پیش بینی و تجزیه و تحلیل قیمت بازار سهام

Ajinkya Rajkar ، Aayush Kumaria ، Aniket Raut ، Nilima Kulkai ، 2021 ، پیش بینی و تجزیه و تحلیل قیمت بازار سهام ، مجله بین المللی تحقیقات و فناوری مهندسی (IJERT) جلد 10 ، شماره 06 (ژوئن 2021) ،

• دسترسی آزاد

بارگیری مقاله / بازدید: 1،485

• نویسندگان: Ajinkya Rajkar ، Aayush Kumaria ، Aniket Raut ، Nilima Kulkai
• شناسه کاغذ: IJertv10is060047
• حجم و شماره: دوره 10 ، شماره 06 (ژوئن 2021)
• منتشر شده (اولین آنلاین): 08-06-2021
• ISSN (آنلاین): 2278-0181
• نام ناشر: IJert
• مجوز: این کار تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است

پیش بینی و تجزیه و تحلیل قیمت بازار سهام

Ajinkya Rajkar [1] ، Aayush Kumaria [2] ، Aniket Raut [3] ، Nilima Kulkai [4]

گروه علوم و مهندسی کامپیوتر ،

دانشکده مهندسی MIT ، دانشگاه طراحی و فناوری MIT هنر ، پونه ، 412201 ، هند

بازار سهام چکیده ایندیا بسیار متغیر و نامعین است ، که دارای تعداد بی حد و حصر جنبه هایی است که جهت و روند بازار سهام را تنظیم می کند. بنابراین ، پیش بینی صعود و پایین آمدن یک روند پیچیده است. این مقاله با هدف نشان دادن استفاده از شبکه های عصبی مکرر در امور مالی برای پیش بینی قیمت بسته شدن یک سهام منتخب و تجزیه و تحلیل احساسات پیرامون آن در زمان واقعی انجام شده است. با ترکیب هر دو تکنیک ، مدل پیشنهادی می تواند توصیه های خرید یا فروش را ارائه دهد.

سیستم پیشنهادی به عنوان یک برنامه وب با استفاده از Django و React اجرا شده است. برنامه Web React تمام قیمت های زنده و اخبار دریافت شده از سرور Django خود ساخته را از طریق Scraping وب نشان می دهد. علاوه بر این ، سرور Django به عنوان پلی بین Frontend React و الگوریتم یادگیری ماشین ساخته شده با KERAS ساخته شده و بیشتر با Tensorflow تقویت می شود.

سرور WordwordSdjango ، Rect Web-APP ، شبکه های عصبی مکرر ، پیش بینی بازار سهام ، سری زمانی

