پیش بینی نرخ فارکس توسط الگوهای امواج الیوت بر اساس شبکه های عصبی بهبود یافته است

این هشدار با موفقیت اضافه شده است و به شما ارسال می شود: هر زمان که رکوردی که انتخاب کرده اید استناد شده است ، به شما اطلاع داده می شود.

برای مدیریت تنظیمات برگزیده هشدار خود ، روی دکمه زیر کلیک کنید. هشدارهای من را مدیریت کنید

هشدار استناد جدید!

لطفا وارد حساب کاربری خود شوید

صرفه جویی در اتصال

نام

شبکه های عصبی

خلاصه

خلاصه

پیش بینی های بازار مالی یک مشکل پیچیده را نشان می دهد. بیشتر سیستم های پیش بینی با اصطلاح پنجره زمانی کار می کنند ، که با ارزش نرخ ارز یک کالای مالی واقعی نشان داده می شود. چنین مقادیر (پنجره زمانی) پایه ای را برای پیش بینی مقادیر آینده فراهم می کند. با این حال ، موقعیت های واقعی ثابت می کند که پیش بینی فقط یک روند سری زمانی کافی نیست. این مقاله با هدف نشان دادن یک رویکرد جدید و غیر متعارف مبتنی بر استفاده از چندین شبکه عصبی پیش بینی دوره های احتمالی یک روند آینده تعریف شده در یک پنجره زمان پیش بینی است. اساس رویکرد پیشنهادی ، بازنمایی مناسب از داده های ورودی مجموعه آموزش به شبکه های عصبی است. از ضرایب FFT انتخاب شده و همچنین شاخص های خروجی قوی بر اساس هیستوگرام دوره پیش بینی شده جفت ارز انتخاب شده استفاده می کند. در همان زمان ، جفت ارز داده شده در ترکیبی با سه جفت ارز متقابل متقابل دیگر وارد پیش بینی می شود. نتیجه قابل توجهی از مقالات ، جدا از روش پیشنهادی ، تأیید این است که تئوری موج الیوت در محیط تجارت سودمند است و سود قابل توجهی در مقایسه با تکنیک های پیش بینی معمولی ارائه می دهد. این در مطالعه آزمایشی انجام شده اثبات شد.

نکات برجسته

این فواید نظریه موج الیوت در شبیه سازی معاملات را اثبات کرد.

این یک سود مالی واقعی در نمونه های آزمایشی به اندازه کافی بزرگ ثابت شد.

این یک رویکرد نوآورانه برای بازنمایی مناسب داده های ورودی پیشنهاد شده است.

رویکرد پیشنهادی با موفقیت مشکل جبران الگوی را به حداقل می رساند.

موفقیت سیستم معاملاتی ارائه شده به طور متوسط 77 ٪ به دست می آید.

