استفاده از مدل ابر در پیش بینی کیفی برای روند بازار سهام

پیش بینی قیمت سهام نقش مهمی در تعیین استراتژی معاملاتی یا تعیین زمان مناسب برای خرید یا فروش سهام دارد. استفاده از تجزیه و تحلیل فنی برای پیش بینی مالی توسط بسیاری از محققان با موفقیت به کار رفته است. روشهای مبتنی بر کیفی موجود که بر اساس تکنیک های استدلال فازی ایجاد شده اند ، نمی توانند داده ها را به طور جامع توصیف کنند ، که در پیش بینی داده های نامشخص ، عینیت سری زمانی فازی را بسیار محدود کرده است. مجموعه های فازی گسترده (به عنوان مثال ، مجموعه احتمالی فازی) فازی درجه عضویت را به یک مفهوم مطالعه می کنند. مدل ابر ، بر اساس فضای اندازه گیری احتمال ، به طور خودکار نمرات عضویت تصادفی یک مفهوم را از طریق یک ژنراتور ابر تولید می کند. در این مقاله ، یک رویکرد مبتنی بر مدل ابری برای تأیید سهام دقیق بر اساس شمعدان ژاپنی پیشنهاد شده است. با ترکیب آمار احتمال و تئوری های مجموعه فازی ، مدل ابر می تواند به تحول مورد نیاز بین مفاهیم کیفی و داده های کمی کمک کند. میزان اطمینان مرتبط با الگوهای شمعدان را می توان از طریق ارزیابی های مکرر با استفاده از مدل ابر عادی محاسبه کرد. روش وزنه برداری ترکیبی شامل سری زمانی فازی ، و شمعدان Heikin-ashi برای تعیین وزن شاخص ها در فرایند تصمیم گیری چند معیار استفاده شد. توابع عضویت فازی توسط مدل ابر ساخته شده است تا به طور مؤثر با عدم اطمینان و مبهم بودن داده های تاریخی سهام با هدف پیش بینی قیمت های بعدی باز ، بالا ، پایین و نزدیک برای سهام مقابله کند. نتایج تجربی امکان سنجی و دقت پیش بینی زیاد مدل پیشنهادی را اثبات می کند.

کلید واژه ها:

1. معرفی

پیش بینی قیمت سهام یک پیگیری جذاب برای سرمایه گذاران و محققانی است که می خواهند بازار سهام را شکست دهند. مزایای تخمین خوب از رفتار بازار سهام بسیار مشهور است و خطر سرمایه گذاری و به حداکثر رساندن سود را به حداقل می رساند. اخیراً ، بورس سهام نه تنها برای سرمایه گذاران استراتژیک بلکه برای افراد عادی به یک ابزار سرمایه گذاری به راحتی در دسترس تبدیل شده است. با گذشت سالها ، سرمایه گذاران و محققان علاقه مند به تدوین و آزمایش مدل های رفتار قیمت سهام هستند. با این حال ، تجزیه و تحلیل حرکات بورس و رفتارهای قیمت سهام به دلیل ماهیت پویا ، غیرخطی ، غیر ایستگاه ، غیر پارامتری ، پر سر و صدا و هرج و مرج بازار بسیار چالش برانگیز است [1]. بازارهای سهام تحت تأثیر بسیاری از عوامل نامشخص بسیار مرتبط با متغیرهای اقتصادی ، سیاسی ، روانی و خاص شرکت قرار دارند. این عوامل نامشخص برای سرمایه گذار سهام نامطلوب است و پیش بینی قیمت سهام را بسیار دشوار می کند ، اما در عین حال ، هر زمان که معاملات سهام به عنوان یک ابزار سرمایه گذاری ارجح باشد ، غیرقابل اجتناب هستند [1،2]. برای سرمایه گذاری در سهام و دستیابی به سود بالا با ریسک های پایین ، سرمایه گذاران از تجزیه و تحلیل فنی و اساسی به عنوان دو رویکرد اصلی در تصمیم گیری در بازارهای مالی استفاده کرده اند [2].

تجزیه و تحلیل بنیادی همه عواملی که در آینده تأثیر بر قیمت سهام شرکت در آینده تأثیر می گذارد مانند صورتهای مالی ، فرآیندهای مدیریت ، صنعت و غیره است. این ارزش ذاتی شرکت را برای شناسایی اینکه سهام کم ارزش است یا بیش از حد گران است ، تجزیه و تحلیل می کند. بشراز طرف دیگر ، تجزیه و تحلیل فنی از نمودارها ، الگوهای و روندها برای پیش بینی حرکات قیمت نهاد در زمان آینده استفاده می کند [2،3]. ضعف اصلی تجزیه و تحلیل اساسی این است که وقت گیر است زیرا مردم نمی توانند به سرعت اطلاعات مورد نیاز برای انتخاب سهام متفکرانه را پیدا و جذب کنند. قضاوت مردم ذهنی است ، همانطور که تعریف آنها از ارزش منصفانه است. دومین اشکال یک تحلیل اساسی در رابطه با فرضیه کارآمد بازار است. از آنجا که کلیه اطلاعات مربوط به سهام دانش عمومی است - که اطلاعات غیرقانونی خودی را در بر می گیرد - قیمت های استوک این دانش را منعکس می کند.

