مدل‌ها و الگوریتم‌های بهینه‌سازی نسل بعدی در محاسبات ابری و مه

یک رویکرد مبتنی بر فیلتر تطبیقی هسته آنلاین برای پیش‌بینی قیمت متوسط

چکیده

ایده پیش‌بینی چند متغیره و آنلاین قیمت سهام از طریق پارادایم فیلتر تطبیقی هسته (KAF) در این مقاله ارائه شده است. پیش‌بینی قیمت سهام به‌طور سنتی با رگرسیون و طبقه‌بندی انجام می‌شود، در نتیجه به مجموعه بزرگی از نمونه‌های آموزشی دسته‌گرا و مستقل نیاز دارد. این با توجه به ماهیت غیر ثابت یک سری زمانی مالی مشکل ساز است. در این تحقیق، ما یک رویکرد مبتنی بر فیلتر تطبیقی هسته آنلاین برای پیش‌بینی قیمت سهام برای غلبه بر این چالش پیشنهاد می‌کنیم. برای بررسی عملکرد سهام و نشان دادن برتری کار، از ده الگوریتم مختلف خانواده KAF استفاده می کنیم. در این مقاله، این چالش را پذیرفته و رویکردی را برای پیش‌بینی قیمت سهام پیشنهاد می‌کنیم. برای تجزیه و تحلیل عملکرد سهام و نشان دادن برتری کار، از ده الگوریتم KAF مجزا استفاده می کنیم. علاوه بر این، نتایج در پنجره‌های نه‌زمانی مانند یک روز، شصت دقیقه، سی دقیقه، بیست و پنج دقیقه، بیست دقیقه، پانزده دقیقه، ده دقیقه، پنج دقیقه و یک دقیقه تحلیل می‌شوند. ما اولین کسی هستیم که تا جایی که می دانیم، چندین پنجره زمانی را برای هر پنجاه سهام در بورس ملی هند آزمایش می کنیم. در اینجا لازم به ذکر است که آزمایش ها بر روی سهام تشکیل دهنده شاخص اصلی انجام می شود: Nifty-50. از نظر عملکرد و در مقایسه با روش‌های موجود، احتمال پیش‌بینی صحیح حرکت صعودی یا نزولی بعدی سهام، 66 درصد است. این عدد به وضوح لبه ای را که روش پیشنهادی در استقرار واقعی دارد نشان می دهد. علاوه بر این، یافته‌های تجربی نشان می‌دهد که KAF نه تنها گزینه بهتری برای پیش‌بینی قیمت سهام است، بلکه ممکن است به دلیل تأخیر کم آن به عنوان جایگزینی در معاملات با فرکانس بالا نیز استفاده شود.

1. مقدمه

پیش بینی سری زمانی در اقتصاد و تحقیقات سرمایه گذاری رواج دارد. پیش بینی قیمت سهام یکی از محبوب ترین برنامه های پیش بینی سری زمانی است. موفقیت آن ناشی از توانایی آن در کاهش هزینه های مدیریت دارایی ، تأثیرات بازار و خطرات نوسانات است [1]. این یک تصور رایج است که بازارهای سهام پیچیده ، بی ثبات و هرج و مرج هستند [2]. از دیدگاه ما ، بازارها از عوامل مختلفی تشکیل شده اند که بر حرکت سهام تأثیر می گذارند. بنابراین ، پیش بینی ارزش سهام در هر زمان معین در آینده ، یک مشکل مهم دانشگاهی و صنعت است. مطالعات قبلی [3] نشان داده اند که پیش بینی قیمت سهام ، به ویژه با غیر ایستگاه و ماهیت غیرخطی دارایی اساسی ، چالش برانگیز است. در این راستا ، چندین مدل ارائه شده است ، اما مشکل در هیچ کجا در پایان آن قرار ندارد [4] و پیشرفت قابل توجهی لازم است. علاوه بر این ، مطالعات همچنین با پیش بینی قیمت گزینه ها ، نوسانات [5] و غیره مشکل را گسترش داده اند. این بدنه مهم کار نشان می دهد که پیش بینی قیمت سهام همچنان مسئله مهمی است که نیاز به راه حل برای طیف گسترده ای از مشکلات دارد.

