پیش بینی نوسانات شاخص بازار سهام با استفاده از مدل های ترکیبی با روندهای داخلی Google

به منظور بهبود صحت پیش بینی نوسانات بازارها ، ما مدل های ترکیبی را بر اساس شبکه های عصبی مصنوعی با لایه های چند پنهان در این مقاله پیشنهاد می کنیم. به طور خاص ، مدل های ترکیبی با استفاده از نوسانات تخمین زده شده به دست آمده از مدل های خانواده Garch و روندهای داخلی Google (GDT) به عنوان متغیرهای ورودی ساخته می شوند. ما در ادامه آزمایشات بسیاری را انجام می دهیم که تعداد لایه ها و توابع فعال سازی را برای به دست آوردن مدل ترکیبی دقیق برای نوسانات پیش بینی متفاوت انجام می دهیم. مدل های پیشنهادی برای تأیید صحت آنها برای فواصل پیش بینی هفتگی و ماهانه شاخص S& P 500 اعمال می شود. نتایج مقایسه عملکرد نشان می دهد که مدل های ترکیبی با GDT ها به وضوح از نتایج پیش بینی شده با مدل های خانواده GARCH و مدل های ترکیبی بدون GDT در پیش بینی نوسانات بازار واقعی بهتر عمل می کنند. ما همچنین نتایج آزمایش را با نمودارها ارائه می دهیم تا کارایی مدل ها را نشان دهیم.