مزیت اصلی تحلیل تکنیکال منطق و کاربرد ساده آن است. این امر در این واقعیت مشاهده می شود که تمام عوامل اقتصادی، بازاری، تکنولوژیکی و سایر عواملی که ممکن است بر شرکت و صنعت تأثیر بگذارد را نادیده می گیرد و تنها بر روی داده های قیمت ها و حجم معامله تمرکز می کند تا قیمت های آتی را تخمین بزند. مزیت دوم تحلیل تکنیکال این است که جنبه های ذهنی شرکت های خاص مانند انتظارات شخصی تحلیلگر را حذف می کند [4]. با این حال، تحلیل تکنیکال ممکن است یک سرمایه گذار را به دام بیاندازد: زمانی که حرکات قیمت به طور مصنوعی برای جذب سرمایه گذار به سهام ایجاد می شود و زمانی که سرمایه گذاران کافی وارد شوند، شروع به فروش می کنند و ممکن است شما به دام بیفتید. علاوه بر این، بیش از حد به ریاضیات و الگوهای موجود در نمودار سهام وابسته است و دلایل یا علل زمینه ای حرکت قیمت را نادیده می گیرد. در نتیجه، حرکات سهام بیش از حد وحشی است که نمی توان آن را از طریق تحلیل تکنیکال پیش بینی کرد.

دو نوع تکنیک پیش بینی برای پیاده سازی وجود دارد [5،6]: (الف) مدل های پیش بینی کیفی. و (ب) مدل های پیش بینی کمی. مدل های پیش بینی کیفی عموماً ماهیت ذهنی دارند و بیشتر مبتنی بر نظرات و قضاوت های متخصصان هستند. این نوع روش ها معمولاً زمانی استفاده می شوند که داده های گذشته کمی وجود داشته باشد یا هیچ داده ای وجود نداشته باشد که بتوان از آنها برای پایه پیش بینی استفاده کرد. از این رو، برآیند پیش بینی مبتنی بر دانش کارشناسان در مورد مشکل است. از سوی دیگر، مدل های پیش بینی کمی از داده های موجود برای پیش بینی آینده استفاده می کنند. مدل اساساً الگوهای جالب در داده ها را خلاصه می کند و یک ارتباط آماری بین مقادیر گذشته و فعلی متغیر را ارائه می دهد. مدیریت می تواند از ورودی های کیفی همراه با پیش بینی های کمی و داده های اقتصادی برای پیش بینی روند فروش استفاده کند. پیش بینی کیفی زمانی مفید است که داده های مبهم یا ناکافی وجود داشته باشد. روش کیفی پیش بینی دارای معایبی مانند لنگر انداختن رویدادها و ادراک انتخابی است. پیش بینی های کیفی به مدیر این امکان را می دهد تا مقداری از این عدم اطمینان را کاهش دهد تا برنامه هایی را توسعه دهد که نسبتاً دقیق، اما هنوز دقیق نیستند. با این حال، عدم دقت در توسعه یک پیش بینی کیفی در مقابل یک پیش بینی کمی تضمین می کند که هیچ تکنیک کیفی واحدی هر بار پیش بینی دقیقی را تولید نمی کند [2،4،7،8،9،10].

در تقریباً دو دهه ، رویکرد سری زمانی فازی به طور گسترده ای برای برتری های خود در برخورد با متغیرهای دانش نادرست (مانند زبانی) در تصمیم گیری مورد استفاده قرار گرفته است. در فرآیند پیش بینی با مدلهای سری زمانی فازی ، رابطه منطقی فازی یکی از مهمترین عواملی است که بر دقت پیش بینی تأثیر می گذارد. بسیاری از مطالعات به منظور مقابله با احتمال به دنبال استقرار استنباط عصبی فازی در بورس هستند. منطق فازی شناخته شده است که برای تصمیم گیری مفید است در جایی که عدم اطمینان زیادی و همچنین پدیده های مبهم وجود دارد ، اما فاقد توانایی یادگیری است. از طرف دیگر ، شبکه های عصبی در ساخت یک سیستم تطبیقی مفید هستند که می تواند از داده های تاریخی بیاموزد ، اما قادر به پردازش قوانین مبهم و مجموعه داده های احتمالی نیست. تدوین قوانین فازی و عملکردهای عضویت و خروجی های فازی از چند طریق قابل تفسیر است و تجزیه و تحلیل را دشوار می کند. علاوه بر این ، برای توسعه یک سیستم فازی به داده ها و تخصص زیادی نیاز دارد.

اخیراً ، یک مجموعه فازی احتمالی برای پیش بینی با معرفی تئوری احتمال در یک چارچوب مجموعه فازی پیشنهاد شده است. این MF ثانویه فازی نوع 2 را به عملکرد چگالی احتمال (PDF) تغییر می دهد ، بنابراین قادر است عدم قطعیت های تصادفی را در درجه عضویت ضبط کند. این توانایی را دارد که با طبیعت فازی و تصادفی ، عدم قطعیت ها را ضبط کند. با این حال ، دستیابی به عملکردهای عضویت برای رویکردهای فازی موجود عدم قطعیت اندازه گیری دشوار است. به منظور فتح این ضرر ، از مدل ابر برای محاسبه عدم اطمینان اندازه گیری استفاده شد. ابر یک مفهوم جدید و به راحتی تجسم شده برای عدم اطمینان با معناشناسی خوب تعریف شده ، واسطه بین مفهوم یک مجموعه فازی و توزیع احتمال [11،12،13،14،15،16] است. یک مدل ابری ابزاری مؤثر در تبدیل مفاهیم کیفی و عبارات کمی آنها است. خصوصیات دیجیتالی ابر ، مقدار انتظار (EX) ، آنتروپی (EN) و Hype r-Intropy (HE) ، به خوبی ادغام و تصادفی بودن مفاهیم زبانی را به روشی یکپارچه ادغام می کند. ابر با چندین قطره ابر ترکیب شده است که در آن شکل ابر شخصیت های مهم مفهوم کمیت را منعکس می کند [17]. تفاوت اساسی بین مدل ابر و مفهوم احتمال فازی در روش مورد استفاده برای محاسبه درجه عضویت تصادفی نهفته است. در اصل ، با سه ویژگی عددی ، مدل ابر می تواند به طور تصادفی درجه ای از عضویت یک عنصر را ایجاد کند و تحول نامشخص بین مفاهیم زبانی و فوری کمی آن را اجرا کند.