همانطور که در پاراگراف قبل بحث شد، پیش بینی قیمت سهام یک چالش مهم است. در این راستا، تکنیک های زیادی برای پیش بینی قیمت سهام استفاده شده است، مانند شبکه عصبی (NN)، ماشین بردار پشتیبان (SVM)، الگوریتم ژنتیک، منطق فازی و مدل بیزی [6]. با این حال، دستیابی به یک راه حل بهینه هنوز راه درازی در پیش است. در طول بررسی ادبیات ما، ما متوجه شدیم که تحقیقات فعلی، فیلتر تطبیقی هسته (KAF) را نادیده گرفته است و این پارادایم را برای پیش‌بینی سری‌های زمانی مالی، به‌ویژه پیش‌بینی سهام، به‌طور کامل بررسی نکرده است. اگرچه چند مطالعه مقدماتی [7] وجود دارد، یک ارزیابی جامع در مقیاس بزرگ فاقد ادبیات است. با در نظر گرفتن این کاستی، مایلیم تاکید کنیم که KAF می تواند یک ابزار موثر پیش بینی سهام باشد. مشاهدات زیر به عنوان پایه استدلال ما عمل می کنند: اول، الگوریتم های مبتنی بر KAF نرخ همگرایی سریع تری دارند. یعنی الگوریتم به تکرارهای کمتری نیاز دارد. دوم، KAF عملکرد عالی را در پیش‌بینی سری‌های زمانی غیر ثابت نشان داده است [8]. سوم، الگوریتم‌های KAF ویژگی‌های تقریب تابع جهانی را نشان می‌دهند که در محیط‌های بسیار پویا مفید هستند [9]. در نهایت، KAF به طور گسترده در پیش‌بینی سری‌های زمانی آشفته استفاده شده است [10، 11]. از این رو، بررسی این ایده در پیش‌بینی سری‌های زمانی مالی نیز ارزش دارد. بنابراین در این مقاله از مفهوم KAF برای بررسی و درک حرکت لحظه ای قیمت سهام استفاده می کنیم. علاوه بر اینکه KAF یکی از بزرگترین پارادایم های ناشناخته در پیش بینی سهام است، بررسی ادبیات موضوع دیگری را نشان داد. این شامل یکی از مشکلات مربوط به یادگیری دسته ای است. ما معتقدیم که یادگیری متوالی بهترین ابزار به جای یادگیری دسته ای برای پیش بینی سری زمانی مالی است. این عمدتا به این دلیل است که یک سری زمانی مالی غیر ثابت است. ما همچنین استدلال می‌کنیم که انتظار از یک مدل آموزش‌دیده بر روی نمونه‌های آفلاین برای عملکرد عالی در یک موقعیت واقعی، یک شیب لغزنده است. منطق در اینجا توسط کار ارائه شده در ادبیات پشتیبانی می شود، که ادعا می کند یادگیری آنلاین بهترین راه برای درک و تفسیر رفتار داده های غیر ثابت است [12]. در نتیجه، مطالعات نشان داده اند که یادگیری آنلاین می تواند یک روش موثر باشد [13]. این بر اساس مفهوم اندازه گیری متوالی است (آموزش به صورت نمونه به نمونه و در زمان واقعی انجام می شود). سناریوهای مختلفی را می توان به راحتی اضافه کرد و الگوریتم بردار وزن را برای ارائه پیش بینی های دقیق تنظیم می کند. در نتیجه،

به منظور حل مسئله بیان شده در مقاله ، ایده KAF را با یادگیری آنلاین تقویت می کنیم.

