به طور مؤثر آموزش شبکه های عصبی برای پیش بینی شاخص سهام: پیش بینی شاخص S& P 500 بدون استفاده از داده های شاخص آن

ما یک روش جدید برای آموزش شبکه های عصبی برای پیش بینی قیمت های آینده شاخص های سهام پیشنهاد می کنیم. بر خلاف آثار قبلی ، ما از داده های شاخص سهام هدف برای آموزش شبکه های عصبی برای پیش بینی شاخص استفاده نمی کنیم. درعوض ، ما فقط از داده های شرکتهای جداگانه برای به دست آوردن مقدار کافی از داده ها برای آموزش شبکه های عصبی برای پیش بینی شاخص سهام استفاده می کنیم. در نتیجه ، روش ما می تواند به دلیل آموزش مدل های یادگیری ماشین پیچیده در مقدار کمی از داده ها از مشکلات مختلف جلوگیری کند. ما انواع مختلفی از آزمایشات را برای آزمایش روشهای طراحی شده برای پیش بینی قیمت آینده S& P 500 انجام دادیم که یکی از متداول ترین شاخص های سهام است. آزمایشات ما نشان می دهد که شبکه های عصبی با استفاده از روش ما از شبکه های عصبی که بر روی داده های شاخص سهام آموزش داده شده اند ، آموزش داده می شوند. در مقایسه با سایر روشهای پیشرفته ، روش ما از نظر مفهومی ساده تر و آسان تر است و به نتایج بهتری می رسد. ما تقریباً 5-16 ٪ بازده سالانه را قبل از هزینه های معامله در دوره آزمون (2006-2018) به دست آوردیم.

استناد: Lee J ، Kang J (2020) به طور مؤثر آموزش شبکه های عصبی برای پیش بینی شاخص سهام: پیش بینی شاخص S& P 500 بدون استفاده از داده های شاخص آن. PLOS ONE 15 (4): E0230635. https://doi. org/10. 1371/joual. pone. 0230635

ویراستار: استفان کریستیان گرگینا ، دانشگاه مطالعات اقتصادی بخارست ، رومانی

دریافت: 23 ژانویه 2020 ؛پذیرفته شده: 4 مارس 2020 ؛منتشر شده: 10 آوریل 2020

کپی رایت: © 2020 لی ، کانگ. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که اجازه استفاده ، توزیع و تولید مثل بدون محدودیت را در هر رسانه ای می دهد ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

در دسترس بودن داده ها: کلیه داده ها در https://finance. yahoo. com/ و https://norgatedata. com/data-content-tables. php#ushics استفاده شده در این کار در https: // github در دسترس است.. com/le-jinho/indexprediction/"ما از داده های شرکتهای تشکیل دهنده شاخص Russel 3000 به عنوان داده های آموزش و اعتبار سنجی خود استفاده کردیم. شرکت های تشکیل دهنده شاخص S& P500 و داده های شاخص S& P500 خود به عنوان آزمون ما استفاده می شوندداده ها دوره دقیق هر آموزش ، اعتبار سنجی و آزمایش در جدول 1 ارائه شده است.

بودجه: J Lee و J Kang توسط بنیاد تحقیقات ملی کره (NRF-2017R1A2A1A17069645 ، NRF-2017M3C4A7065887) پشتیبانی شدند. URL: http://www. nrf. re. kr/index سرمایه گذاران هیچ نقشی در طراحی مطالعه ، جمع آوری و تجزیه و تحلیل داده ها ، تصمیم گیری برای انتشار یا تهیه نسخه خطی ندارند.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقابتی وجود ندارد.