الگوهای شمعدانی راهی برای درک اینکه کدام گروه های خریدار و فروشنده در حال حاضر کنترل قیمت را کنترل می کنند ، فراهم می کند. این اطلاعات به صورت بصری در قالب رنگ های مختلف در این نمودارها نشان داده شده است. به تازگی ، چندین معامله گر و سرمایه گذار از الگوی نمودار شمعدان ژاپنی سنتی استفاده کرده و این الگوی را به صورت بصری برای پیش بینی کمی و کیفی مورد تجزیه و تحلیل قرار داده اند [6،7،8،9،10]. Heikin- ashi Candlesticks یک غرفه از شمعدان های ژاپنی است. شمعدان های Heiki n-ashi از داده های بسته باز از دوره قبل و داده های بسته شده با سرعت بالا از دوره فعلی استفاده می کنند تا یک شمعدان دسته کوچک موسیقی جاز ایجاد کنند. شمعدان حاصل از آن در تلاش برای تصرف بهتر این روند ، برخی از سر و صدا را فیلتر می کند.

1. 1بیان مسأله

تنوع قیمت بورس سهام یک سیستم پویا غیر خطی است که به داده های غیر ایستگاه و بی ثبات می پردازد. به همین دلیل است که مدل سازی آن یک کار ساده نیست. در حقیقت ، به دلیل این واقعیت که قیمت ها تصادفی هستند ، به عنوان یکی از چالش برانگیزترین مشکلات مدل سازی در نظر گرفته می شود. از این رو ، بهترین راه برای پیش بینی قیمت سهام کاهش سطح عدم اطمینان با تجزیه و تحلیل حرکت قیمت سهام است. انگیزه اصلی کار ما پیش بینی موفقیت آمیز ارزش آینده سهام بود که می تواند سود سرمایه زیادی را به همراه داشته باشد و می تواند از خطر بالقوه بازار جلوگیری کند. چندین رویکرد کلاسیک بر اساس مدل های سری زمانی خطی تکامل یافته است ، اما الگوهای بازار سهام خطی نیست. این رویکردها منجر به نتایج نادرست می شود ، که ممکن است مستعد ابتلا به عوامل بسیار پویا مانند شرایط کلان اقتصادی و وقایع سیاسی باشد. علاوه بر این ، روشهای مبتنی بر کیفی موجود که بر اساس تکنیک های استدلال فازی توسعه یافته اند ، نمی توانند داده ها را به طور جامع توصیف کنند ، که در پیش بینی داده های نامشخص ، عینیت سری زمانی فازی را بسیار محدود کرده است. مهمترین نقطه ضعف رویکرد سری زمانی فازی این است که به تصمیمات ذهنی ، به ویژه در مرحله فازی سازی نیاز دارد.

1. 2سهم و تازگی

هدف از کار ارائه شده در این مقاله ساخت یک مدل پیش بینی روند دقیق سهام از طریق استفاده از ترکیبی از مدل ابر ، شمعدان های Heiki n-ashi و سری زمانی فازی (FTS) در یک مدل متحد است. هدف از مدل ابر ، اضافه کردن تصادفی و عدم اطمینان به تعریف زبانی فازی از شمعدان های هیکین و اشیا است. FTS برای یافتن قوانین روابط داخلی ، به ارزش های زبانی انتزاعی از داده های تاریخی ، به جای موارد عددی ، استفاده می شود. شمعدان های هیکین - اشی برای ارائه خوانایی آسانتر از ویژگی های شمع از طریق کاهش سر و صدا ، از بین بردن شکاف بین شمع ها و صاف کردن حرکت بازار استفاده شده است.

تا آنجا که نویسندگان می دانند ، این اولین بار است که از مدل ابر در پیش بینی روند بازار سهام استفاده می شود که برخلاف روشهای فعلی است که یک روش احتمال فازی را برای پیش بینی اتخاذ می کند که به یک متخصص نیاز دارد تا پارامترهای اضافی احتمالی را تعریف کندسیستم فازی مانند وکتور احتمال خروجی در قوانین فازی احتمالی و ضریب واریانس. این پارامترهای آماری انتخاب شده میزان تصادفی را مشخص می کنند. مدل ابر نه تنها بر مطالعات مربوط به توزیع نمونه ها در جهان متمرکز است ، بلکه سعی می کند عضویت مبتنی بر نقطه را به یک متغیر تصادفی در فاصله [0 ، 1] تعمیم دهد ، که می تواند یک روش جدید برای مطالعه ارائه دهدرابطه بین تصادفی نمونه ها و عدم اطمینان از درجه عضویت. از نظر عملی تر ، مدرک با کمک سه ویژگی عددی ، که با استفاده از آن ، تحول بین مفاهیم زبانی و ارزش های عددی امکان پذیر می شود.

طرح باقیمانده این مقاله به شرح زیر است. بخش 2 پیشینه و خلاصه رویکردهای پیشرفته را ارائه می دهد. بخش 3 مدل پیشنهادی را توصیف می کند. نتایج آزمون و بحث در مورد معنی در بخش 4 نشان داده شده است. نتیجه گیری این کار در بخش 5 آورده شده است.