با توجه به چالش ها و ایده های مورد بحث در این بخش ، ما یک الگوریتم های آنلاین KAF را برای پیش بینی قیمت سهام ارائه می دهیم. استفاده از تکنیک های KAF برای پیش بینی قیمت سهام هنوز محدود است [7 ، 14]. با این حال ، این مفهوم مبتنی بر این مطالعه است که سابقه ای است و بر روی آن ساخته شده است تا کاربرد KAF را در طیف وسیعی از محیط ها و زمینه ها گسترش دهد. با داده های گرفته شده از Nifty-50 ، شاخص سهام هند ، ابتدا مجموعه داده های خود را متشکل از قیمت های جمع آوری شده در یک پنجره زمانی یک روز ، شصت دقیقه ، سی دقیقه ، بیست و پنج دقیقه ، بیست دقیقه ، پانزده دقیقه ، ده دقیقه ، پنجدقیقه و یک دقیقه. این پنجره ها انتخاب شده اند زیرا برخی از رایج ترین پنجره هایی هستند که به معامله گران روز نگاه می کنند. در اینجا لازم به ذکر است که قیمت ها برای کل پنجاه شرکت جمع آوری می شود (آنها شاخص اصلی را تشکیل می دهند: Nifty-50). پس از آن ، ما ایده ها را در هر یک از پنجره های زمانی اعمال می کنیم و شماره بالقوه بعدی را برای "قیمت متوسط" سهام پیش بینی می کنیم. با تحقیقات جامع عددی ، ما دریافتیم که الگوریتم معاملات پیشنهادی دارای 16 ٪ اضافی در این زمینه است و از این طریق آن را به یک روش مؤثر تبدیل می کند که قادر به تولید بازده خوب در طولانی مدت است. در زیر سهم اصلی مقاله: (1) یک روش آنلاین مبتنی بر KAF برای پیش بینی قیمت متوسط سهام معرفی شده است. ما به دو موقعیت نگاه می کنیم که در آن قیمت میانی به ترتیب (بالا + پایین)/2 و (باز + بسته)/2 اندازه گیری می شود. انگیزه اصلی برای جستجوی قیمت متوسط این بود که سری زمانی قیمت متوسط نسبت به سریال های زمانی نزدیک پر سر و صدا است.(2) با یک تحقیق جامع که روی نه ویندوز زمانی مختلف انجام شده است. ما بهترین پنجره را برای پیش بینی قیمت سهام کشف می کنیم. در ادبیات ، چندین نویسنده بر پیش بینی قیمت های روزانه متمرکز شده اند [15 ، 16]. با این حال ، ما نشان می دهیم که تمرکز تلاشها بر روی ویندوزهای دیگر نیز می تواند بهینه باشد.(3) در این مقاله از ده الگوریتم مختلف KAF استفاده شده است ، و تجزیه و تحلیل مفصلی برای اعتبارسنجی کار ارائه شده است. به بهترین دانش ما ، تحقیق در مورد این بزرگی ادبیات را نادیده می گیرد.

بخش زیر به بخش ها تقسیم شده است. روشهای ارائه شده توسط محققان مختلف در موضوع پیش بینی سهام در بخش 2 مورد بحث قرار گرفته است. روش پیشنهادی در بخش 3 شرح داده شده است. آزمایش های انجام شده با الگوریتم مختلف KAF ، و نتایج آنها در بخش 4 گنجانده شده است. سرانجام ، در بخش 5 ،نتیجه گیری و دامنه های آینده شرح داده شده است.

