جستجوی مقالات مرتبط با کلیدواژه « convolutional network » در نشریات گروه « مدیریت »
تکرار جستجوی کلیدواژه «convolutional network» در نشریات گروه «علوم انسانی»-
این مقاله با استفاده از یادگیری تقویتی عمیق مدلی ارایه می کند تا وظایف یک معامله گر در بازار بورس ایران را با توجه به سهم های نقد شونده مدل سازی کند. قیمت سهام به همراه اندیکاتورهای مبتنی بر آن به عنوان ورودی به شبکه عصبی کانولوشن وارد می شوند.سپس، با استفاده از اندیکاتورهای محاسبه شده، داده های قیمت بر اساس تاریخ تطبیق داده می شود. به منظور محاسبه میزان تطبیق خروجی محاسبه شده با خروجی مورد انتظار، از تابع هزینه ی مجموع مربعات خظا استفاده می شود که در فرایند بهینه سازی کمینه می شود. همچنین با به کارگیری مدل های کانولوشن به جای جداول Q از بیش برارزش مدل به دلیل وجود داده های کم برای آموزش مدل جلوگیری به عمل آمده است. از طرفی با استفاده از اطلاعات موجود در حجم معاملات، از این سیگنال به عنوان نقشی مکمل در پیش بینی روند آینده سهم ها بهره گرفته شده است. و برای ارزیابی، برتری این مدل نسبت به استراتژی خرید و نگهداری مقایسه شده است.
کلید واژگان: یادگیری تقویتی عمیق, کانولوشن, بورس, اندیکاتور تکنیکال, تحلیل تکنیکال}Nowadays, the stock market plays an important role in the economy of different countries. The abundance of data in the stock market and the need for fast and correct data processing and making appropriate decisions have made the use of computers inevitable. In this article, using deep reinforcement learning, a model is designed to present the duties of a trader in the Iranian stock market with regard to liquidated shares. In the first step, the history of stock prices along with the indicators based on it are given as inputs to the convolutional neural network. In the next step, in order to calculate the matching rate of the convolution output with the expected output, the sum of squared error cost function is used, which, in turn, is minimized in the optimization process. Since the data in the Iranian stock market is limited, using the convolution model instead of the Q table in the deep reinforcement model prevents the over fitting of the model. In order to evaluate the model, the data of Tehran Stock Exchange was used in the period of 1390 to 1400. The performance of the proposed method was compared with the buy and hold strategy. The results show, in some cases, the profit from the proposed method in contrast with buy and hold strategy is 21% and -7%, respectively.
Keywords: deep reinforcement learning, convolutional network, technical indicator, Technical analysis}
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.