منابع

1. Atsalakis and Valavanis ، 2009 Atsalakis G. S. ، Valavanis K. P.، بررسی تکنیک های پیش بینی بازار سهام - بخش دوم: روش های محاسبات نرم ، سیستم های خبره با برنامه های 36 (3) (2009) 5932 - 5941. کتابخانه Scholardigital Google
2. Bahrammirzaee ، 2010 Bahrammirzeee A. ، یک بررسی مقایسه ای از برنامه های هوش مصنوعی در امور مالی: شبکه های عصبی مصنوعی ، سیستم خبره و سیستم های هوشمند ترکیبی ، محاسبات عصبی و برنامه های کاربردی 19 (8) (2010) 1165 - 1195. کتابخانه Scholardigital Google
3. Bhagwati ، 2014 Bhagwati J. N.، سیستم تجارت جهانی در معرض خطر ، انتشارات دانشگاه پرینستون ، 2014. گوگل دانشکده
4. Caginalp and Laurent ، 1998 Caginalp G. ، Laurent H. ، قدرت پیش بینی الگوهای قیمت ، امور مالی ریاضی 5 (3-4) (1998) 181-205. گوگل دانشکده
5. قابیل ، 2016 Cain G. ، شبکه های عصبی مصنوعی: تحقیقات جدید ، ناشران علوم نوا ، شرکت ، 2016. گوگل دانشکده
6. Chandar ، 2019 Chandar S. K.، پیش بینی بازار سهام با استفاده از خوشه بندی های تفریحی برای یک رویکرد هیبریدی فازی نورو ، محاسبات خوشه ای 22 (6) (2019) 13159 - 13166. گوگل دانشکده
7. چن و لئونگ ، 2004 چن A. S.، Leung M. T.، شبکه عصبی رگرسیون برای تصحیح خطا در پیش بینی و تجارت ارز ، تحقیقات رایانه و عملیات 31 (7) (2004) 1049 - 1068. گوگل دانشکده
8. Chu ، 2008 Chu E. ، تبدیل های گسسته و مداوم فوریه: تجزیه و تحلیل ، برنامه ها و الگوریتم های سریع ، CRC Press ، 2008. گوگل دانشکده
9. Duan et al. ، 2018 Duan H. ، Xiao X. ، Yang J. ، Zeng B. ، تئوری موج الیوت و مدل دنباله فیبوناچی و کاربرد آنها در بازار سهام چینی ، مجله سیستم های هوشمند و فازی 34 (3)(2018) 1813 - 1825. گوگل دانشکده
10. Durairaj and Mohan ، 2019 Durairaj M. ، Mohan B. K.، مروری بر دو دهه هیبریدهای یادگیری عمیق برای پیش بینی سری زمانی مالی ، مجله بین المللی فن آوری های نوظهور 10 (3) (2019) 324 - 331. گوگل دانشکده
11. ادواردز ، 2014 ادواردز D. ، مدیریت ریسک در تجارت: تکنیک هایی برای سودآوری صندوق های تامینی و میزهای معاملاتی ، جان ویلی و پسران ، 2014. گوگل دانشکده
12. Elmsili and Outtaj ، 2018 Elmsili B. ، Outtaj B. ، برنامه های شبکه های عصبی مصنوعی در اقتصاد و تحقیقات مدیریت: بررسی ادبیات اکتشافی ، در: 2018 4 کنفرانس بین المللی بهینه سازی و برنامه ها ، IEEE ، 2018 ، صص 1 - 6. گوگل دانشکده
13. Galeshchuk and Mukherjee ، 2017 Galeshchuk S. ، Mukherjee S. ، شبکه های عمیق برای پیش بینی جهت تغییر در نرخ ارز ، سیستم های هوشمند در حسابداری ، امور مالی و مدیریت 24 (4) (2017) 100 - 110. گوگل دانشکده
14. گارک و همکاران ، 2012 Garcke J. ، Gerstner T. ، Griebel M. ، پیش بینی نرخ ارز داخلی با استفاده از شبکه های پراکنده ، در: شبکه ها و برنامه های پراکنده ، اسپرینگر ، برلین ، هایدلبرگ ، 2012 ، صص 81 - 105. گوگل دانشکده
15. Gentle ، 2009 Gentle J. E. ، آمار محاسباتی ، Springer ، New York ، 2009. گوگل دانشکده
16. هوانگ و همکاران ، 2004 هوانگ دبلیو. ، لای K. K.، Nakamori Y. ، Wang S. ، پیش بینی نرخ ارز خارجی با شبکه های عصبی مصنوعی: بررسی ، مجله بین المللی فناوری اطلاعات و تصمیم گیری 3 (01) (2004) 145 - 165. گوگل دانشکده
17. Katarya and Mahajan ، 2017 Katarya R. ، Mahajan A. ، بررسی تکنیک های شبکه عصبی در تجزیه و تحلیل روند بازار ، در: کنفرانس بین المللی 2017 در مورد سیستم های پایدار هوشمند ، IEEE ، 2017 ، صص 873 - 877. گوگل دانشکده
18. لی و جو ، 1999 لی K. H.، Jo G. S. ، سیستم متخصص برای پیش بینی زمان بازار سهام با استفاده از نمودار شمعدان ، سیستم های خبره با برنامه های 16 (4) (1999) 357 - 364. گوگل دانشکده
19. Levenberg ، 1944 Levenberg K. ، روشی برای حل برخی از مشکلات غیرخطی در حداقل مربعات ، سه ماهه ریاضیات کاربردی 2 (2) (1944) 164-168. گوگل دانشکده
20. لی و کارشناسی ارشد ، 2010 لی Y. ، Ma W. ، برنامه های شبکه های عصبی مصنوعی در اقتصاد مالی: یک نظرسنجی ، سمپوزیوم بین المللی 2010 در زمینه اطلاعات و طراحی محاسباتی ، جلد. 1 ، IEEE ، 2010 ، صص 211 - 214. گوگل دانشکده
21. Majhi et al. ، 2012 Majhi B. ، Rout M. ، Majhi R. ، Panda G. ، Fleming P. J. ، مدل های جدید پیش بینی قوی برای پیش بینی نرخ ارز ، سیستم های خبره با برنامه های 39 (16) (2012) 12658 - 12670. گوگل دانشکده
22. مارتینز و همکاران ، 2009 مارتینز L. C.، دا هورا D. N. ، Palotti J. R. D. M.، Meira W. ، Pappa G. L. ، از یک شبکه عصبی مصنوعی گرفته تا یک سیستم تجارت روزانه بازار سهام: یک مطالعه موردی در BM& F Bovespa ، در: کنفرانس مشترک بین المللی در شبکه های عصبی ، IEEE ، 2009 ، صص 2006-2013. گوگل دانشکده
23. Ow et al. ، 2016 OW L. T. C.، سازمان های غیردولتی D. C. L.، لی ی. ، پیش بینی حرکت روند فارکس با استفاده از خط رگرسیون خطی ، دو مرحله از الگوریتم های پیچش چند لایه و الگوریتم های پیچش زمان پویا ، مجله فناوری اطلاعات و ارتباطات 15 (2) (2016) 117-140. گوگل دانشکده
24. özorhan و همکاران ، 2019 özorhan M. O.، Toroslu ̇. H.، şehitoğlu o. t.، پیش بینی روند کوتاه مدت در داده های سری زمانی مالی ، سیستم های دانش و اطلاعات 61 (1) (2019) 397-429. گوگل دانشکده
25. فیلیپ و همکاران ، 2011 فیلیپ A. A.، Taofiki A. A.، Bidemi A. A.، مدل شبکه عصبی مصنوعی برای پیش بینی نرخ ارز خارجی ، دنیای علوم کامپیوتر و فناوری اطلاعات مجله 1 (3) (2011) 110 - 118. گوگل دانشکده
26. Pradeepkumar and Ravi ، 2018 Pradeepkumar D. ، Ravi V. ، Hybrids Computing Soft برای پیش بینی نرخ فارکس: یک بررسی جامع ، تحقیقات رایانه ها و عملیات 99 (2018) 262 - 284. کتابخانه Scholardigital Google
27. Prasad et al. ، 2013 Prasad N. ، Singh R. ، Lal S. P. ، مقایسه الگوریتم انتشار پشت و انتشار انعطاف پذیر برای طبقه بندی هرزنامه ، در: 2013 کنفرانس بین المللی بین المللی اطلاعات محاسباتی ، مدل سازی و شبیه سازی ، IEEE ، 2013 ، صص 29- 34گوگل دانشکده
28. Rumelhart و همکاران ، 1986 Rumelhart D. E.، هینتون G. E.، ویلیامز R. J.، بازنمایی های یادگیری توسط خطاهای پیشرو ، طبیعت 323 (6088) (1986) 533-536. گوگل دانشکده