2. بررسی مقدماتی و ادبیات

در این بخش ، ما مطالبی را که بعداً به آن نیاز داریم خلاصه می کنیم که شامل مدل ابری ، سری زمانی فازی و شمعدان های هیکین - اشی است. سرانجام ، برخی از آثار مرتبط با هنر مورد بحث قرار می گیرد.

2. 1مدل ابری

مدل ابر (CM) ارائه شده توسط لی و همکاران.[17] به آمار احتمال و نظریه فازی سنتی متکی است [18،19]. مدل ابر عضویت همانطور که در شکل 1 نشان داده شده است می تواند فازی و تصادفی را برای توصیف عینی عدم اطمینان سیستم پیچیده مخلوط کند. این مدل امکان دستیابی به دامنه و توزیع داده های کمی از اطلاعات کیفی را فراهم می کند ، که با ارزش زبانی توصیف می شود و به طور مؤثر داده های دقیق را به ارزش کیفی مناسب منتقل می کند. شخصیت دیجیتالی ابر را می توان با مقدار مورد انتظار (EX) ، آنتروپی (EN) و Hyper آنتروپی (HE) بیان کرد. CM از EX برای نشان دادن مفهوم کیفی استفاده می کند و معمولاً مقدار X مربوط به مرکز ابر است. EN نشان دهنده اندازه گیری عدم اطمینان از مفهوم کیفی است. این ابهام دامنه عددی کمی را اندازه گیری می کند. او نماد اندازه گیری عدم قطعیت آنتروپی ، یعنی آنتروپی آنتروپی ، که نشان دهنده درجه پراکندگی ابر است ، که در اندازه ضخامت ابر ظاهر می شود [17،18،19،20،21].

پایه نظری CM اندازه گیری احتمال است (یعنی عملکرد اندازه گیری به معنای احتمال). بر اساس توزیع عادی و عملکرد عضویت گاوسی ، CMS مبهم بودن درجه عضویت یک عنصر را با یک متغیر تصادفی تعریف شده در جهان توصیف می کند. ابر به عنوان یک روش انتقال نامشخص بین یک مفهوم کیفی که توسط اصطلاحات زبانی و بازنمایی عددی آن شرح داده شده است ، ابر چنین عدم قطعیت های فراوانی را در اصطلاحات زبانی به عنوان تصادفی ، فازی و رابطه بین آنها نشان داده است. CM می تواند دامنه و توزیع قانون داده های کمی را از اطلاعات کیفی بیان شده به اصطلاح زبانی به دست آورد. CM با موفقیت مورد استفاده قرار گرفته و نتایج عملکرد بهتری را در چندین زمینه مانند کنترل اطلاعات [11] ، داده کاوی [19] و سایر موارد ارائه می دهد. شکل 2 انواع مدل ابر را نشان می دهد (برای جزئیات بیشتر به [11،17] مراجعه کنید).

2. 2مدل سری زمانی فازی

سری زمانی فازی مفهوم دیگری برای حل مشکلات پیش بینی است که در آن داده های تاریخی ارزش های زبانی هستند. سری زمانی فازی اخیراً به دلیل توانایی در مقابله با داده های مبهم و ناقص ، مورد توجه فزاینده ای قرار گرفته است. مدل های مختلفی برای بهبود دقت پیش بینی یا کاهش سربار محاسبه وجود داشته است [22]. مدل سری زمانی فازی از یک چارچوب چهار مرحله ای برای پیش بینی استفاده می کند ، همانطور که در شکل 3 نشان داده شده است: (1) جهان گفتمان را تعریف کرده و آن را به فواصل تقسیم کنید.(2) مجموعه های فازی را در جهان گفتمان تعیین کنید و سری زمانی را فازی کنید.(3) مدل روابط منطق فازی موجود را در سری زمانی فازی ایجاد کنید. و (4) پیش بینی کرده و مقادیر پیش بینی را خنثی می کند [23،24،25].

با این وجود ، عملکرد پیش بینی می تواند به طور قابل توجهی تحت تأثیر تقسیم جهان گفتمان باشد. مسئله دیگر ، قوام دقت پیش بینی با طول فاصله است. در موارد کلی ، با طول فاصله کوتاهتر می توان از دقت بهتری برخوردار شد. با این حال ، یک مدل پیش بینی مؤثر باید به اصل قوام رعایت شود. در حسابداری ، سازگاری مستلزم آن است که صورتهای مالی یک شرکت از همان اصول حسابداری ، روش ها ، شیوه ها و رویه ها از یک دوره حسابداری به دوره دیگر پیروی کند. به طور کلی ، تأثیر برخی از پارامترها در سری های زمانی فازی مانند اندازه جمعیت ، تعداد فواصل و ترتیب سری زمانی فازی باید آزمایش و تجزیه و تحلیل شود [26،27].

