برگ برنده در رقابت‌های پیش‌بینی بورس
پیش‌بینی عملکرد بازار بورس یکی از دشوارترین تکنیک‌های علمی برای مسائل از این دست می‌باشد. فاکتورهای زیادی بر عملکرد بازار سهام مؤثرند که باید در این پیش‌بینی در نظر گرفت؛ عوامل محیطی، عوامل روانی، رفتار منطقی و غیرمنطقی سهام‌داران و … تمامی این موارد در کنار هم باعث نوسانی شدن قیمت سهام شده و تخمین دقیق و قابل‌اطمینان وضعیت بازار را بسیار دشوار می‌سازد.
پیش‌بینی درواقع تصمیم‌گیری با استفاده از داده‌های قبلی است. به خاطر رفتار غیرخطی سهام‌ها، پیش‌بینی تغییرات بازار سهام موضوعی چالشی خواهد بود. هوش مصنوعی تا حد زیادی می‌تواند پیش‌بینی رفتار بازار سهام را امکان‌پذیر سازد. هدف اصلی هرگونه مدل‌سازی و پیش‌بینی بورس و بازار سهام، کاهش ریسک و مینیمم کردن خطاست. مدل‌هایی که با استفاده از شبکه‌های عصبی و الگوریتم ژنتیک و غیره برای پیش‌بینی بازار سهام ساخته‌شده‌اند، موفقیت‌آمیز بوده‌اند. در سال‌های اخیر تکنیک‌های مختلفی برای پیش‌بینی سیستم استفاده شده‌اند.
آیا می‌توانیم از یادگیری ماشین به‌عنوان برگ برنده در این رقابت استفاده کنیم؟ با استفاده از اطلاعاتی همچون آخرین اخبار مربوط به شرکت، صورت عملکرد سه‌ماهه و دیگر موارد مربوط به حساب و ارزش سهام؛ تکنیک‌های یادگیری ماشین قابلیت این را دارند که الگوها و نشانه‌هایی را کشف کنند که ما پیش‌ازاین قادر به دیدنشان نبوده‌ایم و این الگوها برای پیش‌بینی‌هایی دقیق و بدون اشتباه مفید خواهند بود.
پیش از ادامه، بهتر است توضیحات کلی در مورد مسئله داده شود. تحلیل‌های بازار سهام به دو دسته تحلیل تکنیکال و تحلیل فاندامنتال تقسیم می‌شوند. تحلیل فاندامنتال شامل آنالیز سوددهی شرکت در آینده بر مبنای وضعیت فعلی و عملکرد مالی کنونی‌اش است و تحلیل تکنیکال شامل بررسی نمودارها و استفاده از آمار و ارقام برای شناخت تحرکات بازار بورس و سهام است. همان‌گونه که احتمالاً حدس زده باشید، روش‌های مبتنی بر هوش مصنوعی تمرکز بیشتری بر بخش تحلیل تکنیکال اما با رویکردی ترکیبی از ویژگی‌ها دارند.
در اینجا به بررسی برخی از تکنیک‌های یادگیری ماشین برای پیش‌بینی و مدل‌سازی بورس و بازار سهام می‌پردازیم و به الگوریتم‌های ساده‌تر مثل میانگین‌گیری و رگرسیون خطی تا تکنیک‌های پیچیده‌تری ازجمله Auto ARIMA و LSTM اشاره خواهیم داشت.
- میانگین متحرک Moving Average
به زبان ساده، میانگین یکی از متداول‌ترین ابزارها برای بررسی و مقایسه‌های روزمره است. میانگین متحرک ابزار تحلیل تکنیکال ساده‌ای است که با تولید قیمت میانگینی که دائماً به‌روز می‌شود، داده‌های قیمت را همسان می‌سازد. این میانگین بر بازه زمانی مشخصی که تریدر انتخاب می‌کند، اعمال می‌شود.
- رگرسیون خطی
رگرسیون خطی تحلیل دو متغیر مجزا برای پیدا کردن یک رابطه میانشان است و ابزاری مفید برای تحلیل‌های تکنیکال و کمی در بازارهای مالی می‌باشد.
- سری‌های زمانی
لیست‌هایی از یک پارامتر یا متغیر که در بازه‌های زمانی مساوی به‌دست‌آمده‌اند، سری زمانی نامیده می‌شود. بر این اساس، پیش‌بینی درواقع ادامه الگوی سری زمانی در طول زمان است مثلاً رشد میزان فروش یا رشد شاخص gnp در طول زمان. متدهای متداول سری‌های زمانی عبارت‌اند از:
ARMA1 یا میانگین متحرک خود همبسته، که ترکیب مدل‌های خود همبسته و مدل‌های میانگین متحرک است.
ARIMA2 یا میانگین متحرک خود همبسته یکپارچه، که بر اساس واریانس ARMA است.
تمامی سری‌های زمانی درصورتی‌که میانه و واریانسشان ثابت باشد ایستا و در غیر این صورت نا ایستا می‌باشند. سری‌های زمانی نا ایستا ازآنجاکه نویزهای بسیاری دارند، پیش‌بینی کردنشان بسیار دشوار است. قیمت سهام نیز در دسته سری‌های زمانی نا ایستا قرار دارد و ازاین‌رو باید تکنیک‌های نویز زدایی برای حذف نویز از داده‌ها اعمال شوند.