معرفی

پیش بینی قیمت های آینده شاخص های سهام مانند S& P 500 یا کامپوزیت NASDAQ یک کار چالش برانگیز و مهم است. شاخص سهام مجموعه ای از سهام یا اوراق بهادار است که معمولاً از سرمایه بازار نمایندگان محاسبه می شود. بنابراین ، شاخص سهام خلاصه ای از عملکرد کلی بازار را ارائه می دهد و به سرمایه گذاران در فعالیت های سرمایه گذاری خود کمک می کند. همچنین ، افزایش تعداد اوراق بهادار مربوط به شاخص سهام ، استراتژی های سرمایه گذاری سرمایه گذاران را متنوع کرده است. یک سرمایه گذار می تواند قیمت های آینده شاخص های سهام را برای محافظت در برابر ریسک بازار پیش بینی کند یا به دنبال فرصت های سودآور باشد. به همین دلایل ، بسیاری از آثار قبلی نه تنها در امور مالی بلکه در علوم کامپیوتر نیز بر پیش بینی قیمت شاخص های سهام متمرکز شده اند.

با موفقیت شبکه های عصبی (NNS) ، به ویژه در حوزه علوم کامپیوتر ، چندین اثر اخیر NNS را برای پیش بینی بازار سهام اتخاذ کرده اند. برخی از مقالات مرور [1 ، 2] نشان می دهد که NN ها یکی از متداول ترین تکنیک های یادگیری ماشین برای پیش بینی قیمت های آینده سهام و شاخص های سهام هستند. آثار قبلی از انواع مختلفی از داده ها به عنوان ویژگی های ورودی استفاده می کردند ، که شامل شاخص های کلان اقتصادی [3] ، احساسات سرمایه گذاران در خدمات وب [4 ، 5] ، فرکانس پرس و جو جستجو [6] یا اطلاعات استخراج شده از مقالات خبری مالی است [7 ،8]با این حال ، برای پیش بینی شاخص سهام ، اکثر آثار اخیر از داده های تاریخی و حجم تاریخی [9 ، 10] به عنوان ویژگی های ورودی استفاده می کنند زیرا چنین داده هایی به صورت عمومی رایگان و به دست می آیند.

صرف نظر از دامنه ، آموزش NNS در مورد مقدار کافی از داده های آموزشی بسیار مهم است. به عنوان مثال ، سان و همکاران.[12] نشان داد که عملکرد مدلهای طبقه بندی تصویر مبتنی بر NN با اندازه داده های آموزش ، لگاریتمی را افزایش می دهد. همچنین ، آموزش مدل های یادگیری ماشین پیچیده بر روی مقدار کمی از داده ها اغلب منجر به افزایش بیش از حد می شود. اگرچه داده های کافی برای آموزش NNS برای پیش بینی قیمت های آینده سهام فردی وجود دارد ، اما تعداد کافی از داده ها برای آموزش NNS برای پیش بینی قیمت شاخص سهام آینده وجود ندارد. زیرا برخلاف سهام فردی ، تعداد شاخص های سهام بسیار اندک است. اگر NN برای پیش بینی قیمت آینده S& P 500 و از مقیاس روزانه استفاده شود ، فقط حدود 250 نقطه داده در سال می توان بدست آورد.

برای رفع این مشکل ، بسیاری از آثار قبلی دوره آموزش را طولانی تر کردند. به عنوان مثال ، از داده های جمع آوری شده بیش از 10 سال به جای داده های جمع آوری شده در طی 1 سال برای آموزش استفاده شد. در حقیقت ، بیشتر آثار قبلی از داده های جمع آوری شده در یک دوره طولانی برای آموزش مدل های خود برای پیش بینی قیمت های آینده شاخص های سهام استفاده می کردند. با این حال ، افزایش اندازه داده های آموزش با جمع آوری داده ها در مدت زمان طولانی تر یک رویکرد محدود است. به عنوان مثال ، جمع آوری داده هایی که شامل دوره های 50 یا 100 سال است ، غیرقابل تحمل است. علاوه بر این ، NNS آموزش داده شده بر روی داده های نسبتاً قدیمی می تواند در پیش بینی قیمت های آینده شاخص های سهام کمتر مؤثر باشد. همچنین ، ما استدلال می کنیم که فقط چندین هزار نقطه داده مقدار کافی از داده ها برای آموزش مؤثر NNS پیچیده برای پیش بینی قیمت های آینده شاخص های سهام نیست. در زمینه های مختلف ، مانند پردازش زبان طبیعی [11] یا طبقه بندی تصویر [12] ، بسیاری از آثار اخیراً نشان داده اند که آموزش NNS در مقدار بیشتری از داده های آموزش عملکرد مدل ها را افزایش می دهد.

