نمای یادگیری ماشین در مورد حرکت و معکوس

اثرات حرکت و واژگونی پدیده های مهمی در بازار سهام است. در آکادمی ، سالها مطالعات مربوطه انجام شده است. محققان تلاش کرده اند با استفاده از روشهای آماری ، این پدیده ها را تجزیه و تحلیل کنند و توضیحات قابل قبول ارائه دهند. با این حال ، این توضیحات گاهی غیرقابل اطمینان است. علاوه بر این ، انتقال یافته های این مطالعات به دلیل عدم توانایی پیش بینی بسیار دشوار است. این مقاله اولین تلاش برای اتخاذ تکنیک های یادگیری ماشین برای بررسی حرکت و تأثیرات معکوس در هر بورس است. در این مطالعه ، تکنیک های مختلف یادگیری ماشین ، از جمله درخت تصمیم گیری (DT) ، دستگاه بردار پشتیبانی (SVM) ، شبکه عصبی چند لایه Perceptron (MLP) و شبکه عصبی حافظه کوتاه مدت (LSTM) با دقت مورد بررسی قرار گرفتند. چندین مدل ساخته شده بر روی این رویکردهای یادگیری ماشین برای پیش بینی تأثیر حرکت یا تأثیر معکوس در بازار سهام سرزمین اصلی چین استفاده شده است ، بنابراین به سرمایه گذاران امکان می دهد استراتژی های معاملاتی مربوطه را بسازند. نتایج تجربی نشان داد که این رویکردهای یادگیری ماشینی ، به ویژه SVM ، برای گرفتن حرکت مربوطه و اثرات معکوس و احتمالاً ایجاد استراتژی های تجاری سودآور مفید هستند. علاوه بر این ، ما استراتژی های معاملاتی مربوطه را از نظر دولت های بازار پیشنهاد می کنیم تا بهترین بازده سرمایه گذاری را بدست آوریم.

1. معرفی

اثرات حرکت و واژگونی پدیده های متداول و جالب در بازارهای سهام است. اثر حرکت به این معنی است که سهام هایی که عملکرد خوبی داشته اند ، یعنی با توجه به بازده بالاتر ، در گذشته (برندگان) احتمالاً همچنان از کسانی که در گذشته (بازنده) عملکرد ضعیفی داشته اند ، بهتر عمل می کنند. در مقابل ، اثر معکوس نشان می دهد که بازنده های گذشته ممکن است در آینده به برندگان تبدیل شوند.

اثر معکوس برای اولین بار توسط [1] مشاهده شد ، که در آن مشخص شد که خرید بازنده و فروش برندگان ممکن است بازده برتر را در بورس سهام ایالات متحده بدست آورد ، زیرا بازار ایالات متحده به راحتی نسبت به برخی از رویدادها بیش از حد واکنش نشان می دهد ، که منجر به حرکات غیر طبیعی قیمت می شود. اثر حرکت ، که ادعا می کند خرید برندگان و فروش بازنده در همان زمان می تواند بازده مثبت قابل توجهی را طی دوره های 3 تا 12 ماه در بازار سهام ایالات متحده کسب کند ، توسط [2] کشف شد.

تا همین اواخر ، بسیاری از مطالعات مرتبط انجام شده است. علاوه بر بازار ایالات متحده ، محققان اظهار داشتند که بورس سهام در مناطق مختلف دارای درجات مختلفی از حرکت و/یا اثر معکوس است. به عنوان مثال ، مرجع [3] اثر حرکت در بازارهای نوظهور آمریکای لاتین را مشاهده کرد. مرجع [4] شواهدی از تأثیر حرکت قابل توجهی در بورس سهام چین شانگهای در طی دوره 1995 تا 2005 یافت. مرجع [5] یک استراتژی پرتفوی متضاد را پیشنهاد کرد که می تواند براساس وارونگی کوتاه مدت سود در بورس مالزی کسب کنداثرمرجع [6] به واژگونی کوتاه مدت و اثرات حرکت میان مدت در بازده سهام هفتگی در بازارهای اروپا اشاره کرد. مرجع [7] استراتژی های داوری سودآور ساخته شده بر اثر تأثیر معکوس کوتاه مدت در بازار سهام هنگ کنگ را ارائه داد.

