نظریه ها، فناوری ها و کاربردهای هوش مصنوعی در اینترنت اشیاء مبتنی بر ابر

روش پیش بینی نوسانات بازار سهام بر اساس ترکیب داده های چند بعدی

1 و لی ژانگ 1

چکیده

نوسانات بازار سهام با منافع حیاتی سهامداران مرتبط است و برای حفظ یک محیط مالی با ثبات ضروری است. از طریق تجزیه و تحلیل تغییرات داده ها، معامله گران حرفه ای عالی می توانند اطلاعاتی در مورد جهت تغییرات سهام، ارزش سرمایه گذاری و تجارت بلند مدت یا کوتاه مدت استخراج کنند. هدف این مقاله بررسی روش‌های پیش‌بینی نوسانات بازار سهام با یکپارچه‌سازی داده‌های چندجانبه، تحلیل عمیق جهت تغییرات داده‌ها، پیش‌بینی تغییرات قیمتی بازار سهام و هدایت بهتر سرمایه‌گذاری سهامداران است. این مقاله یک روش ترکیب داده‌های چندمنبعی را برای تحلیل تغییرات قیمت بازار سهام و یافتن بهترین روش پیش‌بینی ریسک پیشنهاد می‌کند. نتایج تجربی در این مقاله نشان می‌دهد که ادغام داده‌های چند منبعی بهتر می‌تواند به بازار سهام کمک کند تا تغییرات سهام را پیش‌بینی کند و ریسک سرمایه‌گذاری مالی را تا ۲۰ درصد کاهش دهد. با مقایسه نتایج پیش‌بینی به‌دست‌آمده با داده‌های واقعی، MSE پیش‌بینی‌شده توسط مدل ARIMA 2. 35 محاسبه می‌شود. این یک ایده جدید برای تجزیه و تحلیل موثر داده های سری زمانی غیر ثابت با ویژگی های همجوشی روند پیچیده با غربالگری منطقی سیگنال های ویژگی و سیگنال های روند و مدل سازی توزیع احتمال ارائه می دهد.

1. مقدمه

تئوری پیش‌بینی و طبقه‌بندی داده‌ها تبلور ادغام رشته‌های مختلف مانند علوم مدیریت، اقتصاد، ریاضیات و کامپیوتر است. ترکیب داده های چند بعدی به طور گسترده در تجزیه و تحلیل بازار قیمت انرژی، پیش بینی قیمت بازار مالی و کنترل ریسک، شناسایی اطلاعات بیولوژیکی، تجزیه و تحلیل رفتار مشتری هوش تجاری و بسیاری از زمینه های دیگر استفاده می شود. بازار مالی نیروی مهمی برای توسعه پایدار نظام اقتصادی داخلی است و نقش مهمی در حمایت از ثبات کشور و شکوفایی کشور دارد. با پررنگ تر شدن نقش بازار مالی، توجه کارشناسان و صاحب نظران بیشتری به حوزه مالی آغاز شده است. به عنوان بخش مهمی از حوزه مالی، سهام به طور فزاینده ای مورد توجه کارشناسان و محققان قرار می گیرد. پیش بینی سهام نیز به یک موضوع تحقیقاتی داغ تبدیل شده است، اما بازار سهام بی ثبات و گریزان است. عوامل زیادی بر آن تأثیر می گذارد (اقتصاد، سیاست، خود شرکت، بازار و غیره). برخی از عوامل حتی می توانند به تغییرات زمین لرزه در بازار مالی منجر شوند. در عین حال، پیش بینی ظهور عوامل نامطمئن و شرایط اضطراری دشوار است. کاربرد پیش‌بینی داده‌ها و تئوری همجوشی در انرژی الکتریکی، زیست‌شناسی، مالی، هوش تجاری و سایر زمینه‌ها نسبتاً بالغ بوده است، که در این میان نظریه پیش‌بینی داده‌ها به طور گسترده در پیش‌بینی بار قدرت، پیش‌بینی سری زمانی مالی، پیش‌بینی قیمت انرژی استفاده شده است.، پیش بینی فروش کالا و سایر زمینه ها. بازار سهام در وضعیت بی ثباتی قرار داشته است و هر از چند گاهی رشد سریع یا کاهش سریعی خواهد داشت. این افزایش و کاهش غیرقابل پیش بینی سهام منعکس کننده حرکات بازار اقتصادی است و همچنین تأثیر مهمی بر وضعیت اقتصاد بازار خواهد داشت. این عدم قطعیت ها و بی ثباتی ها، پیش بینی بازار سهام را دشوارتر و دقیق تر می کند. بسیاری از کارشناسان و محققین تعداد زیادی آزمون تجربی را در ادبیات انجام داده اند و تحقیقات نشان می دهد که بازار سهام قابل پیش بینی است. این مقاله یک چارچوب جدید برای پیش‌بینی داده‌های پیچیده از منظر تبعیض حالت ارائه می‌کند که ایده‌های جدیدی را برای مطالعه تحلیل قانون نوسانات داده‌های با ابعاد بالا و پیش‌بینی داده‌های نوسانات فرکانس بالا غیر ثابت ارائه می‌دهد.