2. کار مرتبط

کار نویسندگان دیگر در زمینه پیش بینی سهام در این بخش مورد بحث قرار گرفته است. پیش بینی سهام یکی از موضوعات غیرقانونی ادبیات است [17]. مطالعات قبلی نشان داده اند که پیش بینی قیمت سهام به دلیل رفتار ذاتی غیر ایستگاه در داده ها دشوار است [18]. مطالعات متعددی [5] نشان داده اند که پیش بینی سهام چالش برانگیز و پر سر و صدا است. تکنیک های مختلف خطی مانند همبستگی ها ، تجزیه و تحلیل تبعیض آمیز ، مدل های خودکار و میانگین های متحرک نیز در گذشته مورد مطالعه قرار گرفته است [19]. یادگیری ماشین (ML) در سالهای اخیر یک زمینه محبوب در پیش بینی سری زمانی بوده است. تکنیک های مبتنی بر ML به شدت مورد بررسی قرار می گیرند زیرا می توانند الگوهای پیچیده در قیمت سهام را تشخیص دهند [20]. با توجه به ماهیت غیرخطی و متغیر زمانی سری زمانی ، اخیراً تقاضای الگوریتم های پیش بینی آنلاین افزایش یافته است [21]. الگوریتم های آنلاین از محاسبه متوالی برای دستیابی به نتایج قابل اعتماد و سریعتر استفاده می کنند [13]. در این راستا ، چندین تکنیک ساخته شده است ، مانند رگرسیون بردار پشتیبانی آنلاین (SVR) ، NN [8] و الگوریتم های KAF [10]. روشهای NN قدرت پردازش زیادی را به خود اختصاص داده و میزان همگرایی آهسته ای دارند [22]. SVR کاربرد برتر را فراهم می کند. با این حال ، برای مجموعه داده های عظیم مناسب نیست. علاوه بر این ، شبکه عصبی چند فیلتر (MFNN) مورد بررسی قرار گرفته است ، و کشف می شود که MFNN از SVR ، جنگل های تصادفی و سایر رویکردهای مبتنی بر شبکه عصبی بهتر است. استفاده از شبکه های عصبی Convolutional (CNN) نیز برای پیش بینی قیمت های روز بعدی مورد بررسی قرار گرفته است [23]. CNN از تصاویر چند حالته در حوزه زیست پزشکی بهتر عمل می کند [24 ، 25]. علاوه بر این ، برای پیش بینی قیمت سهام ، حافظه کوتاه مدت بلند مدت (LSTM) اعمال می شود [26]. نویسندگان از یک شبکه LSTM با یک لایه واحد و 200 گره در [27] استفاده کردند. علاوه بر این ، شبکه از LSTM تک لایه با 140 گره استفاده می کند [28]. در مقابل با استفاده از یک معماری عمیق با چهار لایه LSTM و 96 گره در لایه های پنهان ، هر لایه LSTM بیشتر با یک لایه ترک تحصیل دنبال می شود [29].

ثابت شده است که فیلتر تطبیقی یک انتخاب ارجح برای داده های جریان با رفتار غیرقانونی است [11 ، 30 ، 31]. برای پیش بینی سهام متوالی ، KAF را می توان با بهره برداری از وابستگی متقابل بازار استفاده کرد. همگرایی سریع ، پیچیدگی محاسباتی پایین و رفتار غیر پارامتری ، KAF را به یک انتخاب ارجح تبدیل می کند [10 ، 32]. یک تحقیق [33] بر تکامل دیفرانسیل ناهمزمان تطبیقی با عمل جهش اصلاح شده با جهش مثلث و پارامترهای سازگار ، سرعت و تنوع همگرایی را اصلاح می کند. در [34] ، نویسندگان برای پیش بینی های چند مرحله ای سهام ، یادگیری آنلاین هسته مکرر متا را ارائه دادند. اگرچه این مطالعات پتانسیل KAF را نشان می دهد ، اما KAF در زمینه پیش بینی قیمت سهام کاملاً مورد بررسی قرار نگرفته است. اگرچه مطالعات کمی در ادبیات با تمرکز بر منطقه وجود دارد ، تحقیقات در مقیاس بزرگ ادبیات را نادیده می گیرد. با این وجود ، باید اشاره کنیم که کار ارائه شده در [14] یک روش دو فاز را برای پیش بینی سهام پیشنهاد می کند. اول ، یادگیری متوالی با استفاده از KAF برای یادگیری مدل زیرین برای هر سهام به طور جداگانه استفاده شد. در مرحله دوم ، برای بهبود پیش بینی ، مدل های زمان واقعی از سهام مختلف آموخته می شوند. در [7] ، نویسندگان ایده فیلترهای تطبیقی Multikernel را برای معاملات گزینه های آنلاین پیشنهاد دادند. این روش به شاخص سهام کامپوزیت تایوان اعمال شد. گارسیا-وگا و همکاران.[35] یک روش یادگیری چند هسته ای را برای غلبه بر دو نگرانی اصلی با KAF: اندازه هسته و اندازه مرحله ارائه داد. با وجود این واقعیت که این مقالات در استفاده از الگوی KAF برای پیش بینی قیمت سهام تمرکز دارند ، هیچ یک از آنها اثربخشی پارادایم را در یک مجموعه داده در مقیاس بزرگ تأیید نمی کنند. علاوه بر این ، تأثیر ویندوزهای چند بار در نظر گرفته نمی شود. به نظر ما ، آزمایش روش بر روی پنجره های مختلف که اغلب توسط معامله گران مورد بررسی قرار می گیرند از اهمیت ویژه ای برخوردار است.

3. روش شناسی

3. 1بحث مختصر در مورد کاف