مهمترین مشکل استفاده از داده های شاخص سهام برای آموزش NNS برای پیش بینی قیمت آینده شاخص سهام است. به عنوان مثال ، فرض می کنیم که داده های قیمت بسته شدن روزانه S& P 500 برای آموزش NNS برای پیش بینی قیمت آینده S& P 500 استفاده می شود. در این حالت ، بیش از 250 نقطه داده در هر سال برای آموزش NNS از زمان S& P 500 نمی توان به دست آورد. تنها داده های شاخص سهام است که برای آموزش استفاده می شود. در این مقاله ، ما یک روش ساده اما مؤثر برای آموزش NNS برای پیش بینی قیمت آینده S& P 500 که یکی از رایج ترین شاخص سهام است ، پیشنهاد می کنیم. در فرایند آموزش ما ، ما از داده های S& P 500 برای آموزش NNS مورد استفاده در مطالعه خود استفاده نمی کنیم ، حتی اگر NNS برای پیش بینی قیمت آینده S& P 500 در مرحله آزمون استفاده شود. در عوض ، ما از داده های شرکتهای انفرادی برای آموزش NNS استفاده می کنیم ، همانطور که به طور مشابه در سایر مطالعات پیش بینی قیمت سهام انجام می شود. NN های مورد استفاده در مطالعه ما با روزهای گذشته داده های شرکتهای انفرادی تغذیه می شوند و برای پیش بینی تغییر قیمت شرکت مربوطه روز بعد آموزش دیده اند. در مرحله آزمون ، NN های آموزش دیده با روزهای گذشته داده های 500 00s که در S& P 500 ذکر شده اند تغذیه می شوند و پیش بینی روز بعد از S& P 500 بر اساس روزهای گذشته داده های شرکت های 500 پوند ساخته شده است. بشر

استفاده از داده های شرکت های انفرادی به جای داده های شاخص های سهام برای آموزش NNS برای پیش بینی قیمت آینده S& P 500 دو مزیت دارد. اول ، ما به راحتی می توانیم به مسئله کوتاه شدن داده ها بپردازیم و از این رو از بیش از حد جلوگیری کنیم ، که یکی از مهمترین مشکلات در یادگیری ماشین است و معمولاً هنگام آموزش مدل های پیچیده بر روی مقدار کمی از داده ها رخ می دهد. دوم ، با استفاده از داده های شرکت های انفرادی ، می توانیم مستقیماً از داده های قیمت شرکت های انفرادی استفاده کنیم که از فعالیت های سرمایه گذاری سرمایه گذاران متعدد تولید می شود. اما اگر فقط از داده های شاخص های سهام برای آموزش NNS استفاده کنیم ، چنین داده هایی در دسترس نیست زیرا قیمت شاخص سهام معمولاً میانگین وزنی سرمایه بازار شرکتهای مؤثر است و قیمت آن به طور مستقیم توسط سرمایه گذاران حاصل نمی شود. بنابراین ، استفاده از داده های قیمت حاصل از فعالیت های سرمایه گذاران می تواند به NN ها کمک کند تا بازنمایی های غنی تری از فعالیت های سرمایه گذاری را بیاموزند و در مرحله آزمایش عملکرد بهتری داشته باشند.