برای پیش بینی سهام، کارشناسان و صاحب نظران داخلی و خارجی به نتایجی دست یافته اند. تحقیقات لی تأثیر شاخص عدم قطعیت سیاست اقتصادی (EPU) چین و کشورهای G7 را بر نوسانات بازار سهام چین بررسی می‌کند و از تجزیه و تحلیل مؤلفه اصلی (PCA) برای ایجاد یک شاخص انتشار جدید بر اساس این شاخص‌ها برای افزایش قابلیت‌های پیش‌بینی استفاده می‌کند.. شاخص عدم قطعیت سیاست اقتصادی شاخصی است که برای انعکاس عدم اطمینان اقتصادی و سیاستی اقتصادهای بزرگ جهان استفاده می شود. شاخص EPU رابطه معکوس معنی داری با متغیرهای کلان اقتصادی واقعی مانند رشد اقتصادی و اشتغال دارد و حتی نوسانات بزرگ در بازارهای سهام را توضیح می دهد. نتایج در نمونه نشان می دهد که شاخص EPU چین و برخی از کشورهای G7 تأثیر منفی قابل توجهی بر نوسانات آینده دارد. علاوه بر این، نتایج خارج از نمونه نشان می دهد که دقت پیش بینی شاخص انتشار به طور قابل توجهی بالاتر از خود EPU و پیش بینی ترکیبی است [1]. جریک داده هایی را در مورد انتظارات فعالان بازار سهام کرواسی در مورد سطح آتی شاخص سهام کرواسی CROBEX جمع آوری کرده است. نتایج نشان داد که گروه های مورد مطالعه در پیش بینی مقادیر شاخص منطقی نیستند. پیش بینی کنندگان تمایل به جانبداری دارند و عموماً تمایل دارند مقدار واقعی شاخص را در طول دوره نمونه گیری بیش از حد برآورد کنند. برخی از پیش بینی کنندگان در آزمون کارایی با همبستگی بین خطاهای پیش بینی و مقادیر گذشته CROBEX یا تولید صنعتی کرواسی که پیش بینی کننده در زمان انجام پیش بینی شناخته شده بود، رد شدند. علاوه بر این، ناهمگونی فردی قابل توجهی وجود دارد [2]. دیوید مدل GARCH را که برای تحلیل و پیش‌بینی شاخص S&P500 استفاده می‌شود، معرفی کرد. هدف این است که مستقیماً با وقفه‌های ساختاری احتمالی در سری‌های زمانی مشاهده‌شده از طریق ارزیابی تجربی و مقایسه ترکیب‌های پیش‌بینی جایگزین پنجره‌های تخمین مختلف مقابله کنیم. نتایج نشان می‌دهد که شکستگی‌های ساختاری و پارامترهای ناپایدار در سری S&P500 وجود دارد. علاوه بر این، برای همه مشخصات نوع GARCH در نظر گرفته شده و همه توزیع شرایط نوآوری اجرا شده، میانگین عملکرد پیش‌بینی‌های نوسانات تولید شده توسط مدل‌های پیش‌بینی مختلف برآورد شده با استفاده از اندازه‌های مختلف پنجره خوب است و به نظر می‌رسد روش مفیدی برای پیش‌بینی سهام S&P500 ارائه می‌کند. شاخص بازار [3]. فنگ این شکاف را با مطالعه توانایی ریسک نوسانات نفت در پیش بینی نوسانات بازار سهام پر می کند. او با استفاده از VRP نفت به عنوان یک پیش‌بینی‌کننده، دریافت که VRP نفت از لحاظ آماری و اقتصادی قابلیت‌های پیش‌بینی درون نمونه و خارج از نمونه را برای کشورهای G7 نشان می‌دهد و حتی برخی از متغیرهای کلان اقتصادی محبوب را کنترل می‌کند. هنگامی که از عوامل جایگزین برای اندازه گیری نوسانات ذخایر و نفت استفاده می شود، این یافته ها قابل اعتماد هستند [4]. کارلستون از اطلاعات شاخص های نقدینگی و نوسانات برای پیش بینی رشد تولید ناخالص داخلی (GDP) واقعی و چرخه های تجاری استفاده می کند. او بیش از 5000 شاخص نقدینگی و نوسان NYSE را تخمین زد و یک عامل مشترک برای تعیین عدم قطعیت در توانایی تولید ناخالص داخلی واقعی، تولید صنعتی، شاخص قیمت مصرف کننده، مصرف واقعی و سرمایه گذاری واقعی برای تغییر استخراج کرد. نتایج بررسی نشان داد که تأثیر مثبت بر عامل عدم قطعیت در سه ماهه قبل و در ابتدای رکود رخ داده است. در چند سه ماهه ای که رکود در شرف پایان است، عدم قطعیت ها تأثیر منفی خواهد داشت [5].

