امیر شریف فر
-
اهداف
الگوریتم های مبتنی بر شبکه عصبی پیچشی (CNN) که شاخه ای از مبحث یادگیری عمیق است، در سال های اخیر پیشرفت چشمگیری در حوزه های تحلیل فیلم و تصویر داشته اند؛ موفقیت و پذیرفته شدن الگوهای نوین این حوزه باعث به کارگیری گسترده آنها در زمینه های مختلف اعم از تحلیل متن و داده های سری زمانی شده است. یادگیری عمیق بخشی از الگوریتم های یادگیری ماشینی است که در آن از چندین لایه پردازش اطلاعات به ویژه اطلاعات غیرخطی استفاده می شود تا از ورودی خام، بهترین ویژگی های مناسب با هدف تحلیل، بازشناخت الگو یا پیش بینی استخراج شود.
روشدر پژوهش حاضر توانایی معماری های مختلف الگوریتم CNN برای پیش بینی قیمت سهام بررسی شده است.
نتایجنتایج حاصل از اجرای الگوریتم به تعداد 54 دفعه با معماری ها و پارامترهای متفاوت و با استفاده از دو دسته اصلی داده های ورودی شامل اطلاعات قیمتی روزانه سهام و ده شاخص منتخب تکنیکال برای سهام شرکت ذوب آهن اصفهان نشان دهنده آن است که استفاده از CNN همراه با لایه ادغام بیشینه (ترکیب پارامترهای اندازه دسته 64، تعداد فیلتر 256 و با تابع فعال سازی ReLU)، دارای خطاهای درصد 79/1 = MAPE و درصد 71/2 = NRMSE است که نشان دهنده عملکرد بهتر آن نسبت به سایر معماری ها و الگوریتم RNN است.
کلید واژگان: پیش بینی قیمت سهام, یادگیری ماشینی, یادگیری عمیق, الگوریتم شبکه عصبی پیچشی (CNN), الگوریتم شبکه عصبی بازگشتی (RNN).Algorithms based on a Convolutional Neural Network (CNN), which is a branch of Deep Learning (DL), have seen significant progress in picture and video analyses in recent years. Success of these new models has led to widespread use of them in various fields, including text mining and time series data. DL is part of a broader family of machine learning methods that attempts to model high-level concepts using learning at multiple levels and layers and extract features of higher levels from the raw input. This survey investigated the abilities of different CNN architectures to predict stock prices. Upon running the model with various architectures and parameters for the stock price of Esfahan Steel Company, the results showed that a CNN with max-pooling layers (a combination of Batch size=64, filters=256, and ReLU Activation Function) and Mean Absolute Percentage Error (MAPE) of 1.79% and Normalized Root Mean Square Error (NRMSE) of 2.71% had a higher prediction accuracy than other CNN architectures and Recurrent Neural Network (RNN).
Keywords: Stock price prediction, Machine Learning, Deep learning (DL), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) -
امروزه انواع مدل های هوش مصنوعی جایگاه خود را در محاسبات و پیش بینی های بازارهای مالی تثبیت کرده اند؛ در این میان معماری های مبتنی بر یادگیری عمیق که خود براساس الگوریتم های یادگیری ماشینی می باشند، از طریق رفع ضعف های مدل های سنتی شبکه عصبی در خصوص پیش-بینی ساختارهای دینامیک، مورد توجه قرار گرفته اند. مهمترین مزیت الگوریتم های یادگیری عمیق نسبت به مدل های سنتی شبکه عصبی، استخراج خودکار ویژگی های مناسب از ورودی های خام می-باشد که از آن برای روند یادگیری مدل استفاده می کند؛ به عبارتی الگوریتم های این روش از چندین لایه ی پردازش اطلاعات و به ویژه اطلاعات غیرخطی بهره می برند تا بهترین ویژگی های مناسب را از ورودی خام استخراج نمایند. در پژوهش حاضر توانایی معماری های الگوریتم حافظه کوتاه مدت ماندگار (LSTM) جهت پیش-بینی قیمت سهام مورد بررسی قرار گرفته است؛ علاوه بر این، ضمن طبقه بندی عوامل موثر بر قیمت سهام، مولفه های نشان دهنده معاملات سهامداران حقیقی و حقوقی به عنوان عاملی اثرگذار بر قیمت سهام معرفی و بررسی شده است. برای اجرای مدل از سه گروه داده های قیمتی، شاخص های تکنیکال و معاملات سهامداران حقیقی و حقوقی استفاده شده است. نتایج تحقیق نشان از عملکرد بهتر معماری LSTM همراه با لایه Drop Out نسبت به مدل ساده آن و همچنین مدل RNN دارد.
کلید واژگان: پیش بینی قیمت سهام, یادگیری عمیق, حافظه کوتاه مدت ماندگار LSTM, شبکه عصبی بازگشتی RNNForecasting stock prices plays an important role in setting a trading strategy or determining the appropriate timing for buying or selling a stock. Deep Learning (DL) is a type of Artificial Neural Network (ANN) that consists of multiple processing layers and enables high-level abstraction to model data. The key advantage of DL models is extracting the good features of input data automatically using a general-purpose learning procedure which is suitable for dynamic time series such as stock price.In this research the ability of Long Short-Term Memory (LSTM) to predict the stock price is studied; moreover, the factors that have significant effects on the stock price is classified and legal and natural person trading is introduced as an important factor which has influence on the stock price. Price data, technical indexes and legal and natural person trading is used as an input data for running the model. The results obtained from LSTM with Dropout layer are better and more stable than simple form of LSTM and RNN models.