در آزمایشات ما ، NNS را که در مورد داده های شرکت های انفرادی آموزش دیده بودند مقایسه کردیم و در مورد داده های شاخص S& P 500 آموزش دیدیم. انواع مختلفی از NN ها ، مانند Perceptron چند لایه (MLP) و شبکه های عصبی حلقوی (CNN) ، با استفاده از الگوریتم های یادگیری مختلف مانند یادگیری نظارت شده (SL) و یادگیری تقویت (RL) برای مقایسه آموزش داده شدند. انجام آزمایشات مقایسه با استفاده از انواع NNS یا الگوریتم های یادگیری ایده آل خواهد بود. اما از آنجا که انواع بی شماری از NN ها و الگوریتم های یادگیری بی شماری وجود دارد ، غیرقابل نفوذ است. با این حال ، آزمایش های ما که در آن الگوریتم های یادگیری یکسان ، انواع NN ها و ویژگی های ورودی به صورت تجربی مورد استفاده قرار می گیرند نشان می دهد که NNS که بر روی داده های شرکتهای فردی آموزش داده شده است از NNS آموزش داده شده بر روی داده های S& P 500 استفاده می شود. داده های شرکت های انفرادی نیز از NNS در مطالعه توسط [13] بهتر عمل می کند.

سهم اصلی کار ما به شرح زیر است. اول ، ما یک روش جدید برای آموزش NNS برای پیش بینی قیمت آینده S& P 500 پیشنهاد می کنیم. روش ما فقط از داده های شرکتهای فردی به عنوان داده های آموزش برای به دست آوردن مقدار کافی از داده استفاده می کند. با استفاده از روش خود ، می توانیم NN ها را بر روی مقدار زیادی از داده ها آموزش دهیم و در نتیجه ، به دلیل آموزش NNS در مقدار کمی از داده ها ، به طور مؤثر بر روی مشکلات قرار دهیم. دوم ، در آزمایشات ما ، ما به صورت تجربی نشان می دهیم که هنگام ساختن NNS برای پیش بینی شاخص سهام ، آموزش NNS در مورد داده های شرکتهای انفرادی مؤثرتر از آموزش داده های شاخص سهام است. سرانجام ، ما هزینه های معامله را در آزمایشات خود در نظر می گیریم و یک روش ساده برای کنترل تعداد معاملات معرفی می کنیم.

زمینه

در این بخش ، ما به طور خلاصه در مورد دو NN اصلی مورد استفاده در آزمایشات خود ، که معماری اصلی برنامه های پیشرفته فعلی در زمینه های گسترده مانند NLP ، طبقه بندی تصویر ، تولید متن ، تشخیص گفتار ، پاسخ به سؤال و پاسخگویی است ، بحث می کنیم. تجزیه و تحلیل سری زمانی مالی [14]. ما همچنین در مورد دو روش اصلی یادگیری در یادگیری ماشین بحث می کنیم ، که برای آموزش NN در آزمایشات ما استفاده می شود.

MLP ساده ترین و اساسی ترین ساختار NN را دارد و معمولاً NN کاملاً متصل نامیده می شود. MLP به طور معمول از یک لایه ورودی ، چندین لایه پنهان و یک لایه خروجی تشکیل شده است. هر لایه پنهان یک بردار خروجی از لایه قبلی را به عنوان ورودی می گیرد و یک بردار را که به لایه بعدی وارد می شود ، خروجی می کند. لایه ورودی یک بردار ویژگی ورودی را به عنوان ورودی می گیرد و لایه خروجی معمولاً وکتور یک داغ را که اندازه آن معادل تعداد کلاس ها در مشکلات طبقه بندی است ، خروجی می کند. هر لایه پنهان از ضرب ماتریس خطی و یک عملکرد فعال سازی غیرخطی تشکیل شده است. MLP وانیل ممکن است برای حل برخی از مشکلات ساده کافی باشد ، اما در اکثر آثار اخیر ، MLP به عنوان بخشی از یک ساختار پیچیده تر استفاده می شود.