- Long Short Term Memory
امروزه LSTMها به‌طور گسترده برای مسائل پیش‌بینی مورداستفاده قرار می‌گیرند و ثابت‌شده که بسیار مفید و مؤثرند. دلیل این عملکرد خوب هم این است که LSTM قادر است آن دسته از اطلاعات گذشته را که مهم‌اند نگه دارد و اطلاعاتی را که مهم نیستند حذف کند. LSTM سه گیت دارد:
- گیت ورودی: این گیت اطلاعات را به سلول اضافه می‌کند.
- گیت فراموشی: این گیت اطلاعاتی را که دیگر مفید نیستند، حذف می‌کند.
- گیت خروجی: گیت خروجی اطلاعاتی را که باید به‌عنوان خروجی نمایش داده شوند، انتخاب می‌کند.
مدل LSTM را می‌توان با پارامترهای مختلفی ازجمله تعداد لایه‌های خودش، افزودن میزان حذفیات یا افزایش تعداد دوره‌ها تنظیم کرد. اما باید در نظر داشت که تخمین‌های LSTM با قطعیت کامل در مورد افزایش و کاهش قیمت سهام پاسخگو نیستند.
- شبکه‌های عصبی مصنوعی ANN
شبکه‌های عصبی مصنوعی برای پیش‌بینی و مدل‌سازی بورس و بازار سهام به روش‌های مختلفی بر داده‌ها اعمال می‌شوند.
- پرسپترون چندلایه یا MLP که با الگوریتم یادگیری تحت نظارت (پس انتشار خطا back propagation) استفاده می‌شود. این ابزار می‌تواند مسائل غیرخطی را حل کند و می‌دانیم که قیمت سهام هم عموماً غیرخطی است.
- شبکه‌های عصبی بازگشتی با تبدیل موجک RNN with wavelet transforms. شبکه‌های عصبی بازگشتی یا RNN بخشی از شبکه‌های عصبی هستند که back-loop دارند. مزیت RNN نسبت به ANN ذخیره الگو در طی زمان است. این تکنیک برای حذف نویز از داده‌ها استفاده می‌شود. RNNها در دودستهElman و Hopfield وجود دارند که Elmanها بیشتر برای پیش‌بینی به کار می‌آیند.
- شبکه‌های عصبی بازگشتی چندلایه LRNN. این شبکه شامل دو بخش لایه‌های بازگشتی برای الگوهای موقتی و بخش پیش‌خور است. در این مدل، ورودی بیش از یک‌بار در شبکه عبور می‌کند و الگوهای موقتی را یاد می‌گیرد.
- تکنیک‌های هیبرید
در سال‌های اخیر محققان بر ادغام تکنیک‌های یادگیری ماشین برای رسیدن به نتایج بهینه توجه داشته‌اند. در این قسمت به برخی از تکنیک‌های هیبریدی مورداستفاده برای پیش‌بینی سهام اشاره می‌کنیم. منطق فازی و برنامه‌نویسی ژنتیک در کنار دیگر تکنیک‌ها به‌طور گسترده‌ای برای این منظور به کار می‌روند. منطق فازی برای ایجاد قوانینی برای پیش‌بینی بر مبنای اطلاعات قبلی موجود، به کار می‌رود. ادغام سیستم‌های منطق فازی و شبکه‌های عصبی هوش مصنوعی برای پیش‌بینی قیمت سهام مثالی از کاربرد تکنیک هیبرید ترکیب شبکه‌های عصبی، منطق فازی و برنامه‌نویسی ژنتیک است. این سه تکنیک با هم ترکیب شده تا تخمین بهتری به دست آید.
- تکنیک‌های دیگری چون تحلیل اجزای مستقل ICA با شبکه‌های عصبی پس انتشار BPN، سیستم استنتاج عصبی فازی سازگار یا ANFIS، تکنیک ANFIS با راهبرد غیرمستقیم TKS مبتنی بر فازی نیز برای پیش‌بینی و مدل‌سازی بازار بورس و سهام به کار می‌روند.
نتیجه‌گیری
همان‌گونه که در ابتدا اشاره کردیم، قیمت سهام تحت تأثیر اخبار مربوط به شرکت و عوامل روانی بازار و دیگر فاکتورها مثل ارزش زدایی و ادغام یا تفکیک شرکت‌هاست. همیشه فاکتورهای نامحسوسی وجود دارند که تأثیرگذارند و پیش‌بینی‌شان غیرممکن است. با استفاده از تکنیک‌های یادگیری ماشینی می‌توان با دقت بسیار زیادی بازار را مدل‌سازی و پیش‌بینی کرد. اما باید واقع‌بین بود که نتایج پیش‌بینی هیچ مسئله تا این حد پویا هرگز به قطعیت صد در صد نخواهد رسید.
Investing.com – Stock Market Quotes & Financial News