کیم مدلی را برای پیش بینی نوسانات قیمت سهام ، که تلفیقی از حافظه کوتاه مدت طولانی مدت و ناهمگونی مشروط به خودی عمومی است ، ساخت. وی نسبت های مختلف فیوژن را مورد تجزیه و تحلیل و مقایسه قرار داد و دریافت که مدل تشکیل شده توسط همجوشی حافظه کوتاه مدت بلند مدت و ناهمگونی مشروط مختلف اتورگرایی عمومی با نسبت 1: 3 دارای کمترین خطای پیش بینی است [6]. Gamba-Santamaria از چارچوب DCC-GARCH برای الگوبرداری از روابط متنوع بین نوسانات بازار استفاده می کند. با در نظر گرفتن ساختار متغیر زمان ماتریس کواریانس ، با گسترش چارچوب Diebold و Yilmaz ، شاخص سرریز مستقیم از سری بازگشت محاسبه می شود. نتایج به شرح زیر است: اول ، کل سرریز یک تغییر سری بزرگ را نشان می دهد ، که در مواقع آشفتگی بازار بیشتر است. دوم ، سران خالص هر کشور در دوره نمونه تغییر نکردند. با این حال ، شدت آنها تغییرات زمانی مهمی را نشان داد. سرانجام ، همانطور که انتظار می رود ، انتقال نوسانات بازار سهام در توسعه یافته ترین بازارها سرچشمه گرفته است. این امر از اهمیت ویژه ای برخوردار است که اگرچه بازار سهام چین با گذشت زمان به رشد مهمی رسیده است ، اما هنوز هم گیرنده خالص نوسانات است [7]. Werner Kristjanpoller پیش بینی های نوسانات مرتبط با قیمت های طلا ، نقره و مس را مورد تجزیه و تحلیل قرار داد. اول ، مجموعه ای از مدل های GARCH برای پیش بینی نوسانات استفاده می شود ، از جمله متغیرهای توضیحی مانند نرخ ارز دلار-یورو و دلار-ین ، قیمت نفت و شاخص های بورس اوراق بهادار در چین ، هند ، انگلستان و ایالات متحده. پس از آن ، این پیش بینی های مدل به عنوان ورودی به شبکه عصبی برای تجزیه و تحلیل افزایش قابلیت های پیش بینی ترکیبی استفاده می شود. نتایج به دست آمده نشان می دهد که برای این سه فلز ، استفاده از یک مدل شبکه عصبی ترکیبی توانایی پیش بینی نوسانات خارج از نمونه را بهبود می بخشد [8]. در مواجهه با انبوه روزافزون اطلاعات داده ، اگرچه حاوی دانش تجاری بسیار غنی و اطلاعات ارزشمند تصمیم گیری است ، نحوه جمع آوری کامل و مؤثرتر و مرتب سازی داده های پیچیده و استخراج اطلاعات ارزشمند و قابل استفاده از آن ، هنوز هم یک مشکل بسیار چالش برانگیز استسوال

براساس پیش بینی نوسانات سهام ، این مقاله دلایل نوسانات سهام را مورد تجزیه و تحلیل قرار می دهد ، عواملی را که بر نوسانات سهام تأثیر می گذارد ، می یابد ، متغیرهای مربوط به نوسانات را تعیین می کند ، یک مدل پیش بینی قیمت نوسانات سهام را ایجاد می کند و از مدل برای دستیابی به پیش بینی قیمت سهام استفاده می کند. در مقایسه با سایر روشهای پیش بینی سهام ، نتایج پیش بینی کوتاه مدت مدل ساخته شده توسط این روش دقیق تر است و راندمان پیش بینی بیشتر است که می تواند نیازهای کاربران را برآورده کند. این جهت پیش بینی نوسانات سهام را فراهم می کند و همچنین راه را برای کاهش خطرات مرتبط نشان می دهد.

2. آشنایی با اصل همجوشی داده های چند بعدی و روشهای پیش بینی سهام

2. 1همجوشی داده ها