برنامه های یادگیری ماشین در اقتصاد پیچیده و شبکه های مالی

مقاله تحقیق |دسترسی آزاد جلد 2021 |شناسه مقاله 5511802 |https://doi.org/10. 1155/2021/5511802 استناد

پیش بینی نوسانات شاخص سهام: مدل یادگیری عمیق با عملکرد از دست دادن مبتنی بر احتمال

نیش جیا 1 و بولی یانگ بیشتر نشان بده، اطلاعات بیشتر سردبیر دانشگاهی: بنیامین میراندا تاباک 07 ژانویه 2021 دریافت کرد اصلاح شده 01 فوریه 2021 16 فوریه 2021 را پذیرفت منتشر شده 25 فوریه 2021

خلاصه

نوسانات به طور گسترده در مناطق مختلف مالی مورد استفاده قرار می گیرد و پیش بینی نوسانات دارایی های مالی می تواند با ارزش باشد. در این مقاله ، ما برای پیش بینی نوسانات شاخص سهام از شبکه عصبی عمیق (DNN) و حافظه کوتاه مدت (LSTM) استفاده می کنیم. بیشتر مطالعات تحقیقاتی مرتبط از عملکرد از دست دادن از راه دور برای آموزش مدل های یادگیری ماشین استفاده می کنند و آنها دو معایب به دست می آورند. مورد اول این است که آنها هنگام استفاده از نوسانات تخمین زده شده برای هدف پیش بینی خطاها را معرفی می کنند و مورد دوم این است که مدل های آنها را نمی توان با مدل های اقتصاد سنجی منصفانه مقایسه کرد. برای حل این دو مشکل ، ما بیشتر یک عملکرد از دست دادن مبتنی بر احتمال را برای آموزش مدل های یادگیری عمیق معرفی می کنیم و تمام مدل ها را با احتمال نمونه آزمایش آزمایش می کنیم. نتایج نشان می دهد که مدل های یادگیری عمیق ما با عملکرد از دست دادن مبتنی بر احتمال می توانند نوسانات را دقیق تر از مدل اقتصاد سنجی و مدل های یادگیری عمیق با عملکرد از دست دادن از راه دور پیش بینی کنند و مدل LSTM در دو مدل یادگیری عمیق با احتمال بهتر استعملکرد از دست دادن مبتنی بر

1. معرفی

در امور مالی ، نوسانات به میزان تغییر قیمت دارایی اشاره دارد و عدم اطمینان قیمت را اندازه گیری می کند. این نقش مهمی در تحقیقات دانشگاهی و صنعت مالی دارد. در مدیریت ریسک و اندازه گیری عملکرد ، نوسانات یک شاخص خطر است و می تواند بخشی از برخی از شاخص های دیگر مانند نسبت شارپ باشد. در تئوری نمونه کارها ، مارکوویتس [1] از نوسانات برای اندازه گیری خطرات دارایی ها و خطر کلی نمونه کارها استفاده کرد. نوسانات هم ورودی و هم بهینه سازی مدل ساخت نمونه کارها است. در قیمت گذاری مشتق ، قیمت مشتقات را می توان با نوسانات دارایی های زیرین تعیین کرد [2].

از آنجا که نوسانات می تواند در مناطق مختلف مالی مفید باشد و در برخی شرایط ، اطلاعات مربوط به نوسانات آینده برای تصمیم گیری های مالی لازم است ، پیش بینی نوسانات می تواند ارزشمند باشد. روشهای اقتصاد سنجی به طور گسترده ای برای پیش بینی نوسانات دارایی های مالی استفاده می شود. Engle [3] برای توصیف نوسانات ، مدل ناهمگونی مشروط (ARCH) خود را معرفی کرد. در این مدل ، واریانس شرطی به عنوان تابعی از واریانس های قبلی ارائه شده است. دینامیک نوسانات را می توان با به حداکثر رساندن احتمال مدل به دست آورد و سپس از مدل تخمین زده شده می توان برای پیش بینی نوسانات آینده استفاده کرد. Bollerslev [4] مدل قوس را گسترش داد تا یک مدل ناهمگونی مشروط مشروط (GARCH) باشد. این مدل باعث می شود واریانس شرطی تابعی از خطاهای قبلی و واریانس های قبلی باشد. نلسون [5] بیشتر مدل GARCH را گسترش داده و مدل ناهمگونی مشروط مشروط (EGARCH) به صورت نمایی ساخته شده است. پاسخ نامتقارن به شوک ها در این مدل مجاز است. Corsi [6] از داده های فرکانس بالا در داخل برای محاسبه نوسانات تحقق یافته استفاده کرد و یک مدل اتورگرایی ناهمگن (HAR) را برای پیش بینی نوسانات معرفی کرد.

