بازرسی فراکتال و چارچوب مدل سازی پیش بینی مبتنی بر یادگیری ماشین برای بازارهای مالی

در این مقاله یک چارچوب جدید برای انجام تحقیقات تجربی و انجام مدل سازی پیش بینی بر قیمت شاخص های روزانه بورس بمبئی ، میانگین صنعتی داو جونز ، شاخص Hang Seng ، Nifty 50 ، Nasdaq و Nikkei ارائه شده است. ما بازارهای سهام را با جزئیات بررسی می کنیم تا بررسی کنیم که آیا آنها از مدل های پیاده روی تصادفی خالص پیروی می کنند یا خیر. برای ارزیابی پویایی قیمت های روزانه شاخص های سهام منتخب ، تخلیه و ابعاد ابعاد فراکتال ، تخمین زده می شود. چهار الگوریتم یادگیری ماشینی پیشرفته برای پیش بینی سیستم پیش بینی-سیستم استنتاج عصبی فازی ، سیستم استنتاج عصبی در حال تحول پویا ، شبکه عصبی اردن ، پشتیبانی از رگرسیون بردار و جنگل تصادفی-برای ساختن چارچوب های پیش بینی شده برای پیش بینی قیمت شاخص آینده استفاده شده است. بازرسی فراکتال به شدت فرضیه پیاده روی تصادفی را رد می کند و نشان می دهد که شاخص های سهام در نظر گرفته شده روند مداوم قابل توجهی را نشان می دهد. نتایج تمرینات مدل سازی پیش بینی نشان می دهد که قیمت ها می توانند به طور مؤثر پیش بینی شوند. چارچوب تحقیق و یافته های کلی می تواند برای سرمایه گذاران و بازرگانان تا حد زیادی مفید باشد.

این پیش نمایش محتوای اشتراک ، دسترسی از طریق موسسه شما است.

گزینه های دسترسی

خرید مقاله منفرد

دسترسی فوری به مقاله کامل PDF.