2. 3الگوی شمعدان هیکین - اشی

مدل های پیش بینی فعلی حاوی اطلاعات کیفی نیستند که به پیش بینی آینده کمک می کند. شمعدان های ژاپنی ابزاری برای تجزیه و تحلیل فنی است که معامله گران برای ترسیم و تجزیه و تحلیل حرکت قیمت اوراق بهادار استفاده می کنند. شمعدان های ژاپنی اطلاعات دقیق تر و دقیق تری در مورد حرکات قیمت در مقایسه با نمودارهای نوار ارائه می دهند. آنها نمایش گرافیکی از عرضه و تقاضا در پشت هر دوره زمانی را ارائه می دهند. هر شمعدان شامل یک بخش مرکزی است که فاصله بین باز و نزدیک امنیت مورد معامله را نشان می دهد ، منطقه ای که از آن به عنوان بدن یاد می شود. سایه فوقانی فاصله قیمت بین بالای بدن و بالا برای دوره تجارت است. سایه پایین فاصله قیمت بین قسمت پایین بدن و برای دوره معاملات پایین است. قیمت بسته شدن امنیت که معامله می شود ، تعیین می کند که شمعدان صعودی است یا نزولی. اگر شمعدان با قیمت بالاتر از زمان باز شدن بسته شود ، بدن واقعی معمولاً سفید است. در چنین حالتی ، قیمت بسته شدن در بالای بدنه واقعی قرار دارد و قیمت باز در پایین قرار دارد. اگر امنیت با قیمت پایین تر از آنچه برای مدت زمان باز می شود ، بسته شود ، بدن معمولاً پر یا رنگ سیاه است. قیمت بسته شدن در پایین بدنه واقع شده و قیمت باز در بالا قرار دارد. شمعدان های مدرن اکنون رنگ های سفید و سیاه بدن را با رنگ های بیشتری مانند قرمز ، سبز و آبی جایگزین می کنند. معامله گران می توانند هنگام استفاده از سیستم عامل های تجارت الکترونیکی از بین رنگ ها انتخاب کنند (شکل 4 را ببینید) [6،7].

نمودارهای شمعدانی عادی از یک سری شمع های با ز-بال ا-نزدیک (OHLC) تشکیل شده است که توسط یک سری زمانی از هم جدا می شوند. تکنیک Heiki n-ashi برخی از خصوصیات را با نمودارهای شمعدانی استاندارد به اشتراک می گذارد اما از یک فرمول اصلاح شده از نزدی ک-با ز-بال ا-لاو (COHL) استفاده می کند. تفاوتهای زیادی بین دو نوع نمودار وجود دارد و توسط نمودارهای فوق نشان داده شده است. هایکین - اشی ظاهری نرم تر دارد زیرا اساساً به طور متوسط حرکت می کند. تمایل به هایکین - اشی وجود دارد که شمع ها در حین روند صعودی و سبز در حین صعود ، قرمز بمانند ، در حالی که شمعدان های عادی رنگ های متناوب را دارند ، حتی اگر قیمت به طور عمده در یک جهت حرکت کند. از آنجا که هایکین - اشی به طور متوسط می گیرد ، ممکن است قیمت فعلی شمع با قیمت بازار در واقع با آن مطابقت نداشته باشد. به همین دلیل ، بسیاری از سیستم عامل های نمودار دو قیمت را در y-axis نشان می دهند: یکی برای محاسبه هایکی ن-اشی و دیگری برای قیمت فعلی دارایی [7،8،9،10].

2. 4کار مرتبط با < pan> نمودارهای شمعدانی عادی از یک سری شمع های با ز-بال ا-نزدیک (OHLC) تشکیل شده اند که توسط یک سری زمانی از هم جدا شده اند. تکنیک Heiki n-ashi برخی از خصوصیات را با نمودارهای شمعدانی استاندارد به اشتراک می گذارد اما از یک فرمول اصلاح شده از نزدی ک-با ز-بال ا-لاو (COHL) استفاده می کند. تفاوتهای زیادی بین دو نوع نمودار وجود دارد و توسط نمودارهای فوق نشان داده شده است. هایکین - اشی ظاهری نرم تر دارد زیرا اساساً به طور متوسط حرکت می کند. تمایل به هایکین - اشی وجود دارد که شمع ها در حین روند صعودی و سبز در حین صعود ، قرمز بمانند ، در حالی که شمعدان های عادی رنگ های متناوب را دارند ، حتی اگر قیمت به طور عمده در یک جهت حرکت کند. از آنجا که هایکین - اشی به طور متوسط می گیرد ، ممکن است قیمت فعلی شمع با قیمت بازار در واقع با آن مطابقت نداشته باشد. به همین دلیل ، بسیاری از سیستم عامل های نمودار دو قیمت را در y-axis نشان می دهند: یکی برای محاسبه هایکی ن-اشی و دیگری برای قیمت فعلی دارایی [7،8،9،10].

2. 4نمودارهای شمعدانی کار طبیعی مرتبط از یک سری شمع های با ز-بال ا-نزدیک (OHLC) تشکیل شده است که توسط یک سری زمانی از هم جدا می شوند. تکنیک Heiki n-ashi برخی از خصوصیات را با نمودارهای شمعدانی استاندارد به اشتراک می گذارد اما از یک فرمول اصلاح شده از نزدی ک-با ز-بال ا-لاو (COHL) استفاده می کند. تفاوتهای زیادی بین دو نوع نمودار وجود دارد و توسط نمودارهای فوق نشان داده شده است. هایکین - اشی ظاهری نرم تر دارد زیرا اساساً به طور متوسط حرکت می کند. تمایل به هایکین - اشی وجود دارد که شمع ها در حین روند صعودی و سبز در حین صعود ، قرمز بمانند ، در حالی که شمعدان های عادی رنگ های متناوب را دارند ، حتی اگر قیمت به طور عمده در یک جهت حرکت کند. از آنجا که هایکین - اشی به طور متوسط می گیرد ، ممکن است قیمت فعلی شمع با قیمت بازار در واقع با آن مطابقت نداشته باشد. به همین دلیل ، بسیاری از سیستم عامل های نمودار دو قیمت را در y-axis نشان می دهند: یکی برای محاسبه هایکی ن-اشی و دیگری برای قیمت فعلی دارایی [7،8،9،10].

