دانلود خودکار طراحی الگوریتم توسط شبکه عصبی و شاخص در معاملات سهام ایران.
توضیحات
مجله علوم کاربردی جدید موجود در www. jnasci. org © 2015 ژورنال جناس-2015-4-4/501-507 شاپای 2322-5149 © 2015
طراحی خودکار الگوریتم توسط شبکه عصبی و شاخصها در معاملات سهام ایران روحالله بهمنی زرگری 1*, منصور امینیلاری2 و محسن بشیری 3 1 - کارشناس ارشد کامپیوتر, واحد بروجرد, دانشگاه ازاد اسلامی, بروجرد, ایران 2 - استادیار گروه فناوری اطلاعات و کامپیوتر دانشکده مهندسی, دانشگاه ازاد اسلامی, مرودشت, ایران 3- استادیار دانشکده مهندسی کامپیوتر شعبه تهران دانشگاه صنعتی شریف تهران نویسنده: روحالله بهمنی زرگری چکیده: سرمایهگذار با پیشبینی وضعیت بازار میتواند موقعیت و میزان سرمایهگذاری خود را به نحوی تعیین کند که کارایی داراییهای خود به حداکثر خود برسد. فناوری پیشرفته رایانه انقلابی گسترده در زمینه بازارهای مالی و رویکرد تجاری ایجاد کرده است. این فناوری دو تغییر مهم و مرتبط در این زمینه ایجاد کرده است. یکی استفاده از رایانه توسط سرمایه گذاران برای فرایندهای تجاری اتومات زینگ و دیگری بازسازی بازارهای مالی و تجهیز سیستم کتاب سفارش الکترونیکی حد. با این نوع کتاب سفارش نیازی به حضور فیزیکی در سالن معاملات بازار سهام نیست. در این پژوهش سعی شده است با استفاده از تحلیل تکنیکال (تحلیل نمودار بورس اوراق بهادار) و کاسکاد رو به جلو, یادگیری با یادگیری سه لایه تحت نظارت, شبکه های عصبی مصنوعی و الگوریتم یادگیری لونبرگ-مارکوارت, تابع یادگیری وزن و قاعده دلتا), قواعد متنی ریاضی, قوانین تجارت, دستگاه های هندسی(خط روند), دستگاه های نظرسنجی (شاخص ها) مانند ابر ایچیموکو شاخص و شاخص قدرت نسبی و همچنین ابزارهای هندسی. با این کار الگوریتمی کارا و سودمند برای انجام خودکار فرایندهای خرید و فروش (با مدیریت سرمایهگذار) پیشنهاد میشود. تحلیل تکنیکال شبکه عصبی رو به جلو با استفاده از الگوریتم معاملات اندیکاتور. مقدمه با افزایش رقابت در محیط های تجاری مدیران مالی به الگوریتم های برنامه ریزی شده تبدیل شده اند. در دو طرف این بازی بنیاد خریدار و پایه های فروشنده قرار داده شده است. طرف خرید یا جامعه خریداران شرکت های مدیریت مالی هستند که کارشان خرید خدمات تجاری (از سازمان فروشنده) است. سازمان فروشنده یا طرف فروش به نمایندگی هایی گفته می شود که خدمات مالی را به شرکت های مدیریت مالی عرضه می کنند.
این خدمات شامل خرید سهام و ارایه مشاوره و تحقیقات مالی است و بانک های سرمایه گذاری و کارفرمایان اعضای اصلی این جامعه هستند.دو مدرسه تفکر که غالب ادبیات بازار سهم, تجزیه و تحلیل بنیادی و تجزیه و تحلیل فنی. بنیادگرایان بر این باورند که بورس اوراق بهادار دارای ارزش بی اثر است و نیروهای کار بازار اطمینان حاصل می کنند که قیمت هر سهم این ارزش را در دراز مدت پوشش می دهد. از طرف دیگر, متخصصان بر این باورند که قیمت گذشته هر سهم (و تغییرات قیمت), اندازه و حجم سهم تجارت تمایل به پیروی از همان الگوی. در نتیجه, تجزیه و تحلیل سیستماتیک می تواند در مورد سود فوق العاده در کوتاه مدت به طور کلی عرضه و درخواست نیروهای را, تعیین قیمت سهم. شاید تجزیه و تحلیل فنی تنها فنی برای یک سرمایه گذار به استفاده از فرم است. تجزیه و تحلیل بنیادی به دلیل حجم بالای اطلاعات و زمان مورد نیاز برای دستیابی به کلیه عوامل اساسی نیاز دارد. این عوامل برای دارندگان سهام کوچک پرهزینه و به موقع است. از طرف دیگر این سهامداران کوچک (سرمایه گذاران) به اطلاعات محرمانه دسترسی ندارند و حاشیه رقابتی پایینی برای تحلیل بنیادی در نظر گرفته شده است.
