مقاله ترجمه شده شبکه عصبی مصنوعی منظم شده بیزین برای پیش بینی بازار سهام

 

کد محصول:M492

قیمت فایل ترجمه شده:   10000 تومان

تعداد صفحه انگلیسی: 6

سال نشر:  2013

تعداد صفحه ترجمه فارسی:     13    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 ايفا نمايد. پیچیدگی در پیش بینی این روند در اختلال و بی ثباتی ذاتی حرکت روزانه قیمت سهام نهفته است. شبکه های منظم شده بیزی يك ماهیت احتمالی را به وزنهاي شبکه اختصاص مي دهد و به شبکه اجازه می دهد که به طور خودکار و بهینه مدل های بیش از حد پیچیده را از بين برد. روش پیشنهادي پتانسیل بیش برازش و بیش تمرینی را براي بهبود کیفیت تعمیم پیش بینی شبکه؛ کاهش می دهد. برای تعیین اثربخشی اين مدل ارزيابيهايي از سهام شرکت مایکروسافت و سهام شرکت گروه گلدمن ساکس انجام شد. نتایج نشان می دهند که مدل پیشنهاد شده به خوبي مدل های پیشرفته است و نیاز به پیش پردازش داده ها، آزمونهاي 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 بالاي محیط مربوط به روند روزانه بازار، بسیار پیچیده است. پیچیدگی حركت قیمت بازار و سهام مربوط به آنها به عواملي از جمله رویدادهای سیاسی، اخبار بازار، گزارش درآمد سه ماهه، و رفتار معاملات متناقض بستگي دارد. معامله گران اغلب بر شاخص های فنی بر اساس داده های سهام تکیه مي كنند 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 زيادي از موسسات تحقیقي و پژوهشي 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 آينده¬نگر براي پیش بینی روند سهام استفاده کرده اند. (كوزاكي 1992؛ چنوه و ابردويك، 1996؛ فرناندز رودریگز، گونزالس مارتل، و ريوبو و سوسيلا، 2000، گيساي، سيد، زيمبرا، 2005؛ همچبي، آكاي، و كوتاي، 2009؛ لنداس، باتس، ورتش، و ورليسين، 2000، گوست، 2007، ولزاك، لئونگ1999)

 دائوگ و چن (2000) 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 آينده نگر. (مدل برآورد سطحي) براي پیش بینی روندهای سهام هستند. یکی از اشکال استفاده از شبکه های استاندارد از قبل انتشار يافته پتانسیل برای مجموعه بیش برازش آموزش داده ها است، که منجر به کاهش دقت در مجموعه آزمون ناشناخته مي گردد. برخی از پژوهشگران برای نشان دادن پتانسیل مربوط به بیش برازش وزن های شبکه عصبی، تکنیک شبکه عصبی پيوندي را توسعه داده اند. (چو، چن، چنگ هوانگ، 2009، لی، پرويس و راگوسا، 2002؛ کیم،2002 )

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.