2. 4کار مرتبط

محققانی که به وجود الگوهای در یک سری زمانی مالی اعتقاد دارند که آنها را قابل پیش بینی می کند ، کار خود را عمدتاً در دو رویکرد مختلف متمرکز کرده اند: هوش آماری و مصنوعی (AI). تکنیک های آماری که بیشتر در مدل سازی سری زمانی استفاده می شود ، میانگین متحرک یکپارچه خودجوش (ARIMA) و اتورگرایی انتقال صاف (STAR) است [2]. از طرف دیگر ، هوش مصنوعی تکنیک های پیچیده ای را برای مدل سازی سری زمانی و جستجوی الگوهای رفتاری فراهم می کند: الگوریتم های ژنتیکی ، مدل های فازی ، سیستم استنتاج عصبی تطبیقی (ANFIS) ، شبکه های عصبی مصنوعی (ANN) ، ماشین های وکتور پشتیبانی (SVM)، مدل های مخفی مارکوف و سیستم های خبره چند نمونه هستند. بر خلاف تکنیک های آماری ، آنها قادر به بدست آوردن مدل های کافی برای داده های غیرخطی و بدون ساختار هستند. ادبیات عظیمی وجود دارد که از رویکردهای هوش مصنوعی برای پیش بینی سریال های زمانی استفاده می کند [2،4،8]. با این حال ، بسیاری از آنها نادرست هستند: برنامه های رایانه ای در تجزیه و تحلیل نحو نسبت به تجزیه و تحلیل معنایی مؤثر هستند. علاوه بر این ، بیشتر آنها از دسته پیش بینی کمی پیروی می کنند. پیش بینی کیفی در صورت وجود داده های مبهم یا ناکافی مفید است. بسیاری از مطالعات فعلی از ویژگی های مقیاس زمانی واحد شاخص بازار سهام انجام شده است ، اما همچنین برای مطالعه از ویژگی های مقیاس زمانی چندگانه معنی دار است [8]. با توسعه یادگیری عمیق ، روشهای زیادی مبتنی بر یادگیری عمیق برای پیش بینی سهام استفاده می شود و نتیجه گیری های اساسی را به دست آورده اند [3].

در ادبیات ، بسیاری از مطالعات از یک مدل عصبی فازی یکپارچه برای تخمین پویایی بازار سهام با استفاده از شاخص های فنی استفاده کرده اند [3]. این رویکرد مزایا را در هر دو مدل عصبی و فازی برای تسهیل پیش بینی ارزش سهام هوشمند قابل اعتماد ادغام می کند. با این حال ، بیشتر این آثار انحراف کسری را در طی یک روز در نظر نگرفتند. گروه دیگری از کار تحقیقاتی از مدل های پنهان مارکوف (HMM) برای پیش بینی قیمت سهام بر اساس تغییر کسری روزانه در ارزش سهم سهام سهام در روز بالا و پایین استفاده کردند. برای بهره مندی از همبستگی بین شاخص های فنی و کاهش فضای ابعاد بزرگ ، مفهوم اصلی تجزیه و تحلیل مؤلفه (PCA) برای انتخاب مؤثرترین شاخص های فنی در بین تعداد زیادی از متغیرهای بسیار همبسته مستقر شد. PCA به صورت خطی مجموعه بزرگ اصلی متغیرهای ورودی را به مجموعه ای کوچکتر از متغیرهای نامربوط تبدیل می کند تا فضای ابعاد بزرگ را کاهش دهد.

علاوه بر این ، برخی از محققان در حال حاضر از تکنیک های محاسبات نرم (به عنوان مثال ، الگوریتم ژنتیک) برای انتخاب بهینه ترین زیر مجموعه ویژگی ها در بین تعداد زیادی از ویژگی های ورودی استفاده می کنند ، و سپس ویژگی های انتخاب شده به عنوان ورودی به ماژول یادگیری ماشین داده می شوند (به عنوان مثال ، SVMبسته نرم افزاری سبک). تجزیه و تحلیل فنی بر اساس شاخص های فنی از سهام برای پیش بینی و همچنین از سایر سهام که با آن ارتباط زیادی دارند انجام می شود. با این حال ، این تصمیم فقط بر اساس متغیرهای ویژگی ورودی شاخص های فنی انجام می شود. این منجر به خطاهای پیش بینی به دلیل عدم دانش دقیق دامنه و عدم توجه به عوامل مختلف سیاسی و اقتصادی که بر بازار سهام تأثیر می گذارد غیر از شاخص های فنی است [3،8].

Song and Chissom [13] یک مدل پیش بینی را با استفاده از سری زمانی فازی پیشنهاد کرد ، که یک چارچوب نظری را برای الگوبرداری از یک فرایند پویا ویژه ارائه می دهد که مشاهدات آنها مقادیر زبانی بود. تفاوت اصلی بین سری زمانی سنتی و سری زمانی فازی این بود که مقادیر مشاهده شده از اولی اعداد واقعی بودند در حالی که مقادیر مشاهده شده از دومی مجموعه های فازی یا مقادیر زبانی بودند. چن و همکاران.[16] روش جدیدی را برای پیش بینی ثبت نام دانشگاه با استفاده از سری زمانی فازی ارائه داد. روش آنها به دلیل این واقعیت که روش آنها به جای عملکرد پیچیده MaxMin پیچیده استفاده می شود ، از روش پیشنهادی توسط Song و Chissom کارآمدتر است. هوانگ [22] روش جدیدی را بر اساس فازی سازی برای تجدید نظر در روش و روش Chissom پیشنهاد کرد. او از یک روش فازی سازی مثلث متفاوت برای مقادیر واضح و واضح استفاده کرد. روش وی شامل تعیین فاصله پسوند از هر دو طرف با ارزش واضح در عملکرد عضویت مثلث برای به دست آوردن درجه ای از عضویت است. نتایج خطای پیش بینی متوسط بهتر را بدست آورد. علاوه بر این ، تأثیر عوامل و متغیرها در یک مدل سری زمانی فازی مانند منطقه تعریف ، تعداد و طول فواصل و فاصله گسترش در عملکرد عضویت مثلث به تفصیل مورد بحث قرار گرفت. تکنیک های بیشتری که از سری زمانی فازی برای پیش بینی استفاده می کردند می توان در [23،24،25،26،27] یافت.