جی نو. برنامه علمی., 4 (4): 501-507, 2015
مروری بر تجزیه و تحلیل فنی تحقیقات گذشته با دیدگاه ها و مقالات چارلز داون و ویلیام همیلتون (1900-1902). مروری بر ادبیات در این زمینه محققان بی شماری را نشان می دهد که در این زمینه کار کرده اند. قبل از قانون اساسی سیستماتیک این روش تجزیه و تحلیل, براون و جنینگز (1989) نشان داد که ارزش تجزیه و تحلیل فنی همراه سیگنال های گلریزان و قیمت. سوینی (1988) در تحقیقات خود به این نتیجه رسید که بسته به سطح هزینه های معاملات, قوانین فیلتر کردن (قوانین فیلتر کردن و قوانین میانگین تلفن همراه دو قانون معاملات تجزیه و تحلیل فنی هستند), منجر به نتیجه ای کم و بیش سودمند می شود. لاکونیشوک و لبارون (1992) از قوانین میانگین موبایل استفاده کردند و نتیجه گرفتند که این قوانین نیز نتایج سودمندی را به همراه خواهد داشت. لریش و توماس (1993) و خو (1996) همچنین استراتژی میانگین موبایل را بررسی کردند و نتیجه گرفتند که استراتژی های ذکر شده مفید هستند. راتنر و لیل (1993) در برخی از کشورهای اسیا و امریکای لاتین به این نتیجه رسیدند که استفاده از روشهای تحلیل تکنیکال به نتایج سودمندی منجر خواهد شد. منیگ و ماتنو و گورو (2010) به این نتیجه رسیدند که قوانین میانگین موبایل توانایی پیش بینی بیشتری دارند و می توانند کارایی بیشتری کسب کنند. مانگ و مانزور و جویدن (2012) عملکرد بهتر روش میانگین موبایل و شاخص قدرت نسبی را در مقایسه با روش فروش و نگهداری در سهام سنگاپور ثابت کرد exchange. in امیری (1995) پژوهش خود را به این نتیجه رساند که روش تحلیل تکنیکال را می توان در بازار بورس اوراق بهادار تهران برای تحلیل سهام پیاده سازی کرد. خانلو (1996) به این نتیجه رسید که روشهای مختلف تحلیل تکنیکال که در بازارهای مالی جهانی مورد استفاده قرار گرفت تا حدودی در بورس ایران نیز کاربرد دارد. نتایج تحقیقات غلامزاده و نوروش (2000) نشان داد که روند کسب سود سالانه توسط شرکتهای ایرانی که تحت بررسی بودند به روش میانگین متحرک بود. مهرانی و کرمی (2008) در پیشبینی سوددهی سهام از اطلاعات تاریخی (اعم از مالی و غیر مالی) برای تشخیص شرکتهای موفق از شرکتهای ناموفق استفاده کردند. صادقی شریف و سلطان زارعی (2011) در تحقیقات خود به این نتیجه رسیدند که روشهای تحلیل تکنیکال برای تحلیلگران و سرمایهگذاران بورس اوراق بهادار تهران مفید و سودمند است. با طراحی شبکه عصبی پیشنهادی در بازار سهام روزانه داده های زیادی به عنوان شخصیت های سهام اعلام می شود. پارامترهایی که ما به عنوان متغیرهای ورودی در این مدل در نظر می گیریم,
شامل پنج داده مهم در بازه زمانی یک روزه; 1) قیمت باز سهم 2) قیمت بسته شدن قیمت سهم 3) قیمت پایین سهم 4) قیمت بالای سهم 5) قیمت طلا را ببندید. برای مدلسازی با شبکههای عصبی مصنوعی دادههای خطای تست لازم است اطلاعات مربوط به یک دوره 2 ساله (2011-2013) در مورد شاخص کل بازار بورس اوراق بهادار تهران برای این پژوهش مناسب در نظر گرفته شد. این اطلاعات که روزانه و برخط از سایت رسمی بازار بورس تهران استخراج شده است (www. irbourse. com پایه داده های پایه این تحقیق را تشکیل می دهد. هدف از طبقه بندی این است که بدانید وضعیت سهم در نظر گرفته شده برای فروش یا تعقیب چگونه خواهد بود. در این تحقیق با استفاده از قاعده روند (روند صعودی, روند نزولی, روند پهلوی) و شرایط روزهای گذشته در بازار به عنوان استانداردی برای طبقه بندی داده ها در نظر گرفته شد. سرمایهگذار با مراجعه به دادههای گذشته و ارزیابی فضای بازار و موارد فوق تصمیم میگیرد سهم و تعقیب ورودی را کالیبره کند days. In برای طبقهبندی دادهها بر اساس ویژگیهایشان به 3 کلاس تقسیم کردهایم (جدول 1). جدول 1. طبقه بندی داده ها مشخصات کلاس بهترین زمان برای خرید سهم بدون خرید و فروش بهترین زمان برای فروش سهم