در بالای این مشاهدات ، مطالعات مختلف [8،9،10،11،12] در تلاشند تا مکانیسم های موجود در این اثرات را توضیح دهند. به عنوان مثال ، مرجع [8] نشان داد که اثر حرکت ممکن است با حجم معاملات گذشته ارتباط داشته باشد. مرجع [9] نتیجه گرفت که فاکتورهای مالی اساسی پیوندهای مهمی با اثر معکوس برای سهام معامله شده در بورس استرالیا دارند. مرجع [5] استدلال كرد كه دولت بازار با تأثیر شتاب در بازار سهام هند رابطه قوی دارد. علاوه بر این ، برخی از محققان به دنبال توضیح پدیده ها از طریق مدلهای مالی رفتاری ، مانند [11،12] هستند.

وجود اثرات حرکت و معکوس فرضیه بازارهای کارآمد (EMH) را به چالش کشیده است. به عبارت دیگر ، سرمایه گذاران اگر بتوانند پیش بینی کنند که چه تأثیر ممکن است در دوره بازار بعدی رخ دهد ، ممکن است عملکرد اضافی را بدست آورند. متأسفانه ، نتایج نتیجه گیری بیشتر مطالعات موجود بسیار وابسته به تجربه و تنظیمات انسانی است ، به عنوان مثال ، در دوره های خاص مشاهده و برگزاری بازار. یافته های آنها در دوره های دیگر غیرقابل تکرار است. در نتیجه ، تأثیراتی که در واقع در گذشته وجود داشته است ممکن است در آینده ناپدید شود. به طور مشابه ، عوامل خلاصه شده که اثرات را توضیح می دهند بسیار قوی نیستند. این پیوندها ممکن است هنگام استفاده از سایر دوره های بازار پایدار نباشند. بنابراین ، انتقال این خروجی های تحقیق به معاملات سرمایه گذاری در دنیای واقعی دشوار است.

امروزه ، یادگیری ماشین ، به عنوان یکی از مهمترین رویکردهای هوش مصنوعی ، یک موضوع تحقیقاتی بسیار داغ در آکادمی و همچنین در صنعت است. بسیاری از شواهد نشان می دهند که یادگیری ماشین به طور گسترده ای در حوزه های متنوع اعمال شده است [13،14]. یادگیری ماشین قادر به تشخیص خودکار الگوهای بالقوه مفید در داده های مالی است [15].< SPAN> امروزه ، یادگیری ماشین ، به عنوان یکی از مهمترین رویکردهای هوش مصنوعی ، یک موضوع تحقیقاتی بسیار داغ در آکادمی و همچنین در صنعت است. بسیاری از شواهد نشان می دهند که یادگیری ماشین به طور گسترده ای در حوزه های متنوع اعمال شده است [13،14]. یادگیری ماشینی قادر است به طور خودکار الگوهای بالقوه مفید را در داده های مالی بشناسد [15] . NOWADAYS ، Leaing Machine ، به عنوان یکی از مهمترین رویکردهای هوش مصنوعی ، یک موضوع تحقیقاتی بسیار داغ در آکادمی و همچنین در صنعت است. بسیاری از شواهد نشان می دهند که یادگیری ماشین به طور گسترده ای در حوزه های متنوع اعمال شده است [13،14]. یادگیری ماشین قادر به تشخیص خودکار الگوهای بالقوه مفید در داده های مالی است [15].