استفاده از الگوریتم های یادگیری ماشین روش دیگری برای پیش بینی نوسانات است. در مقایسه با مدلهای اقتصاد سنجی که مبتنی بر فرضیات اقتصادی و منطق آماری هستند ، الگوریتم های یادگیری ماشین بیشتر داده ها محور هستند. تعداد زیادی از مقالات شبکه های عصبی و مدل GARCH را به عنوان یک مدل ترکیبی ترکیب کرده و از مدل ترکیبی برای پیش بینی نوسانات استفاده می کنند [7-15]. این مقالات از این نوع روش استفاده می کردند و انواع مختلفی از دارایی ها از جمله شاخص های سهام را در چندین کشور ، فلزات ، روغن و بیت کوین مورد مطالعه قرار دادند. همه آنها نتیجه گرفتند که شبکه های عصبی ترکیبی می توانند نوسانات را دقیقاً پیش بینی کنند. برخی از مقالات انواع دیگری از ترکیبات را ایجاد کرده و پیش بینی های موفقی کسب کرده اند. Lahmiri [16] شبکه های عصبی و شاخص های فنی را برای پیش بینی نوسانات نرخ ارز ترکیب کرد. پنگ و همکاران.[17] رگرسیون بردار پشتیبانی و مدل های GARCH برای پیش بینی نوسانات ارز. Ramos-Pérez و همکاران.[18] از مجموعه ای از تکنیک های یادگیری ماشین ، مانند افزایش نزول شیب ، جنگل تصادفی ، دستگاه بردار پشتیبانی و شبکه عصبی استفاده کنید و آنها را برای پیش بینی نوسانات S& P 500 جمع کنید.

برخی از مقالات برای پیش بینی نوسانات از یادگیری عمیق ، که یک شاخه ویژه از یادگیری ماشین است ، استفاده کردند. از آنجا که LSTM یک معماری مؤثر یادگیری ماشین برای مدل سازی سری زمانی است ، برخی از مقالات LSTM و GARCH مدل را به عنوان مدل ترکیبی ترکیب کرده و از مدل ترکیبی برای پیش بینی نوسانات استفاده می کنند [19-21]. آنها مدل های خود را با برخی از مدل های دیگر ، مانند رگرسیون بردار پشتیبانی (SVR) و GARCH مقایسه کردند. مدل های یادگیری عمیق ترکیبی توانایی پیش بینی قوی را نشان دادند. زینگ و همکاران.[22] از استخراج متن برای گرفتن احساسات بازار از جریان پیام های اجتماعی استفاده کرد و سیگنال های احساسات را در شبکه های عصبی مکرر (RNN) گنجانید. مدل آنها نه مدل دیگر را در پیش بینی نوسانات شکست داد. Vidal و KristjanPoller [23] دو معماری یادگیری عمیق محبوب ، که شبکه عصبی Convolution (CNN) و LSTM هستند ، برای پیش بینی نوسانات طلا ترکیب کردند. یو و لی [24] نوسانات ارزش شدید را برای شاخص سهام تعریف کردند ، که از بالاترین قیمت روزانه و کمترین قیمت روزانه محاسبه می شود. آنها از نوسانات تاریخی برای پیش بینی نوسانات آینده ، توسط LSTM و Garch به طور جداگانه استفاده کردند.

تقریباً تمام این منابع یادگیری ماشین از یک فرآیند مشابه برای پیش بینی نوسانات پیروی می کنند. آنها از داده های تاریخی به عنوان ورودی برای پیش بینی نوسانات برای هر روز استفاده می کنند و از روشهای آماری برای تخمین نوسانات تحقق یافته برای همان روز استفاده می کنند. سپس ، آنها از فاصله بین این دو استفاده می کنند ، به عنوان مثال ، میانگین خطای مربع (MSE) یا میانگین خطای مطلق (MAE) ، به عنوان عملکرد از دست دادن ، برای آموزش مدل یادگیری ماشین. با به حداقل رساندن عملکرد فاصله ، آنها می توانند مدل های یادگیری ماشین مؤثر را برای پیش بینی نوسانات تحقق یافته بدست آورند.