قیمت شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

منابع

1. Dsouza ، J. J. ؛Mallikarjunappa ، T: آیا شاخص های بازار سهام از پیاده روی تصادفی پیروی می کنند؟آسیا PAC. J. Manag. resنوآوری. 11 ، 251 273 (2015) ArticleGoogle Scholar
2. Chigozie ، O. G: تجزیه و تحلیل کارآیی ضعیف در بازار سهام نیجریه: شواهد بیشتر از مدل گارچ. int. J. Appl. ECONامور مالی 4 ، 62-66 (2010) ArticleGoogle Scholar
3. پیترز ، ه.: هرج و مرج و نظم در بازارهای سرمایه: نمای جدیدی از چرخه ها ، قیمت ها و نوسانات بازار. ویلی ، نیویورک (1991) Google Scholar
4. Priyadarshini ، E. ؛چاندرا بابو ، الف: تجزیه و تحلیل فراکتال بازارهای مالی هند: یک رویکرد تجربی. آسیا PAC. J. Manag. resنوآوری. 8 ، 271 281 (2012) ArticleGoogle Scholar
5. Mahalingam ، G. ؛Selvam ، M: واکنش بازار سهام در طول بحران مالی جهانی در هند: تجزیه و تحلیل فراکتال. آسیا PAC. J. Manag. resنوآوری. 10 ، 403-412 (2014) ArticleGoogle Scholar
6. کومار ، د. ؛Maheswaran ، S: شواهدی از حافظه طولانی در بازار سهام هند. آسیا PAC. J. Manag. resنوآوری. 9 ، 9-21 (2013) ArticleGoogle Scholar
7. Danilenko ، S: اثر حافظه بلند مدت در تجزیه و تحلیل قیمت سهام. ECONمدیر. 14 ، 151-155 (2009) Google Scholar
8. یین ، ک. ؛ژانگ ، ح. ؛ژانگ ، دبلیو. ؛وی ، س: تجزیه و تحلیل فراکتال بازار طلا در چین. رومانیایی J. Econ. پیش بینی. 16 ، 144-163 (2013) Google Scholar
9. هنری ، O. T: برخی از شواهد بین المللی. کاربردمالی. ECON12 ، 725-729 (2002) ArticleGoogle Scholar
10. نخل.؛Rao ، P. M. ؛Manimaran ، P .: تجزیه و تحلیل همبستگی چند جانبه در مورد سری زمان طلا ، نفت خام و نرخ ارز خارجی. Physica A 416 ، 452-460 (2014) ArticleGoogle Scholar
11. وانگ ، ج. ؛MA ، J: تجزیه و تحلیل قیمت بازارهای طلا و مطالعات کاربردی بر اساس تئوری های پیچیدگی. سیستمه پیچیدهپیچیدهعلمی5 ، 54-59 (2011) Google Scholar
12. باتن ، ج. ؛الیس ، ج: ساختارهای فراکتال و سیستم های تجاری ساده لوح: شواهدی از دلار آمریکا/ین ژاپنی. JPNجهانی ECON. 8 ، 411-421 (1996) ArticleGoogle Scholar
13. راوی ، v. ؛لال ، ر. ؛Kiran ، N. R: پیش بینی نرخ ارز با استفاده از روشهای اطلاعات محاسباتی. int. J. Comput. آگاه کردن. systInd. Manag. کاربرد4 ، 659-670 (2012) Google Scholar
14. Geng ، R. ؛بوز ، من. ؛چن ، ایکس: پیش بینی پریشانی مالی: یک مطالعه تجربی از شرکتهای ذکر شده چینی با استفاده از داده کاوی. یوروJ. عملres241 ، 236 247 (2015) ArticleGoogle Scholar
15. Dutta ، G. ؛جها ، ص ؛لااها ، A. K. ؛Mohan ، N: مدل های شبکه عصبی مصنوعی برای پیش بینی شاخص قیمت سهام در بورس اوراق بهادار بمبئی. ج. علامت گذاری. امور مالی 5 ، 283 295 (2006) ArticleGoogle Scholar
16. Manojlovic ، T. ؛Stajduhar ، I: پیش بینی روند بازار سهام با استفاده از جنگل های تصادفی: نمونه ای از بورس اوراق بهادار Zagreb. در: 38th فناوری اطلاعات و ارتباطات بین المللی کنوانسیون ، الکترونیک و میکروالکترونیک (MIPRO) ، صص 1189 1193 ، کرواسی ، 25-29 مه 2015
17. Karazmodeh ، م. ؛ناصیری ، س. ؛هاشمی ، S. M: پیش بینی قیمت سهام با استفاده از ماشین های بردار پشتیبانی و بهینه سازی ذرات بهبود یافته. J. Autom. مهندس کنترل. 1 ، 173-176 (2013) ArticleGoogle Scholar
18. هوانگ ، دبلیو. ؛ناکاموری ، ی. ؛Wang ، Y. S: پیش بینی جهت حرکت بازار سهام با دستگاه بردار پشتیبانی. رایانه. عملres32 ، 2513 2522 (2005) ArticleMathGoogle Scholar
19. Lahmiri ، S: Wavelet اجزای با فرکانس پایین و بالا به عنوان ویژگی هایی برای پیش بینی قیمت سهام با شبکه های عصبی Backpropagation. J. King Saud Univ. رایانه. inf. علمی26 ، 218 227 (2014) Google Scholar
20. Kao ، L. J. ؛Chiu ، C. C. ؛لو ، C. J. ؛چانگ ، C. H: یک رویکرد ترکیبی با ادغام استخراج ویژگی مبتنی بر موجک با MARS و SVR برای پیش بینی شاخص سهام. تصمیم گیریپشتیبانی از سیستم. 54 ، 1228 1244 (2013) ArticleGoogle Scholar
21. Hsieh ، T. J. ؛Hsiao ، H. F. ؛Yeh ، W. C: پیش بینی بازارهای سهام با استفاده از تبدیل موجک و شبکه های عصبی مکرر: یک سیستم یکپارچه مبتنی بر الگوریتم کلونی زنبور مصنوعی. کاربردرایانه نرم11 ، 2510 2525 (2011) ArticleGoogle Scholar
22. Abhyankar ، A. H. ؛Copeland ، L. S. ؛Wong ، W: پویایی غیرخطی در شاخص های بازار سهام در زمان واقعی: شواهدی از انگلستان. ECONJ. 105 ، 864-880 (1995) ArticleGoogle Scholar
23. Barkoulas ، J. ؛Travlos ، N: هرج و مرج در بازار سرمایه در حال ظهور؟پرونده بورس اوراق بهادار آتن. کاربردECON مالی. 8 ، 231 243 (1998) ArticleGoogle Scholar
24. Hsieh ، D. A: آزمایش غیرخطی بودن در تغییر نرخ ارز روزانه. J. Bus. 62 ، 339-368 (1989) ArticleGoogle Scholar
25. ماندلبروت ، ب. ؛والیس ، ج .: نوح ، یوسف و هیدرولوژی عملیاتی. منبع آبres4 ، 909-918 (1968) ArticleGoogle Scholar
26. Mandelbrot ، ب: چه موقع می توان قیمت را به طور مؤثر داوری کرد؟محدودیتی در اعتبار مدل های پیاده روی تصادفی و Martingale. روحانی اکون. آمار53 ، 225-236 (1971) ArticlemathscinetGoogle Scholar
27. هورست ، ح: ظرفیت ذخیره طولانی مدت مخازن. ترانس. صبح. SOC. مدنیمهندس1 ، 519-543 (1951) Google Scholar
28. Mandelbrot ، b.: روش آماری برای چرخه های غیر دوره ای از همبستگی های تجزیه و تحلیل R/S. آن راECONSOC. اندازه1 ، 189-196 (1972) Google Scholar
29. Cajueiro ، D. O. ؛Tabak ، B. M: رتبه بندی بازده برای بازارهای نوظهور. Chaos Solitons Fractals 22 ، 349-352 (2004) ArticleMathGoogle Scholar
30. Cajueiro ، D. O. ؛Tabak ، B. M: رتبه بندی کارآیی برای بازارهای سهام در حال ظهور II. Chaos Solitons Fractals 23 ، 671-675 (2005) Scholar ArticleMathGoogle
31. Guhathakurta ، K. ؛Bhattacharya ، B. R. ؛Chowdhury ، A: با استفاده از تجزیه و تحلیل نقشه عود برای تمایز بین تصادفات بازار سهام درون زا و برونزا. Physica A 389 ، 1874-1882 (2010) ArticleGoogle Scholar
32. Guhathakurta ، K: بررسی پویایی غیرخطی بازارهای سهام در حال ظهور و توسعه یافته. J. Eng. علمیتکنولوحی 8 ، 65-71 (2015) Google Scholar
33. اونالی ، ه. ؛گودارد ، ج: آیا بازارهای سهام اروپا کارآمد هستند؟شواهد جدید از تجزیه و تحلیل فراکتال. int. Rev. Financy. مقعد20 ، 59-67 (2011) ArticleGoogle Scholar
34. Jang ، J. S. R: ANFIS: سیستم استنتاج فازی مبتنی بر شبکه تطبیقی. IEEE ترانس. systمرد سایبرن23 ، 665-685 (1993) ArticleGoogle Scholar
35. Boyacioglu ، M. A. ؛AVCI ، د: یک سیستم استنتاج فازی مبتنی بر شبکه سازگار (ANFIS) برای پیش بینی بازده بازار سهام: مورد بورس اوراق بهادار استانبول. سیستم متخصصکاربرد37 ، 7908-7912 (2010) ArticleGoogle Scholar
36. هو ، Y. C. ؛Tsai ، C. T: مقایسه ANFIS و SEM در پیش بینی خطی و غیرخطی از عملکرد جدید توسعه محصول. سیستم متخصصکاربرد38 ، 6498-6507 (2011) ArticleGoogle Scholar
37. امیرخانی ، س. ؛Nasirivatan ، S ؛Kasaeian ، A. B. ؛Hajinezhad ، A: A and Anfis برای پیش بینی عملکرد نیروگاه های دودکش خورشیدی. تجدیدانرژی 83 ، 597-607 (2015) ArticleGoogle Scholar
38. عبدالشاهد ، A. M. ؛Longstaff ، A. P. ؛فلچر ، س. ؛مایرز ، الف: مدل سازی خطای حرارتی ابزارهای ماشین بر اساس ANFIS با خوشه بندی فازی C-Mean با استفاده از یک دوربین تصویربرداری حرارتی. کاربردریاضی. مدل. 39 ، 1837-1852 (2015) ArticleGoogle Scholar
39. Kasabov ، ن. ؛سونگ ، س: DENFIS: سیستم استنتاج عصبی-فازی در حال تحول پویا و کاربرد آن برای پیش بینی سری زمانی. IEEE ترانس. syst fuzzy. 10 ، 144-154 (2002) ArticleGoogle Scholar
40. جردن ، M. I: ترتیب سریال: یک رویکرد پردازش توزیع موازی. http://cseweb. ucsd. edu/~GARY/PAPER-SUGEGENTIONS/JORDAN-TR-8604. pdf. دسترسی به 20 آوریل 2017
41. Vapnik ، v: ماهیت نظریه یادگیری آماری. نسخه دوم ، اسپرینگر ، نیویورک ، (1995)
42. Aich ، U. ؛Banerjee ، S: مدل سازی پاسخ های EDM توسط رگرسیون دستگاه بردار پشتیبانی با پارامترهای انتخاب شده توسط بهینه سازی swarm ذرات. کاربردریاضی. مدل38 ، 2800 2818 (2014) ArticleGoogle Scholar
43. مارکوویچ ، ن. ؛Milinkovic ، S. ؛Tikhonov ، K. S. ؛شونفلد ، ص: تجزیه و تحلیل تأخیرهای ورود قطار مسافر با رگرسیون بردار پشتیبانی. حمل و نقل Res. قسمت C: فنی در حال ظهور. 56 ، 251 262 (2015) ArticleGoogle Scholar
44. Breiman ، L: جنگل های تصادفی. ماچفرا گرفتن. 45 ، 5-32 (2001) Scholar Articlemathgoogle
45. لاریویر ، ب. ؛Van Den Poel ، د: پیش بینی حفظ مشتری و سودآوری توسط جنگل های تصادفی و تکنیک های جنگل های رگرسیون. سیستم متخصصکاربرد29 ، 472-484 (2005) ArticleGoogle Scholar
46. لیو ، م. ؛وانگ ، م. ؛وانگ ، ج. ؛لی ، د: مقایسه جنگل تصادفی ، دستگاه بردار پشتیبانی و شبکه عصبی انتشار پشت برای طبقه بندی داده های الکترونیکی زبان: کاربرد برای شناخت نوشیدنی نارنجی و سرکه چینی. Sens. Actuators B 177 ، 970-980 (2013) ArticleGoogle Scholar
47. Svetnik ، v. ؛لیاو ، ا. ؛تانگ ، ج. ؛Culberson ، J. C. ؛شریدان ، R. P: جنگل تصادفی: یک طبقه بندی و ابزار رگرسیون برای طبقه بندی مرکب و مدل سازی QSAR. J. Chem. inf. مدل. 43 ، 1947-1958 (2003) Google Scholar