نیسون [5] مفاهیم شمعدان ژاپنی را به جهان غربی معرفی کرد. اعتقاد بر این است که الگوهای شمعدان ژاپنی هر دو اطلاعات کمی مانند قیمت ، روند ... و غیره و اطلاعات کیفی مانند روانشناسی بازار را نشان می دهد. این نه تنها مقادیر نزدیک را در نظر می گیرد ، بلکه اطلاعات مربوط به بدنه شمعدان می تواند خلاصه ای آموزنده از جلسات معاملاتی را ارائه دهد [28] و برخی از مؤلفه های آن قابل پیش بینی هستند [29]. برخی از محققان الگوهای فنی و اطلاعات شمعدانی را با هم ترکیب کرده اند [30]. در دهه های گذشته ، چندین محقق از شمعدان های ژاپنی در روش های پیش بینی خلاقانه استفاده کرده اند [31،32،33،34،35،36]. لی و همکاران.[31] یک سیستم خبره را با قوانینی که پس از آن برای تشخیص الگوهای شمعدان ، فروش پرچم و خرید سفارشات با نسبت های خوب در بازار کره پیشنهاد کرده است ، پیشنهاد کرد. نویسندگان در [32] الگوهای شمعدانی ژاپنی را با استفاده از متغیرهای زبانی فازی و دانش مبتنی بر دانش با فازی هر دو خط شمع و رابطه شمع به نمایش گذاشتند. در [33] ، یک مدل پیش بینی برای سیستم تصمیم گیری مالی بر اساس الگوهای شمعدان فازی پیشنهاد شده است. لی [34] این کار را از طریق ایجاد و استفاده از هستی شناسی الگوی شمعدانی شخصی گسترش داد تا کاربران مختلف بتوانند توضیح خود را در مورد الگوی شمعدانی ارائه دهند. کامو و همکاران.[8،35،36] مدلی را پیشنهاد کرد که شبکه های عصبی ، ماشین آلات کمیته و منطق فازی را برای شناسایی الگوهای شمعدان و تولید وزن قدرت بازار با استفاده از قوانین فازی در [35] ، سیستم منطق فازی نوع 1 در [36] ارائه می دهد.، و سرانجام ، سیستم منطق فازی نوع 2 در [6].

نارانجو و همکاران.[37] مدلی را ارائه داد که از الگوریتم K-Nearest همسایگان (KNN) برای پیش بینی شمعدان یک روز پیش استفاده از بازنمایی شمعدان فازی استفاده کرد. نارانجو و همکاران.[38] شکاف بین شمع ها را فازی کرد و آن را به عنوان یک عنصر گسترده در الگوهای شمعدان اضافه کرد. با این حال ، شمعدان ژاپنی به دلیل سر و صدای بازار اطلاعات متناقض دارد [38]. به تازگی ، تکنیک Heiki n-ashi نمودار شمعدانی سنتی را اصلاح می کند و کاهش نویز ، از بین بردن شکاف بین شمع ها و صاف کردن حرکت بازار را آسان تر می کند و به معامله گران اجازه می دهد تا روی روند اصلی تمرکز کنند. نمودار Heiki n-ashi نه تنها قابل خواندن تر از شمع های سنتی است ، بلکه یک سیستم معاملاتی واقعی است [10].

به طور کلی ، بیشتر مدل های پیش بینی سری زمانی فازی موجود ، مطابق با روابط بین کشورهای همسایه ، بدون در نظر گرفتن ناسازگاری نوسانات برای یک دوره مرتبط ، قوانین فازی را دنبال می کنند [38،39،40]. در این مقاله یک دیدگاه جدید برای بررسی مسئله پیش بینی ارائه شده است ، که در آن ناسازگاری با استفاده از ترکیبی از مدل ابر ، شمعدان های Heiki n-ashi و سری زمانی فازی (FTS) به عنوان یک ویژگی اصلی قوانین پیش بینی در نظر گرفته می شود. مدل یکپارچه که می تواند هر دو روند نوسان و اطلاعات سازگاری نوسان را نشان دهد.

3. مدل پیشنهادی

هدف از این مطالعه پیش بینی و تأیید روند دقیق آینده سهام به دلیل عدم وجود سطح کافی از دقت و اطمینان است. با این حال ، در مطالعات قبلی مشکلات زیادی وجود دارد. مشکلات اصلی در داده ها عدم اطمینان ، نویز ، غیرخطی بودن ، غیر ثابت و روند پویا قیمت سهام در سری زمانی است. در مدل پیش بینی ، بسیاری از مدل ها استفاده می شود. روش آماری مانند خانواده ARMA با تکرارهای آزمایشی و خطا حاصل می شود. معامله گران همچنین مشکلاتی دارند که شامل پیش بینی قیمت سهام هر روز ، یافتن الگوهای معکوس قیمت سهام ، دشواری در تنظیم پارامتر مدل و در آخر ، شکاف بین نتایج پیش بینی و تصمیم سرمایه گذاری وجود دارد. علاوه بر این ، الگوهای شمعدانی سنتی دارای مشکلاتی مانند تعریف الگوهای خود مبهم و بیشترین تعداد الگوهای است.