این یک فرآیند مشترک است که محققان سعی می کنند هدف را با یادگیری ماشین پیش بینی کنند ، اما در صورت پیروی از آن برای پیش بینی نوسانات ، دو مضرات به دست می آورد. اول ، از آنجا که نوسانات غیرقابل کنترل است ، هنگامی که محققان از نوسانات تحقق یافته به عنوان هدف استفاده می کنند ، خطاها را در روند پیش بینی معرفی می کنند. این نوع خطاها باعث کاهش دقت پیش بینی آنها می شود زیرا آنچه آنها سعی می کنند پیش بینی کنند نوسانات واقعی نیست. دوم ، مدلهای اقتصاد سنجی با به حداکثر رساندن احتمال داده های نمونه ، پارامترهای خود را تخمین می زنند ، که با هدف بهینه سازی این مدلهای یادگیری ماشین متفاوت است. از آنجا که این محققان همیشه از ارزش فاصله برای آزمایش بیشتر توانایی پیش بینی استفاده می کنند ، روش آموزش مدل اقتصاد سنجی با روش آزمایش آنها سازگار نیست. بنابراین مقایسه بین الگوی یادگیری عمیق و مدل اقتصاد سنجی در این مقالات به اندازه کافی منصفانه نیست.

برای حل این دو مشکل ، ما یک عملکرد منفی در زمینه ورود به سیستم را معرفی می کنیم تا عملکرد از دست دادن مدل یادگیری عمیق در این مقاله باشد. با استفاده از این عملکرد از دست دادن مبتنی بر احتمال ، می توانیم مدل یادگیری عمیق را بدون تخمین نوسانات تحقق یافته آموزش دهیم ، بنابراین روند پیش بینی می تواند ساده تر باشد. در عین حال ، مدل یادگیری عمیق را می توان با مدل اقتصاد سنجی نسبتاً مقایسه کرد ، زیرا روشهای آموزش مدل یادگیری عمیق و مدل اقتصادسنجی هر دو بر اساس عملکرد احتمال است. برای قوام ، ما با محاسبه عملکرد احتمال نمونه آزمون ، مدل ها را نیز آزمایش می کنیم.

علاوه بر این ، مدل یادگیری عمیق که ما می سازیم فقط از بازده شاخص به عنوان ورودی برای پیش بینی نوسانات استفاده می کند ، از جمله هیچ شهود اقتصادی در مدل. این یک روش یادگیری عمیق پایان به پایان است زیرا ما مستقیماً از سری بازگشت تاریخی به پیش بینی نوسانات می رویم. مدل یادگیری عمیق و مدل اقتصاد سنجی از همان ورودی ها برای پیش بینی نوسانات استفاده می کنند ، بنابراین مقایسه بین آنها به اندازه کافی منصفانه است.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 داده ها و روش هایی را که ما استفاده می کنیم توصیف می کند. مطالعه تجربی و تجزیه و تحلیل حساسیت در بخش 3 مورد بحث قرار گرفته است. بخش 4 نتیجه گیری می کند.

2. مواد و روشها

2. 1داده ها

این تحقیق سه شاخص اصلی بازار سهام ایالات متحده را بررسی می کند که شامل شاخص S& P 500 ، شاخص متوسط صنعتی داو جونز و شاخص کامپوزیت NASDAQ است. ما قیمت بسته شدن این شاخص های سهام را از تاریخ شروع آنها تا 30 ژوئن 2020 به دست می آوریم. به طور مفصل ، پوشش داده های نمونه S& P 500 از 2 ژانویه 1928 ، تا 30 ژوئن 2020 ، پوشش داده های نمونه داو جونز از 26 مه 1896 تا30 ژوئن 2020 و داده های نمونه NASDAQ از 5 فوریه 1971 تا 30 ژوئن 2020 است. سه دوره نمونه شامل 23240 ، 31096 و 12457 روز معاملاتی به طور جداگانه است.

سپس بازده روزانه را به عنوان لگاریتم های قیمت بسته شدن روزانه با استفاده از معادله زیر محاسبه می کنیم: