بررسی مقایسه ای مدل یادگیری عمیق با طبقه بندی دوتایی و چندتایی جهت پیش بینی روند بازار سهام از طریق تشخیص الگوهای فراکتال مبتنی بر تئوری امواج الیوت (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
یکی از روش های محبوب اما پیچیده در تحلیل تکنیکال، روش امواج الیوت است. در این روش مهمترین بخش، تشخیص الگوهای روند اصلی بازار است که با توجه به ساختار فراکتال بازار، کاری دشوار است. اما همانند سایر حوزه ها، بکارگیری هوش مصنوعی در زمینه ی پیش بینی های مالی نیز بسیار فراگیر شده است. لذا به نظر می رسد بکارگیری هوش مصنوعی در تحلیل به روش امواج الیوت، جذاب باشد. لذا در پژوهش حاضر با معرفی مدل یادگیری عمیق جهت پیش بینی بازار از طریق تشخیص الگوهای امواج الیوت، به بررسی و مقایسه ی توان مدل در دو حالت طبقه بندی دوتایی و چندتایی پرداخته شده است. در این پژوهش برای 15 الگوی مدنظر، تعداد 1002 نمونه از نمودارهای قیمت سهام شرکت های حاضر در بورس ایران در دوره 11 ساله 1390 تا 1400، جمع آوری و برچسب گذاری گردید و نهایتاً برای تشخیص به عنوان ورودی به الگوریتم یادگیری عمیق با بکارگیری مدل شبکه های عصبی بازگشتی، در دو حالت طبقه بندی دوتایی و چندتایی وارد گردید. در این پژوهش جهت طراحی و اجرای مدل از نرم افزار RapidMiner 9.9 و جهت تعیین توان مدل از معیار صحت استفاده شد. نتایج حاصل نشان دهنده ی صحت %18 در تشخیص الگوها در حالت طبقه بندی چندتایی و صحت 61% در حالت طبقه بندی دوتایی است. لذا توان مدل یادگیری عمیق در تشخیص الگوهای فراکتال امواج الیوت و در نتیجه پیش بینی روند بازار، در حالت طبقه بندی دوتایی به طور قابل توجهی نسبت به حالت طبقه بندی چندتایی بالاتر است. بنابراین پژوهش حاضر بکارگیری مدل یادگیری عمیق با طبقه بندی دوتایی را جهت تشخیص الگوهای فراکتال امواج الیوت توصیه می نماید.A comparative study of deep learning model with binary and multiple classification to predict stock market trends by detecting fractal patterns based on Elliott wave theory.
One of the popular but complicated methods in technical analysis is the Elliott wave method. In this method, the most important part is to recognize the main trend patterns of the market, which is a difficult task due to the fractal structure of the market. But like other fields, the use of artificial intelligence in the field of financial forecasts has also become widespread. Therefore, it seems that the use of artificial intelligence in Elliott wave analysis is attractive. Therefore, in the current research, by introducing a deep learning model to predict the market through the detection of Elliott wave patterns, it has been investigated and compared the power of the model in two modes of binary and multiple classification. In this research, for 15 considered patterns, 1002 examples of stock price charts of companies present in the Iranian stock market in the 11-year period from 1390 to 1400 were collected and labeled, and finally for recognition as input to the deep learning algorithm with Recurrent neural network model was used in binary and multiple classification modes. In this research, RapidMiner 9.9 software was used to design and implement the model, and accuracy criteria were used to determine the power of the model. The results show 18% accuracy in pattern recognition in multiple classification mode and 61% accuracy in binary classification mode. Therefore, the power of the deep learning model in detecting the fractal patterns of Elliott waves and as a result predicting the market trend is significantly higher in the binary classification mode than in the multiple classification mode. Therefore, the present study recommends the use of deep learning model with binary classification to detect fractal patterns of Elliott waves.
تبلیغات
