیری ماشین است. این به درک بازارهای مالی کمک می کند. جنگل تصادفی در چندین اثر به منظور ضرب و شتم بازار با پیش بینی تغییرات در قیمت استفاده شده است. پیش بینی نوسانات قیمت به دلیل تأثیر آن بر سرمایه گذاری ، حوزه بسیار دشواری است. برای پیش بینی جهت آینده حرکت سهام ، خیدم و همکاران ، در [49] ، از یک طبقه بندی کننده جنگل تصادفی برای ساخت یک سیستم پیش بینی استفاده کردند. آنها برای ارزیابی استحکام سیستم از پارامترهای مختلفی مانند دقت ، دقت ، فراخوان و ویژگی استفاده کردند.

در مقاله [50] ، پاتل و همکاران. از یک سیستم ترکیبی برای پیش بینی مقادیر آینده شاخص بازار سهام استفاده کرد. آنها رویکرد همجوشی دو مرحله ای شامل رگرسیون بردار پشتیبانی (SVR) را در مرحله اول پیشنهاد دادند. مرحله دوم رویکرد فیوژن از شبکه عصبی مصنوعی (ANN) ، جنگل تصادفی (RF) و SVR که منجر به مدل های پیش بینی فیوژن SV R-ANN ، SV R-RF و SV R-SVR شد ، استفاده کرد. برای اعتبارسنجی نتایج آزمایشی ، آنها دو شاخص را انتخاب کردند ، یعنی CNX Nifty و بورس سهام S& P Bombay (BSE) Sensex از بازارهای سهام هند. سپس ، آنها عملکرد پیش بینی مدل های ترکیبی خود را با ANN ، RF و SVR مقایسه کردند. در [51] ، M. Kumar و همکاران. از پنج الگوریتم برای پیش بینی جهت شاخص بازار S& P CNX Nifty از NSE استفاده شده است. آنها تجزیه و تحلیل تبعیض آمیز خطی (LDA) ، ورود به سیستم ، شبکه عصبی مصنوعی (ANN) ، جنگل تصادفی و SVM را آزمایش کردند. نتایج این آزمایش نشان داد که روش جنگل تصادفی از روشهای دیگر بهتر است.

در ادبیات ، به منظور پیش بینی بازده بورس سهام ، تعدادی از روشهای مختلف اعمال شده است. با وجود این مطالعات ، تعریف و اجرای استراتژی بازار سهام یک مشکل دشوار برای حل است.

4. مفاهیم اصلی

الگوریتم های رگرسیون محدود به رگرسیون خطی یا لجستیک نیست ، در واقع اشکال زیادی از رگرسیون وجود دارد و هر یک از اهمیت و شرایط خاص خود را در جایی که مناسب برای استفاده هستند ، دارند [52].

4. 1مدل مشروط

انتخاب ما مدل پروبیت است ، که نوعی رگرسیون است که در آن متغیر وابسته می تواند فقط دو مقدار را در نظر بگیرد ، زیرا مورد ما افزایش یافته (1) یا کاهش (0) ارزش ارزها [53].

اگر مدل انتخاب باینری را در نظر بگیریم ، متغیر پاسخ غیرقابل کنترل