هدف این مقاله پیشنهاد استفاده از رویکردهای یادگیری ماشین به جای روش های آماری سنتی (به عنوان مثال، آزمون علیت و آزمون فرضیه) است که در مطالعات قبلی برای بررسی اثر حرکت و معکوس بر بازار سهام استفاده شده اند. تا جایی که ما می دانیم، تحقیقات کمی از یادگیری ماشینی برای این مشکل استفاده کرده است. در این تحقیق، ما مشکل را به عنوان یک کار یادگیری ماشینی نظارت شده در نظر می گیریم. این مقاله چندین مدل ساخته شده بر روی رویکردهای مختلف یادگیری ماشینی محبوب، از جمله درخت تصمیم (DT)، ماشین بردار پشتیبان (SVM)، شبکه عصبی پرسپترون چند لایه (MLP) و شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) را برای یادگیری ارائه می کند. داده های تاریخی و پیش بینی اثرات در دوره بعدی. در میان رویکردهای مختلف یادگیری ماشین، روش های یادگیری DT برای ساخت درخت های تصمیم برای تغییر مشاهدات هر مثال/مورد برای نتیجه گیری در مورد مقدار هدف نمونه/مورد مربوطه تعیین شده اند. این یکی از پرکاربردترین رویکردهای مدل سازی پیش بینی برای داده کاوی، یادگیری ماشین و آمار است. علاوه بر این، SVM مدل های یادگیری نظارت شده ای هستند که در یادگیری ماشین با الگوریتم های مرتبط برای انجام تحلیل های حیاتی روی داده های زیربنایی برای آزمون های طبقه بندی یا رگرسیون استفاده می شوند. رویکرد SVM مرسوم به طور گسترده در بسیاری از برنامه های کاربردی واقعی از جمله پیش بینی مالی، تشخیص تصویر یا صدا [16،17] و غیره استفاده شده است. برنامه های کاربردی در دنیای واقعی، در حالی که رویکرد شبکه عصبی کانولوشن (CNN) بیشتر برای تجزیه و تحلیل روابط پیچیده بین پیکسل ها برای پردازش تصویر یا ویدیو استفاده می شود. اساسا، CNN از تنوعی از MLP برای انجام حداقل پیش پردازش برای تصویر ورودی یا فایل های ویدئویی استفاده می کند. اخیراً، سایر مطالعات تحقیقاتی سعی کرده اند مدل های CNN را برای پیش بینی مالی تطبیق دهند. علاوه بر این، مرجع [18] یک روش بهبود یافته بهینه سازی کموتاکسی باکتریایی (IBCO) را برای ادغام در شبکه عصبی پس انتشار پیشنهاد کرد تا یک مدل پیش بینی کارآمدتر برای پیش بینی سهام ایجاد کند. بدیهی است که طیف متنوعی از استراتژی های معاملاتی شامل رویکردهای مختلف یادگیری ماشینی را می توان توسعه داد و به طور کامل ارزیابی کرد. با این حال، به دلیل محدودیت منابع و زمان در دسترس،

ما به طور خاص چندین مدل اساسی و متداول از رویکردهای DT ، SVM ، MLP و LSTM را برای تحقیقات اولیه خود در این نسخه در نظر می گیریم. علاوه بر این ، شایان ذکر است که مجموعه داده های آزمایش شده در این تحقیق شامل شاخص اوراق بهادار چین 300 (CSI 300) به عنوان شاخص بازار سهام با وزن سرمایه برای بازتاب عملکرد کلی 300 برتر چین و مایع ترین سهم A در چین است. سهام در بورس سهام شانگهای و شنژن معامله شد. CSI 300 با دقت انتخاب شد زیرا چین در گذشته یکی از بازار سهام سریع در حال رشد است.

در این مقاله ، بخش 2 تعریف مسئله و روشهای پیشنهادی را ارائه می دهد. بخش 3 آزمایش را با جزئیات شرح می دهد. تمام نتایج تجربی جمع آوری شده در بخش 4 و بخش 5 به طور کامل در نظر گرفته شده و مورد بحث قرار گرفته است. سرانجام ، اظهارات نتیجه گیری در بخش 6 آورده شده است.

2. مواد و روشها

2. 1توصیف مشکل