ارائه مدل های پیش بینی مالی مبتنی بر الگوریتم یادگیری عمیق

الگوریتم های یادگیری عمیق به دلیل توانایی خود در مدیریت داده های پیچیده، غیرخطی و غیرایستا به طور فزاینده ای برای مدل های پیشبینی مالی محبوب شده اند. چراکه بیشترین سود را برای سرمایه گذاران به همراه دارد. روشهای یادگیری عمیق شامل تحلیل ها و پیش بینی هایی می شود که می تواند به ما در کشف الگو های ناشناخته در میان داده ها کمک کند. روش های یادگیری عمیق توانایی باالیی برای استخراج الگوهای پنهان در سری های زمانی مالی دارند و می توانند با دقت مناسبی حرکات آینده این بازارها را پیش بینی کنند. هر جند در این بازار مولفه های دیگری از جمله رخدادهای سیاسی تاثیرگذارند. در مقاله حاضر، مدل پیش بینی پرتفوی FEPA جدید مبتنی بر روش تجزیه EMD است. این مدل مبتنی بر تجزیه حالت تجربی خاص سری های زمانی مالی، تحلیل مولفه های اصلی و شبکه عصبی مصنوعی برای مدلسازی و پیش بینی سری های زمانی مالی پیچیده غیرخطی، غیرایستا و چندمقیاسی جهت پیش بینی شاخص های بازار سهام و نرخ مبادله ارز و بررسی تجربی این حوزه در تحقیقات بازار مالی است. مدل پیش بینی ترکیبی مقاله حاضر مبتنی بر ایده سنتز تجزیه - بازسازی است که باعث بهبود موثر پیش بینی سری های زمانی مالی داخلی مدل می شود. در این تحقیق شاخص CSI ۳۰۰ و نرخمبادله ارز به عنوان بازار و داده های تجربی انتخاب شده و هفت مدل پیش بینی برای پیش بینی روند اجرای کوتاه مدت قیمت پایانی تعیین شده است. در مقاله حاضر با توجه به آنکه قیمت باال و پایین در ورودی و خروجی موجود می باشند، الگوریتم تجزیه EMD بازه ای معرفی گردید با تجزیه و تحلیل قیمت پایانی، قیمت های باال و پایین شاخص سهام در زمان مشابه، نوسانات این سری های زمانی بازه ای شاخص و روند آن بهتر ثبت و دریافت می شود.

کلیدواژه ها:

یادگیری عمیق ، پیشبینی مالی ، سری های زمانی ، مدل های مالی ، شبکه عصبی