CNN به طور گسترده در مشکلات طبقه بندی تصویر استفاده می شود. بر خلاف MLP ، CNN برای گرفتن چندین بردار یا ماتریس به عنوان ورودی طراحی شده است که باعث می شود آن برای پردازش تصویر 2D مناسب باشد. در عمل ، معمولاً تصاویر 2D با سه کانال رنگی به عنوان ورودی می گیرد. اما همچنین می تواند تصاویر سه بعدی یا 1D را به عنوان ورودی بگیرد. لایه های اصلی CNN به شرح زیر است: لایه های حلقوی و به دنبال آن یک عملکرد فعال سازی غیرخطی و لایه های جمع آوری. چنین لایه های انباشته CNN را قادر می سازد تا ویژگی های سطح بالا را از تصاویر ورودی خام استخراج کند. با این حال ، آثار اخیر [15 ، 16] نشان داده اند که انباشت لایه های حلقوی بیشتر به افزایش عملکرد مدل های CNN کمک می کند. بنابراین مدل های CNN اخیر ساختارهای بسیار پیچیده تری دارند.

SL شامل پاسخ صریح به یک مدل است. اگر می خواهیم از SL برای آموزش CNN های وانیلی برای طبقه بندی رقم دست نویس (از 0 تا 9) در یک تصویر پیکسل خام استفاده کنیم ، تصویر پیکسل خام و برچسب صحیح آن در طول آموزش به CNN ها داده می شود. CNN ها برای یادگیری رابطه بین ویژگی ورودی (تصویر پیکسل خام) و برچسب آموزش دیده اند. در بعضی موارد ، به جای برچسب های طبقه بندی ، مقادیر عددی به عنوان پاسخ مناسب تر هستند. در این حالت ، رگرسیون می تواند برای مدل های قطار اعمال شود ، اما ایده اصلی همان هنگام استفاده از برچسب برای پاسخ است. یک ویژگی ورودی و پاسخ صحیح به مدلی ارائه شده است که برای یادگیری رابطه بین ویژگی ورودی و پاسخ آموزش دیده است.

RL نوع دیگری از روش یادگیری ماشین است که به طور گسترده در زمینه های تحقیقاتی پی در پی تصمیم گیری مانند بازی ، روباتیک یا پیش بینی سهام مورد استفاده قرار می گیرد [17]. در RL ، یک عامل برای انتخاب بهترین اقدامی که با توجه به وضعیت فعلی ، حداکثر پاداش تجمعی را به دست می آورد ، آموزش داده شده است. هنگام آموزش یک عامل با استفاده از RL ، یک قسمت جدید (نمونه آموزش) ایجاد می شود در حالی که نماینده همچنان به انجام اقدامات و دریافت پاداش ادامه می دهد.

در میان انواع مختلف RL ، ما در آزمایشات خود از q-یادگیری [18] استفاده کردیم. در یادگیری Q ، یک عامل از یک مقدار عمل استفاده می کند که پاداش تجمعی مورد انتظار عمل مربوطه است. در حین آموزش ، از یک عامل انتظار می رود که یک مقدار عمل بهینه را بیاموزد و پس از اتمام آموزش ، نماینده می تواند به سادگی با حداکثر مقدار عمل را انتخاب کند.

مواد و روش ها

در این بخش ، ما یک روش جدید برای آموزش NNS برای پیش بینی قیمت های آینده شاخص های سهام معرفی می کنیم. بر خلاف آثار قبلی ، ما از داده های شاخص سهام استفاده نمی کنیم. ما فقط برای آموزش NNS هدف فقط از داده های بسته بندی روزانه و حجم شرکت های جداگانه استفاده می کنیم. در چارچوب ما دو مرحله وجود دارد: مرحله آموزش و مرحله آزمون. در مرحله آموزش ، داده های قیمت بسته شدن روزانه و داده های حجم شرکت های انفرادی در NNS هدف تغذیه می شوند. در مرحله آزمون ، NN های هدف آموزش دیده ما داده های بسته بندی روزانه و داده های حجم شرکت های S& P 500 را به عنوان ورودی و پیش بینی های خروجی 500 می گیرند ، که هر یک از آنها با پیش بینی فردی هر شرکت تشکیل دهنده در S& P 500 مطابقت دارد. پیش بینی ها به یک مقدار مقیاس واحد جمع می شوند و پیش بینی نهایی S& P 500 بر اساس مقدار مقیاس انجام می شود.