29. سپتیاوان و همکاران ، 2017 سپتیاوان ، F. Y. ، Afiahayati ، و Dewa ، C. K. (2017). پیش بینی نرخ ارز در سیستم تجارت فارکس با استفاده از الگوریتم ژنتیکی. در کنفرانس بین المللی بین رشته ای در مورد داروسازی و علوم انسانی مهندسی فناوری علوم (صص 111-120). گوگل دانشکده
30. Sezer و همکاران ، 2020 Sezer O. B.، Gudelek M. U.، Ozbayoglu A. M.، پیش بینی سری زمانی مالی با یادگیری عمیق: بررسی ادبیات سیستماتیک: 2005-2019 ، محاسبات نرم کاربردی (2020). گوگل دانشکده
31. شن و همکاران ، 2015 Shen F. ، Chao J. ، Zhao J. ، پیش بینی نرخ ارز با استفاده از شبکه های اعتقاد عمیق و روش گرادیان کونژوگه ، Neuromputing 167 (2015) 243 - 253. کتابخانه Scholardigital Google
32. Tealab ، 2018 Tealab A. ، پیش بینی سری زمانی با استفاده از روشهای شبکه های عصبی مصنوعی: یک بررسی منظم ، محاسبات و انفورماتیک آینده مجله 3 (2) (2018) 334 - 340. گوگل دانشکده
33. Tiong و همکاران ، 2013 Tiong L. C.، NGO D. C. ، Lee Y. ، مدل پیش بینی قیمت سهام با استفاده از ویژگی الگوی شمعدان ، مجله بین المللی رسانه های دیجیتال تعاملی 1 (3) (2013) 58 - 64. گوگل دانشکده
34. Tiong و همکاران ، 2016 Tiong L. C.، NGO D. C. ، Lee Y. ، موتور پیش بینی فارکس: چارچوب ، تکنیک ها و پیاده سازی های مدل سازی ، مجله بین المللی علوم محاسباتی و مهندسی 13 (4) (2016) 364 - 377. گوگل دانشکده
35. Volna et al. ، 2013 Volna E. ، Kotyrba M. ، Jarusek R. ، Multi-Classifer بر اساس شناخت Elliott Wave ، رایانه ها و ریاضیات با برنامه های 66 (2) (2013) 213-225. گوگل دانشکده
36. Xiao et al. ، 2019 Xiao J. ، Zhu X. ، Huang C. ، Yang X. ، Wen F. ، Zhong M. ، یک رویکرد جدید برای تجزیه و تحلیل قیمت سهام و پیش بینی مبتنی بر SSA و SVM ، مجله بین المللی فناوری اطلاعاتو تصمیم گیری 18 (1) (2019) 287 - 310. گوگل دانشکده
37. یو و همکاران ، 2008 Yu L. ، Lai K. K.، Wang S. ، گروه های عصبی چند مرحله ای RBF یادگیری برای پیش بینی نرخ ارز ، عصبی 71 (16-18) (2008) 3295-3302. کتابخانه Scholardigital Google
38. یو و همکاران ، 2007 Yu L. ، Wang S. ، Huang W. ، Lai K. K.، آیا نرخ ارز قابل پیش بینی است؟نظرسنجی از چشم انداز شبکه های عصبی مصنوعی ، استعلام علمی: مجله موسسه بین المللی مطالعات سیستم های عمومی 8 (2) (2007) 207 - 228. گوگل دانشکده
39. Zhai et al. ، 2007 Zhai Y. ، Hsu A. ، Halgamuge S. K.، ترکیب اخبار و شاخص های فنی در پیش بینی روند قیمت سهام روزانه ، در: سمپوزیوم بین المللی در شبکه های عصبی ، اسپرینگر ، برلین ، هایدلبرگ ، 2007 ، صص 1087 - 1096. گوگل دانشکده
40. ژانگ و همکاران ، 2016 ژانگ C. ، بنگیو س. ، هاردت م. ، رچت ب. ، ویلایلز ا. ، درک یادگیری عمیق نیاز به تعمیم مجدد ، 2016 ، arxiv preprint arxiv: 1611. 03530 دارد. گوگل دانشکده
41. ژانگ و براردی ، 2001 ژانگ G. P.، Berardi V. L.، پیش بینی سری زمانی با گروه های شبکه عصبی: برنامه ای برای پیش بینی نرخ ارز ، مجله انجمن تحقیقات عملیاتی 52 (6) (2001) 652 - 664. گوگل دانشکده
42. ژانگ و همکاران ، 2014 ژانگ R. ، شن F. ، ژائو جی. ، مدلی با گرانول فازی و شبکه های اعتقاد عمیق برای پیش بینی نرخ ارز ، در: 2014 کنفرانس مشترک بین المللی شبکه های عصبی ، IEEE ، 2014 ، صص 36 6-373گوگل دانشکده