این خدمات شامل خرید سهام و ارایه مشاوره و تحقیقات مالی است و بانک های سرمایه گذاری و کارفرمایان اعضای اصلی این جامعه هستند.دو مدرسه تفکر که غالب ادبیات بازار سهم, تجزیه و تحلیل بنیادی و تجزیه و تحلیل فنی. بنیادگرایان بر این باورند که بورس اوراق بهادار دارای ارزش بی اثر است و نیروهای کار بازار اطمینان حاصل می کنند که قیمت هر سهم این ارزش را در دراز مدت پوشش می دهد. از طرف دیگر, متخصصان بر این باورند که قیمت گذشته هر سهم (و تغییرات قیمت), اندازه و حجم سهم تجارت تمایل به پیروی از همان الگوی. در نتیجه, تجزیه و تحلیل سیستماتیک می تواند در مورد سود فوق العاده در کوتاه مدت به طور کلی عرضه و درخواست نیروهای را, تعیین قیمت سهم. شاید تجزیه و تحلیل فنی تنها فنی برای یک سرمایه گذار به استفاده از فرم است. تجزیه و تحلیل بنیادی به دلیل حجم بالای اطلاعات و زمان مورد نیاز برای دستیابی به کلیه عوامل اساسی نیاز دارد. این عوامل برای دارندگان سهام کوچک پرهزینه و به موقع است. از طرف دیگر این سهامداران کوچک (سرمایه گذاران) به اطلاعات محرمانه دسترسی ندارند و حاشیه رقابتی پایینی برای تحلیل بنیادی در نظر گرفته شده است.
تا این بخش مجموعه ای از 5 متغیر به عنوان ورودی شبکه و طبقه بندی 1 تا 3 برای خروجی تعیین می شود. مدلها و معماریهای مختلفی برای تعیین توپولوژی مناسب شبکه عصبی مورد بررسی قرار گرفت. با تغییر تعداد لایههای پنهان مدل پیشبینی اصلی انتخاب شد. در نهایت تعداد بهینه لایهها به صورت چهار لایه (یک لایه ورودی و دو لایه پنهان و یک لایه خروجی) و تعداد نورونها (5-6-1) محاسبه شد. در مقایسه با پارامترهای خروجی که برای شبکه تعریف کردیم شبکه در نظر گرفته شده دارای یک خروجی در دقیقه است. تا این قسمت می توان بازنمایی کلی از ساختار شبکه عصبی بهینه شده را برای پیش بینی روند حرکتی سهم مورد بررسی مشاهده کرد (شکل 1).
جی نو. برنامه علمی., 4 (4): 501-507, 2015
شکل 1. نمایش کلی ساختار شبکه عصبی بهینه شده
پس از توسعه پایگاه داده مربوط به اموزش و تعریف تعداد مناسب لایه ها و نورون ها اکنون نوبت به انتخاب نوع شبکه می رسد. بدین منظور در این پژوهش برای اولین بار از شبکه کسکاد فوروارد با سرپرست چندلایه استفاده شد (شبکههای چندلایه برای حل مشکلات به مراتب کارامدتر و قویتر از شبکههای چندلایه واحد هستند)(شکل 2).
شکل 2. ساختار گره ها در شبکه فوروارد کاسکاد
به طور کلی اگر بخواهیم بدنه شبکه عصبی طراحی شده در این مقاله را توصیف کنیم می توانیم در شکل زیر نشان دهیم (3).
این خدمات شامل خرید سهام و ارایه مشاوره و تحقیقات مالی است و بانک های سرمایه گذاری و کارفرمایان اعضای اصلی این جامعه هستند.دو مدرسه تفکر که غالب ادبیات بازار سهم, تجزیه و تحلیل بنیادی و تجزیه و تحلیل فنی. بنیادگرایان بر این باورند که بورس اوراق بهادار دارای ارزش بی اثر است و نیروهای کار بازار اطمینان حاصل می کنند که قیمت هر سهم این ارزش را در دراز مدت پوشش می دهد. از طرف دیگر, متخصصان بر این باورند که قیمت گذشته هر سهم (و تغییرات قیمت), اندازه و حجم سهم تجارت تمایل به پیروی از همان الگوی. در نتیجه, تجزیه و تحلیل سیستماتیک می تواند در مورد سود فوق العاده در کوتاه مدت به طور کلی عرضه و درخواست نیروهای را, تعیین قیمت سهم. شاید تجزیه و تحلیل فنی تنها فنی برای یک سرمایه گذار به استفاده از فرم است. تجزیه و تحلیل بنیادی به دلیل حجم بالای اطلاعات و زمان مورد نیاز برای دستیابی به کلیه عوامل اساسی نیاز دارد. این عوامل برای دارندگان سهام کوچک پرهزینه و به موقع است. از طرف دیگر این سهامداران کوچک (سرمایه گذاران) به اطلاعات محرمانه دسترسی ندارند و حاشیه رقابتی پایینی برای تحلیل بنیادی در نظر گرفته شده است.