به منظور مقابله با مشکلات فوق ، مدل پیش بینی پیشنهادی از هر دو مدل ابری و الگوهای شمعدانی Heiki n-Ashi (HA) استفاده می کند. شکل 5 مراحل اصلی مدل پیشنهادی را نشان می دهد که شامل تهیه داده های تاریخی ، پردازش شمعدان HA ، نمایانگر شمعدان HA با استفاده از مدل ابر ، پیش بینی قیمت روز بعد (باز ، بالا ، پایین ، نزدیک) با استفاده از پیش بینی سری زمانی مبتنی بر ابر است. با رسمیت بخشیدن به ویژگی های روز بعد شمعدان ، و سرانجام ، پیش بینی روند و الگوهای قوی آن. زیر بخش زیر هر مرحله را به تفصیل مورد بحث قرار می دهد [9].

3. 1مرحله 1: تهیه داده های تاریخی

مجموعه داده های بازار سهام در دسترس عموم شامل Drata تاریخی در سری چهار زمان قیمت برای چندین شرکت از Yahoo (http://finance. yahoo. com) جمع آوری شد. مجموعه داده "قیمت افتتاح ، کمترین قیمت ، قیمت بسته شدن ، بالاترین قیمت ، قیمت بسته بندی تعدیل شده و حجم" را در برابر هر تاریخ مشخص می کند. داده ها به دو بخش تقسیم شدند: قسمت آموزش و قسمت آزمایش. قسمت آموزشی از داده های سری زمانی برای تدوین مدل استفاده شد در حالی که از قسمت آزمایش برای اعتبار سنجی مدل پیشنهادی استفاده شده است.

H a C l o s e = ( O p e n + H i g h + L o w + C l o s e ) 4 H a O p e n = ( H a O p e n ( P r e v i o u s B a r ) + H a C l o s e ( P r e v i o u s B a r ) 2 H a H i g h = M a x ( H i g h , H a O p e n , H a C l o s e ) H a L o w = M i n ( L o w , H a O p e n , H a C l o s e )>

3. 2مرحله 2: داده های شمعدانی

H a L B o d y = M a x ( H a o p e n , H a C l o s e ) − M i n ( H a o p e n , H a C l o s e ) H a o p e n × 100 H a L U p p e r S h a d o w = H a H i g h − M a x ( H a o p e n , H a C l o s e ) O p e n × 100 H a L L o w e r S h a d o w = M i n ( H a o p e n , H a C l o s e ) − H a L o w H a o p e n × 100 H a C o l o r = H a C l o s e − H a o p e n>

اولین مرحله از پیش بینی بازار سهام ، انتخاب متغیرهای ورودی است. دو نوع ویژگی متداول که به طور گسترده برای پیش بینی بازار سهام استفاده می شود ، شاخص های اساسی و شاخص های فنی هستند. مدل پیشنهادی از شاخص های فنی استفاده شده است که با استفاده از الگوهای شمعدانی مانند قیمت باز ، قیمت نزدیک ، قیمت پایین و قیمت بالا برای تلاش برای یافتن قیمت سهام آینده تعیین می شود [5،6]. یک الگوی شمعدانی استاندارد از یک یا چند خط شمعدان تشکیل شده است. با این حال ، الگوهای شمعدان گسترده (Heiki n-ashi) دارای یک خط شمع است. شمعدان HA از مقادیر OHLC اصلاح شده به عنوان شمعدان استفاده می کند که با استفاده از [5] محاسبه می شوند:_{در اینجا ، هر خط شمعدان دارای پارامترهای زیر است: طول سایه فوقانی ، طول سایه پایین ، طول بدن ، رنگ ، سبک باز و سبک نزدیک. سبک باز و سبک نزدیک با رابطه بین یک خط شمعدان و خط شمعدان قبلی آن شکل می گیرد. مقدار واضح طول سایه فوقانی ، طول سایه تحتانی ، طول بدن و رنگ نقش مهمی در شناسایی الگوی شمعدانی و تعیین کارایی الگوی شمعدان دارد. پارامترهای شمعدان مستقیماً با استفاده از [9،10] محاسبه می شوند.}جایی که HAL طول بدن ، سایه فوقانی یا سایه پایین شمعدان HA را نشان می دهد. هکتار

رنگ

پارامتر نشان دهنده میانگین رنگ بدن شمعدان HA است. شمعدان های Heiki n-ashi شبیه به موارد معمولی هستند ، اما به جای استفاده از باز کردن ، بسته شدن ، اوج و پایین ، آنها از مقادیر متوسط برای این چهار معیار قیمت استفاده می کنند.

در پیش بینی بازار سهام، کیفیت داده ها عامل اصلی است زیرا دقت و پایایی مدل پیش بینی به کیفیت داده ها بستگی دارد. هر گونه ناهنجاری ناخواسته در مجموعه داده به عنوان نویز شناخته می شود. پرت ها مجموعه ای از مشاهدات هستند که از رفتار کلی مجموعه داده تبعیت نمی کنند. وجود نویز و نقاط پرت ممکن است منجر به دقت پیش بینی ضعیف مدل های پیش بینی شود. داده ها باید به گونه ای آماده شوند که محدوده ورودی هایی را که قرار است شبکه برای آنها استفاده شود را پوشش دهد. تکنیک های پیش پردازش داده ها تلاش می کنند تا خطاها را کاهش داده و موارد پرت را حذف کنند، از این رو دقت مدل های پیش بینی را بهبود می بخشند. هدف از نمودارهای HA فیلتر کردن نویز و ارائه یک نمایش بصری واضح تر از روند است. Heikin-Ashi ظاهر نرم تری دارد، زیرا اساساً میانگین حرکت را می گیرد [9،10].

3. 3. مرحله 3: نمایش کندل مبتنی بر مدل ابری