در مرحله آموزش ، فقط از داده های شرکتهای جداگانه برای آموزش NNS هدف استفاده می شود تا قیمت های آینده S& P 500 را پیش بینی کند. بنابراین ، در بخش آزمایشی ، ما عملکرد NNS را که در داده های شرکتهای انفرادی آموزش داده شده است مقایسه می کنیم. از NNS آموزش داده شده در داده های S& P 500. دو نوع مختلف از NN (MLP ، CNN) و الگوریتم های یادگیری (SL ، RL) با دو نوع ویژگی ورودی (فقط قیمت بسته شدن ، بسته شدن قیمت و حجم) در آزمایشات ما استفاده می شود. بنابراین ، در مجموع هشت NN هدف مختلف (2 2 2 2) با ترکیب های مختلف NN ، الگوریتم های یادگیری و ویژگی های ورودی در آزمایشات ما استفاده می شود. تمام NN های هدف در مورد داده های شرکتهای انفرادی (روش ما) و (2) داده های S& P 500 (روش پایه) آموزش داده می شوند. با مقایسه عملکرد پیش بینی قیمت روش پیشنهادی ما و روش موجود ، ما به صورت تجربی نشان می دهیم که آموزش NNS در مورد داده های شرکتهای انفرادی مؤثرتر از آموزش داده های S& P 500 است.

داده ها

ما داده های بسته بندی روزانه و حجم شرکت های انفرادی و S& P 500 جمع آوری شده در طی یک دوره 22 ساله (1996-2018) را از مالی Yahoo (https://finance. yahoo. com/) بارگیری کردیم. ما نه تنها داده های موجود در شرکت های تشکیل دهنده S& P 500 بلکه داده های شرکت های تشکیل دهنده شاخص Russel 3000 را برای به دست آوردن داده های بیشتر از شرکت های انفرادی برای آموزش NNS هدف بارگیری کردیم. توجه داشته باشید که ما فقط داده های شرکت های S& P 500 را که داده های خود را در ژانویه سال 2018 در دسترس قرار داده اند بارگیری کردیم. علاوه بر داده های بسته بندی تاریخی و داده های حجم تاریخی ، وزن های تاریخی شرکت ها در S& P 500 نیز از http://siblisresearch. com/ بارگیری شد. داده ها/وزنه های SP-500-Componies. از آنجا که ترکیبات S& P 500 و وزن شرکت ها با گذشت زمان تغییر می کنند ، لیست دقیق شرکت های تشکیل دهنده و وزن آنها در آزمایش های ما بارگیری و استفاده شد.

برای آزمایش های ما ، کل مجموعه داده ها به مجموعه آموزش ، مجموعه اعتبار سنجی و مجموعه آزمون تقسیم شده است. از مجموعه آموزش برای آموزش NNS Target استفاده شده است. از مجموعه اعتبار سنجی برای تنظیم بیش از حد پارامتر استفاده شد و از مجموعه آزمایش برای آزمایش و مقایسه عملکرد روش ما با پایه استفاده شد. جدول 1 دوره های آموزش ، اعتبار سنجی و آزمون را برای روش و پایه ما نشان می دهد. برای روش ما ، از داده های شرکتهای انفرادی جمع آوری شده در طی چهار سال به عنوان داده های آموزشی استفاده شد. با این حال ، برای پایه ، از داده های S& P 500 جمع آوری شده در طی هشت سال به عنوان داده های آموزشی استفاده شد. کل دوره آزمون 12 سال (2006-2018) بود و دوره های آموزش و اعتبار سنجی هر چهار سال یکبار به روز می شد. بنابراین ، NN های هدف هر چهار سال یکبار مجدداً مجدداً مورد استفاده قرار گرفتند.