حال خلاصه مشخصات و پارامترهای شبکه عصبی (در این تحقیق) را در جدول (2) نشان می دهیم.
جی نو. برنامه علمی., 4 (4): 501-507, 2015
جدول 2. خلاصه ای از پارامترها و مشخصات پارامترهای شبکه عصبی ساختار شبکه عصبی نوع یادگیری شبکه عصبی (تمرین) الگوریتم تعصب و وزن تابع یادگیری خطا عملکرد تعداد لایه های پنهان تعداد گره ها در لایه پنهان اعتبار سنجی بررسی لایه مخفی تابع انتقال لایه خروجی تابع انتقال تعداد داده های تمرینی تعداد معاینه داده ها
توضیح الگوریتم دلتا خط کش (گرادیان تصادفی) خطای میانگین مربع و خطای میانگین مربع (میانگین مربع) 2 6 6 تابع اشباع متقارن سیگموید قهوهای مایل به زرد 530 131
بررسی ارزش داده های واقعی و پیش بینی پس از تمرین شبکه اکنون زمان تست شبکه برای داده های جدید به منظور ارزیابی میزان دقت خروجی شبیه سازی با مقدار هدف است. با توجه به شکل (4) می توان نمودار خروجی شبکه را با مقدار هدف حاصل مشاهده کرد.
شکل 4. نمودار نمودار خروجی شبکه با مقدار هدف داده های تست
طراحی شاخص های الگوریتم تجارت پیشنهادی برای روشن شدن نوع حرکت بازار استفاده می شود. با توجه به شکل 5 خطوط شاخص ایچیموکو را برای تایید و متعاقبا خط شاخص قدرت نسبی را برای اعلام هشدارهای حرکتی در نمودار روزهای گذشته بازار (نمودار شاخص کل) ترسیم می کنیم تا نگاهی به بازار بیندازیم. در نتیجه ما سیگنال های فروش و خرید را برای الگوریتم خود طراحی خواهیم کرد.
این خدمات شامل خرید سهام و ارایه مشاوره و تحقیقات مالی است و بانک های سرمایه گذاری و کارفرمایان اعضای اصلی این جامعه هستند.دو مدرسه تفکر که غالب ادبیات بازار سهم, تجزیه و تحلیل بنیادی و تجزیه و تحلیل فنی. بنیادگرایان بر این باورند که بورس اوراق بهادار دارای ارزش بی اثر است و نیروهای کار بازار اطمینان حاصل می کنند که قیمت هر سهم این ارزش را در دراز مدت پوشش می دهد. از طرف دیگر, متخصصان بر این باورند که قیمت گذشته هر سهم (و تغییرات قیمت), اندازه و حجم سهم تجارت تمایل به پیروی از همان الگوی. در نتیجه, تجزیه و تحلیل سیستماتیک می تواند در مورد سود فوق العاده در کوتاه مدت به طور کلی عرضه و درخواست نیروهای را, تعیین قیمت سهم. شاید تجزیه و تحلیل فنی تنها فنی برای یک سرمایه گذار به استفاده از فرم است. تجزیه و تحلیل بنیادی به دلیل حجم بالای اطلاعات و زمان مورد نیاز برای دستیابی به کلیه عوامل اساسی نیاز دارد. این عوامل برای دارندگان سهام کوچک پرهزینه و به موقع است. از طرف دیگر این سهامداران کوچک (سرمایه گذاران) به اطلاعات محرمانه دسترسی ندارند و حاشیه رقابتی پایینی برای تحلیل بنیادی در نظر گرفته شده است.
Cloud = Senkou Span A and B The relative strength index (RSI) of indicator is bigger than number 50. RSI >سیگنال خرید پیشنهادی در صورتی که خروجی شبکه عصبی یک عدد باشد (بهترین زمان برای خرید سهم) اطلاعات روزانه قیمت نزدیک هر سهم بر اساس شمع روز قبل قرار می گیرد و خط "کیجون سن" بالای خط "ابر ایچیموکو" قرار می گیرد و خطوط این اندیکاتور در محدوده زیر محاسبه می شود: تنکان سن= بیش از 9 دوره گذشته کیجون-سن-سن= بیش از گذشته 26 دوره سنکو دهانه ب= بیش از گذشته 52 دوره های زمانی, ارسال 26 دوره پیش سنکو دهانه یک: (خط تنکان+خط کیجون)/2 رسم 26 دوره های زمانی پیش