Keywords: stock price prediction, deep learning, Long Short-Term Memory, Recurrent neural network -
حضور در بازارهای جهانی و گسترش فعالیت ها در خارج از کشور، یکی از اهداف اصلی شرکت های بزرگ است؛ و در صورتی که انتخاب کشور مقصد جهت سرمایه گذاری همراه با مطالعات کارشناسی است، منبعی سودآور برای شرکت ها خواهد بود. با توجه به اهمیت موضوع انتخاب کشور مناسب جهت سرمایه گذاری، نهادهای مختلفی در زمینه رتبه گذاری و ارزیابی ریسک کشورهای مختلف فعالیت دارند که هر یک به جنبه های به خصوصی تاکید دارند. در پژوهش حاضر شاخص های موثر بر سرمایه گذاری در کشورهای بهینه جهت سرمایه گذاری و بر اساس نظر کارشناسان داخلی تدوین شده است. در مرحله نخست، شاخص های کمی از طریق مطالعات کتابخانه ای و گزارش های منتشر شده از سوی نهادهای بین المللی استخراج شده و شاخص های کیفی موثر بر انتخاب کشورهای هدف نیز بر اساس مصاحبه های کارشناسی تعیین شده است. در مرحله دوم، بر اساس 16 شاخص به دست آمده از مرحله قبل و به کارگیری تکنیک های تصمیم گیری فرایند تحلیل سلسله مراتبی و تاپسیس، به مقایسه و رتبه بندی 47 کشور منتخب در غالب سه عامل اصلی سهولت فعالیت در کسب و کار، وضعیت کلان اقتصادی و وضعیت بازار سرمایه دسته بندی شده اند.
کلید واژگان: سرمایه گذاری خارجی, فضای کسب و کار, تکنیک تصمیم گیری چند شاخصه, تکنیک تصمیم گیری فرایند تحلیل سلسله مراتبی, مدل تاپسیسOne of the main objectives of the companies is to attend international markets and expand their activities abroad. In case that selection of the destination country for investment be along with expertise studies, it will be a profitable source for companies. Due to the importance of this topic, numerous institutions are active in the field of risk ranking and risk assessment of different countries that each one focuses on a particular aspect. In this study, affecting factors for investment in foreign countries are formulated according to local experts’ opinions and based on that, the optimized countries for investment have been determined.In the first place, quantitative indices are extracted from library studies and reports issued by international institutions, and qualitative indices affecting the choice of target countries have been determined based on expertise interviews. In the second place, based on 16 indicators derived from the previous step, and by means of Analytical Hierarchy Process (AHP) and Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) decision making techniques, 47 selected countries have been compared and ranked. It is worth noting that the 16 indicators are classified into 3 main factors: The ease of action in business, macro economy‘s status and the capital market of the country’ status.Keywords: Foreign Investment, Business Climate, Multi, criteria Decision, making Technique, Analytic Hierarchy Process (AHP), Decision, making Technique (TOPSIS) Model -
با گسترش رقابت بین صندوق های سرمایه گذاری مشترک در نظام مالی ایران، بازاریابی این محصول مالی جهت جذب سرمایه گذاران امری ضروری است. از این رو شناخت عواملی که در رفتار سرمایه گذاران در انتخاب این صندوق ها اثرگذار است به بازاریابی اثربخش این ابزار مالی کمک می کند. در این پژوهش از طرح تحقیق آمیخته از نوع زنجیره ای و از شاخه کیفی–< کمی استفاده شد. در مرحله کیفی و با استفاده از روش تحلیل محتوا بر روی داده های حاصل از مصاحبه ها، 21 شاخص شناسایی گردید. در مرحله کمی با تحلیل عاملی اکتشافی در نهایت شاخص های شناسایی شده در قالب هفت عامل اصلی طبقه بندی گردید. این عوامل عبارتند از: دانش و شناخت سرمایه گذار از صندوق، تبلیغات و اطلاع رسانی، عوامل محیطی، درجه ریسک گریزی سرمایه گذار، بازده و عملکرد، عمربالا و حجم و اندازه صندوق و عامل دسترسی. نتایج آزمون تحلیل واریانس فریدمن نشان داد که از دید سرمایه گذاران مهمترین عوامل موثر بر انتخاب صندوقهای سرمایه گذاری مشترک به ترتیب اولویت عبارتند از: بازدهی و عملکرد، دانش و شناخت سرمایه گذاران از صندوق، درجه ریسک گریزی سرمایه گذار، عوامل محیطی، عمر بالا/حجم و اندازه صندوق، دسترسی و در انتها تبلیغات و اطلاع رسانی.
کلید واژگان: صندوق سرمایه گذاری مشترک, مالی رفتاری, رفتار سرمایه گذاران, پژوهش آمیختهWith regard to the development of the mutual funds as a new financial product in Iran financial system, marketing of this new product is essential for attracting investors. Hence, understanding the influencing factors on fund selection behavior is necessary and vital for more effective marketing. This research use mixed method research (qual QUAN). In the qualitative phase based on in-depth interview with investors and experts 21 items were identified. In the quantitative phase, exploratory factor analysis (EFA) was done for identification of the factors. EFA revealed 7 factors including: investor knowledge about the fund, advertising, environmental factors, investor’s risk aversion degree, return, age/volume and size of the fund, and fund accessibility. Friedman analysis of variance indicted the priorities of the factors as: return and performance, investor knowledge about the fund, investor’s risk aversion degree, environmental factors, age/volume and size of the fund, fund accessibility and advertisingKeywords: Mutual Fund, Behavioral Finance, Investor Behavior, Mixed Method
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.