کد محصول:M492
قیمت فایل ترجمه شده: ۱۰۰۰۰ تومان
تعداد صفحه انگلیسی: ۶
سال نشر: ۲۰۱۳
تعداد صفحه ترجمه فارسی: ۱۳ صفحه word
عنوان فارسی:
مقاله ترجمه شده شبکه عصبی مصنوعی منظم شده بیزین برای پیش بینی بازار سهام
عنوان انگلیسی:
A Bayesian regularized artificial neural network for stock market forecasting
چکیده فارسی:
در این مقاله شبکه عصبی مصنوعی منظم شده بیزین به عنوان یک روش جدید برای پیش بینی رفتار بازار مالی ارائه شده است. قیمت های روزانه بازار و شاخص های مالی فنی به عنوان ورودی برای پیش بینی قیمت نهایی روز آینده سهام خاص مورد استفاده قرار گرفته است. به طور کلی پیش بینی حرکت قیمت سهام به عنوان یک وظیفه چالشی و مهم برای تجزیه و تحلیل مالی سری های زمانی در نظر گرفته شده است. پیش بینی دقیق حرکات قیمت سهام می تواند نقش مهمی را در کمک به سرمایه گذاران برای بهبود بازده سهام ایفا نماید. پیچیدگی در پیش بینی این روند در اختلال و بی ثباتی ذاتی حرکت روزانه قیمت سهام نهفته است. شبکه های منظم شده بیزی یک ماهیت احتمالی را به وزنهای شبکه اختصاص می دهد و به شبکه اجازه می دهد که به طور خودکار و بهینه مدل های بیش از حد پیچیده را از بین برد. روش پیشنهادی پتانسیل بیش برازش و بیش تمرینی را برای بهبود کیفیت تعمیم پیش بینی شبکه؛ کاهش می دهد. برای تعیین اثربخشی این مدل ارزیابیهایی از سهام شرکت مایکروسافت و سهام شرکت گروه گلدمن ساکس انجام شد. نتایج نشان می دهند که مدل پیشنهاد شده به خوبی مدل های پیشرفته است و نیاز به پیش پردازش داده ها، آزمونهای فصلی و یا تجزیه و تحلیل چرخه ندارد.
کلمات کلیدی: منظم سازی بیزین، شبکه عصبی، پیش بینی سهام، بیش برازش
مقدمه
پیش بینی قیمت سهام به تازگی توجه و علاقه قابل توجهی را در میان سرمایه گذاران و تحلیلگران حرفه ای به دست آورده است. پیش بینی روند سهام بازار، با توجه به اختلال و بی ثباتی ذاتی بالای محیط مربوط به روند روزانه بازار، بسیار پیچیده است. پیچیدگی حرکت قیمت بازار و سهام مربوط به آنها به عواملی از جمله رویدادهای سیاسی، اخبار بازار، گزارش درآمد سه ماهه، و رفتار معاملات متناقض بستگی دارد. معامله گران اغلب بر شاخص های فنی بر اساس داده های سهام تکیه می کنند که می تواند به صورت روزانه جمع آوری شود. با وجود در دسترس بودن این شاخص، اغلب پیش بینی روزانه روندهای در این هفته در بازار دشوار است. در دو دهه گذشته، تعداد زیادی از موسسات تحقیقی و پژوهشی برای پیش بینی بازده بازار سهام توسعه یافته اند. این ها شامل بسیاری از روش های مصنوعی اطلاعاتی (AI) ، یعنی شبکه های مصنوعی عصبی هستند. تعدادی از اینها از شبکه های عصبی آینده¬نگر برای پیش بینی روند سهام استفاده کرده اند. (کوزاکی ۱۹۹۲؛ چنوه و ابردویک، ۱۹۹۶؛ فرناندز رودریگز، گونزالس مارتل، و ریوبو و سوسیلا، ۲۰۰۰، گیسای، سید، زیمبرا، ۲۰۰۵؛ همچبی، آکای، و کوتای، ۲۰۰۹؛ لنداس، باتس، ورتش، و ورلیسین، ۲۰۰۰، گوست، ۲۰۰۷، ولزاک، لئونگ۱۹۹۹)
دائوگ و چن (۲۰۰۰) تعدادی از مدل های پارامتریک و ناپارامتریک را برای پیش بینی روند بازار سهام و بازده آن، تجزیه و تحلیل نموده اند. نتایج تجربی نشان می دهند که شبکه های عصبی احتمالی (مدل طبقه بندی) بهتر از شبکه های عصبی استاندارد آینده نگر. (مدل برآورد سطحی) برای پیش بینی روندهای سهام هستند. یکی از اشکال استفاده از شبکه های استاندارد از قبل انتشار یافته پتانسیل برای مجموعه بیش برازش آموزش داده ها است، که منجر به کاهش دقت در مجموعه آزمون ناشناخته می گردد. برخی از پژوهشگران برای نشان دادن پتانسیل مربوط به بیش برازش وزن های شبکه عصبی، تکنیک شبکه عصبی پیوندی را توسعه داده اند. (چو، چن، چنگ هوانگ، ۲۰۰۹، لی، پرویس و راگوسا، ۲۰۰۲؛ کیم،۲۰۰۲ )
Abstract
In this paper a Bayesian regularized artificial neural network is proposed as a novel method to forecast financial market behavior. Daily market prices and financial technical indicators are utilized as inputs to predict the one day future closing price of individual stocks. The prediction of stock price movement is generally considered to be a challenging and important task for financial time series analysis. The accurate prediction of stock price movements could play an important role in helping investors improve stock returns. The complexity in predicting these trends lies in the inherent noise and volatility in daily stock price movement. The Bayesian regularized network assigns a probabilistic nature to the network weights, allowing the network to automatically and optimally penalize excessively complex models. The proposed technique reduces the potential for overfitting and overtraining, improving the prediction quality and generalization of the network. Experiments were performed with Microsoft Corp. and Goldman Sachs Group Inc. stock to determine the effectiveness of the model. The results indicate that the proposed model performs as well as the more advanced models without the need for preprocessing of data, seasonality testing, or cycle analysis.