توسط وی-Xing Zhou ارتباط برقرار شده است

منابع

• 1. R. F. Engle ، ناهمگونی مشروط اتوگرافی با برآورد واریانس تورم انگلستان ، Econometrica 50 (1982) 987-1007. Crossref ، ISI ، Google Scholar
• 2. T. Bollerslev ، ناهمگونی مشروط مشروط به خودی ، J. Econ. 31 (1986) 307-327. Crossref ، ISI ، Google Scholar
• 3. D. B. Nelson ، ناهمگونی مشروط در بازده دارایی: یک رویکرد جدید ، Econometrica 59 (1991) 347-370. Crossref ، ISI ، Google Scholar
• 4. L. Glosten ، R. Jagaathan و D. Runkle ، در رابطه بین مقدار مورد انتظار و بازده اضافی اسمی نوسانات سهام ، J. Finance 46 (1993) 1779-1801. Crossref ، Google Scholar
• 5. C.-H. Tseng ، S.-T. چنگ ، Y.-H. وانگ و جی. پنگ ، مدل شبکه عصبی مصنوعی از نوسانات ترکیبی Egarch از قیمت گزینه شاخص سهام تایوان ، Physica A 387 (2008) 3192-3200. Crossref ، ISI ، Google Scholar
• 6. C.-H. Tseng ، S.-T. چنگ و ی. وانگ ، روش جدید ترکیبی برای پیش بینی نوسانات سهام ، سیستم متخصص. کاربرد36 (2009) 1833-1839. Crossref ، ISI ، Google Scholar
• 7. S. Lahmiri ، سیستم های ترکیبی برای پیش بینی داده های نوسانات برنت: یک مطالعه مقایسه ای ، مدیریت زنجیره تأمین نامشخص. 1 (2013) 145-152. گوگل دانشکده
• 8. J. Zahedi and M. M. Rounaghi ، کاربرد مدلهای شبکه عصبی مصنوعی و روش اصلی تجزیه و تحلیل مؤلفه در پیش بینی قیمت سهام در بورس اوراق بهادار تهران ، Physica A 438 (2015) 178-187. Crossref ، ISI ، Google Scholar
• 9. E. Hajizadeh ، M. Mahootchi ، A. Esfahanipour and M. M. Khah ، یک مدل جدید ترکیبی NN-PSO برای پیش بینی نوسانات نرخ ارز یورو/دلار ، رایانه عصبی. کاربرد(2015) ، http://dx. doi. org/10. 1007/s00521-015-2032-7. Crossref ، ISI ، Google Scholar
• 10. W. Kristjanpoller و M. C. Minutolo ، نوسانات قیمت طلا: یک رویکرد پیش بینی با استفاده از مدل شبکه عصبی مصنوعی ، Garch ، Expert Syst. کاربرد42 (2015) 7245-7251. Crossref ، ISI ، Google Scholar
• 11. W. Kristjanpoller و E. Minutolo ، پیش بینی نوسانات قیمت نفت با استفاده از یک مدل شبکه عصبی مصنوعی ، Garch ، Expert Syst. کاربرد65 (2016) 233 241. Crossref ، ISI ، Google Scholar
• 12. W. Kristjanpoller و E. Heández ، نوسانات فلزات اصلی پیش بینی شده توسط یک مدل ترکیبی A-Garch با رگرسیون ، Syst Expert. کاربرد84 (2017) 290-300. Crossref ، ISI ، Google Scholar
• 13. R. Dash و P. K. Dash ، یک مدل EGARCH فازی ترکیبی تکاملی از نظر محاسباتی کارآمد برای پیش بینی نوسانات ، کاربرد. رایانه نرم45 (2016) 40-60. Crossref ، ISI ، Google Scholar
• 14. S. Lahmiri ، مدل سازی و پیش بینی نوسانات تاریخی در بازارهای نرخ ارز ، Physica A 471 (2017) 387-395. Crossref ، ISI ، Google Scholar
• 15. R. Dash ، یک چارچوب تکاملی مبتنی بر الگوریتم بر اساس الگوریتم فریاژ بهبود یافته برای پیش بینی نرخ ارز ، Physica A 486 (2017) 782-796. Crossref ، ISI ، Google Scholar
• 16. M. Qiu ، Y. Song and F. Akagi ، استفاده از شبکه عصبی مصنوعی برای پیش بینی بازده بورس سهام: مورد بازار سهام ژاپن ، هرج و مرج Soliton Fractals 85 (2016) 1-7. Crossref ، ISI ، Google Scholar
• 17. X. Liu و H. Fu ، پیش بینی نوسانات برای بین بانکی با استفاده از دستگاه یادگیری شدید خاکستری: مورد چین ، هرج و مرج Solitons Fractals 89 (2016) 249-254. Crossref ، ISI ، Google Scholar
• 18. T. H. Roh ، پیش بینی نوسانات شاخص قیمت سهام ، Syst Expert. کاربرد33 (2007) 916-922. Crossref ، ISI ، Google Scholar
• 19. M. Bildirici و O. O. Ersin ، بهبود پیش بینی مدل های خانواده Garch با شبکه های عصبی مصنوعی: برنامه ای برای بازده روزانه در بورس استانبول ، Syst Expert. کاربرد36 (2009) 7355-7362. Crossref ، ISI ، Google Scholar
• 20. E. Hajizadeh ، A. Seifi ، M. H. Fazel Zarandi and I. B. Turksen ، یک رویکرد مدل سازی ترکیبی برای پیش بینی نوسانات بازده شاخص S& P 500 ، Syst Expert. کاربرد39 (2012) 431-436. Crossref ، ISI ، Google Scholar
• 21. S. Lahmiri ، یک سیستم EGARCH-BPNN برای تخمین و پیش بینی نوسانات بازار سهام در مراکش و عربستان سعودی: تأثیر حجم معاملات ، مدیریت. علمیکاهنده2 (2012) 1317-1324. Crossref ، Google Scholar
• 22. S. Lahmiri و M. Boukadoum ، یک سیستم گروهی مبتنی بر Hybrid Egarcha با فرضیات توزیع مختلف برای پیش بینی نوسانات داخل S& P 500 ، نوسان. LOIDE LETT. 14 (2015) 1550001. لینک ، ISI ، Google Scholar
• 23. W. Kristjanpoller ، A. Fadic and M. C. Minutolo ، پیش بینی نوسانات با استفاده از مدل های شبکه عصبی ترکیبی ، Syst Expert. کاربرد41 (2014) 2437 2442. Crossref ، ISI ، Google Scholar
• 24. T. Preis ، H. S. Moat و H. E. Stanley ، کمیت رفتار معاملاتی در بازارهای مالی با استفاده از Google Trends ، Sci. Rep. 3 (2013) 1684. Crossref ، ISI ، Google Scholar
• 25. R. Xiong ، E. P. Nichols و Y. Shen ، نوسانات سهام عمیق یادگیری با روندهای داخلی Google ، Arxiv: 1512. 04916. گوگل دانشکده
• 26. A. Hamid and M. Heiden ، پیش بینی نوسانات با شباهت تجربی و Google Trends ، J. Econ. رفتار. عضو. 117 (2015) 62-81. Crossref ، ISI ، Google Scholar
• 27. T. Dimpfl و S. Jank ، آیا نمایش داده های جستجوی اینترنت به پیش بینی نوسانات بورس کمک می کند؟یورومالی. مدیر. 22 (2016) 171-192. Crossref ، ISI ، Google Scholar
• 28. S. L. France and Y. Shi ، تجمع Google Trends: آزمایش و تجزیه و تحلیل چند متغیره ، ARXIV: 1712. 03152. گوگل دانشکده
• 29. B. Siliverstovs و D. S. Wochner ، Google Trends and Reality: آیا این نسبت ها مطابقت دارند؟: ارزیابی ارزش اطلاعاتی رفتار جستجوی آنلاین: شواهدی از مناطق گردشگری سوئیس ، J. Econ. رفتار. عضو. 145 (2018) 1-23. Crossref ، ISI ، Google Scholar
• 30. C. Brownlees ، R. Engle and B. Kelly ، یک راهنمای عملی برای پیش بینی نوسانات از طریق آرام و طوفان ، J. Risk 14 (2011) 3-22. Crossref ، ISI ، Google Scholar
• 31. D. P. Kingma و J. Ba ، Adam: روشی برای بهینه سازی تصادفی ، ARXIV: 1412. 6980. گوگل دانشکده
• 32. Y. Lecun ، Y. Bengio و G. Hinton ، Deep Leaing ، Nature 521 (2015) 436-444. Crossref ، ISI ، Google Scholar
• 33. P. R. Hansen ، A. Lunde and J. M. Nason. مجموعه اعتماد به نفس مدل ، اقتصاد سنجی 79 (2011) 453-497. Crossref ، ISI ، Google Scholar

از این کتابهای جدید ریاضیات برای الهام بخش و آخرین اطلاعات در حوزه تحقیقاتی خود الهام بگیرید!