اطلاعات نویسنده

نویسندگان و وابستگی ها

1. گروه مدیریت عملیات ، دانشکده بازرگانی کلکته ، کلکته ، هند Indranil Ghosh
2. گروه مدیریت بازرگانی ، دانشگاه کالیانی ، کالیانی ، هند Manas K. Sanyal
3. انستیتوی مدیریت هند Raipur ، Raipur ، CG ، 492015 ، هند R. K. Jana

1. Indranil Ghosh

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

نویسنده متناظر

حقوق و مجوزها

در مورد این مقاله

این مقاله را ذکر کنید

Ghosh ، I. ، Sanyal ، M. K.& Jana ، R. K. بازرسی فراکتال و چارچوب مدل سازی پیش بینی مبتنی بر یادگیری ماشین برای بازارهای مالی. Arab J Sci Eng 43 ، 4273-4287 (2018). https://doi. org/10. 1007/s13369-017-2922-3

• دریافت شده: 29 آوریل 2017
• پذیرفته شده: 24 اکتبر 2017
• منتشر شده: 09 نوامبر 2017
• تاریخ انتشار: آگوست 2018
• doi: https://doi. org/10. 1007/s13369-017-2922-3

این مقاله را به اشتراک بگذارید

هرکسی که لینک زیر را با آن به اشتراک بگذارید قادر به خواندن این محتوا خواهد بود:

لینک اشتراکی دریافت کنید

با عرض پوزش ، یک لینک قابل اشتراک در حال حاضر برای این مقاله در دسترس نیست.

کپی به کلیپ بورد

ارائه شده توسط SPRINGER NATURE SHAREDIT SICTIONATION CONTENT

کلید واژه ها

• تجزیه
• پیاده روی تصادفی
• فراگیری ماشین
• مدل سازی پیش بینی کننده
• سیستم استنباط عصبی-فازی سازگار
• سیستم استنباط عصبی-فازی پویا در حال تحول
• شبکه عصبی اردن
• جنگل تصادفی