1. مقدمه بازار سهام هند از نظر ارزش خالص بازار در رتبه دوازدهم در جهان قرار دارد. در حال حاضر ، NSE هند در 1659 شرکت تجارت ارائه می دهد. اقتصاد هند عمدتاً مبتنی بر صادرات کشاورزی و خدمات مرتبط مانند توسعه نرم افزار و پشتیبانی فنی است. متأسفانه ، معاملات بازار سهام تنها 4 ٪ از تولید ناخالص داخلی هند را تشکیل می دهد. بنابراین ، برای سایر کشورهای توسعه یافته مانند ایالات متحده حدود 55 ٪ است. این دارایی مورد استفاده ، این پتانسیل را دارد که به طور مؤثرتری برای کمک به توسعه هند درآمد کسب کند. در این بخش به کاستی های روشهای پیش بینی قیمت سهام معمولی و مزایای استفاده از یادگیری ماشین می پردازیم.
   1. روش متعارف برای تجزیه و تحلیل سهام ، بازار سهام به دلیل پارامترهای مختلفی که بر حرکات قیمت در اندازه ها و لایه های متعدد تأثیر می گذارد ، بسیار متغیر و نامشخص است. طبق نظریه کارآمد بازار ، بازار خود را تصحیح می کند ، به این معنی که قیمت سهام فعلی نشان دهنده کل قیمت ترکیبی مناسب است ، که نه بیش از حد کم است و نه بیش از حد زیاد. به زبان ساده ، "بازار بی نظیر است" ، نشان می دهد که کسی نمی تواند بازار را شکست دهد ، اما شواهد موجود در غیر این صورت نشان می دهد. با نظارت بر الگوهای حرکت سهام ، پیش بینی روند بازار امکان پذیر است. رویکرد متعارف بر تجزیه و تحلیل فنی و اساسی برای پیش بینی بازار سهم در سطح عظیم تأکید می کند ، که به ندرت به پیش بینی سهام منتخب سطح پایین تبدیل می شود. از طرف دیگر برخی از سهام خاص منجر به حرکات کلی قیمت در بازار می شوند.
      1. تجزیه و تحلیل اساسی این استراتژی در درجه اول به موفقیت و شهرت قبلی یک شرکت مربوط می شود. سهام هایی که مستعد افزایش قیمت هستند با استفاده از معیارهای عملکردی مانند نسبت P/E فیلتر می شوند. این فرض به این فرض متکی است که مشاغل موفق در دراز مدت به دلیل ماهیت پاداش دهنده بازار سودمند خواهند بود.
      2. تجزیه و تحلیل فنی این استراتژی به پیش بینی قیمت گذاری آینده با استفاده از تجزیه و تحلیل سری زمانی در مورد روندهای تاریخی متکی است. RSI ، Bollinger Bands ، VWAP ، میانگین های متحرک چند مورد از بسیاری از شاخص های مورد استفاده برای تجزیه و تحلیل و مطالعه روند بازار و درک نحوه حرکت بازار هستند.
      1. اخبار مربوط به تحقیقات کیفی در مورد بازار سهام به میزان قابل توجهی بر روند بازار تأثیر می گذارد و در نتیجه وقتی احساسات مثبت وجود دارد ، روند نزولی در احساسات بدبخت و روند صعودی ایجاد می شود. در نتیجه ، رسانه ها/شبکه های اجتماعی و قیمت سهم همبستگی و نامشخص است. بنابراین ، اخبار به عنوان یک رسانه اساسی برای تجزیه و تحلیل نحوه عملکرد سهام در یک روز بعدی عمل می کند. سهام در مواقع بحران از یکدیگر تقلید می کند و در نتیجه سقوط بازار ایجاد می شود. اخبار می تواند دیدگاه عمومی را در مورد نحوه عملکرد شرکت و نحوه عملکرد آن در آینده به مردم ارائه دهد.
      2. تحقیقات کمی در حال حاضر بیشتر بازارها اطلاعات تاریخی را به راحتی در دسترس دارند. می توان از این مقادیر تاریخی برای مطالعه و تجزیه و تحلیل نحوه عملکرد یک سهام خاص استفاده کرد. این داده ها همچنین می توانند با استفاده از الگوریتم های مختلف یادگیری ماشین برای تجزیه و تحلیل روندهای رو به بالا و رو به پایین داده ها برای تولید پیش بینی برای آینده مورد بررسی قرار گیرند. چنین الگوریتم ها یادگیری حرکت یک سهام واحد را به جای بسیاری از سهام مختلف به صورت تجمعی ترجیح می دهند زیرا هر سهام به صورت متفاوت حرکت می کند و معامله می کند. علاوه بر این ، این مدل ها همچنین می توانند تحت شرایط مختلف و شرایط اقتصادی عمل کنند.
      1. 1. 1. Tech Stack ما به صورت تجمعی از دو زبان برنامه نویسی مختلف برای ایجاد این محصول ، دو پایگاه داده دیگر ، دو چارچوب و یک زبان Markdown استفاده کرده ایم که همه در دو بخش ، جبهه و باطن طبقه بندی شده اند.
               1. Fontend The Frontend نمایانگر آنچه کاربر می بیند. این مؤلفه بصری است و غالباً تنها هدف این بخش جذاب است. جلوی آن از واکنش نشان می دهد تا یک الگوی HTML خالی را بر روی آن قرار دهد که HTML سفارشی درج شده و با CSS درج شده و طراحی شده است. JavaScript صفحه را پویا می کند و کاربر را قادر می سازد بین صفحات حرکت کند و با سهولت با سرور ارتباط برقرار کند. علاوه بر این ، Frontend باعث می شود برنامه وب از طریق Bootstrap پاسخگو باشد ، به این معنی که با اندازه صفحه سازگار است و خود را تغییر می دهد تا در هر دستگاه خوبی به نظر برسد. جلوی آن با jQuery تقویت شده است تا به جای یک پرش مستقیم ، منظره انیمیشن و ابریشمی تری از صفحه ارائه دهد. دلیل اصلی انتخاب واکنش نسبت به سایر کتابخانه های JavaScript برای توسعه Frontend ، سرعت سریع و دوستانه سئو آن است. سرعت تحویل محتوا هنگام ایجاد یک برنامه وب به عنوان یک عامل مهم عمل می کند و استقرار یک برنامه React به آسانی توسعه یک برنامه است.
               2. Backend The Backend در مورد آنچه در پس زمینه اتفاق می افتد صحبت می کند. معمولاً با رسیدگی و رسیدگی به درخواست های کاربران همراه است. این درخواست ها با استفاده از API های REST مستقر شده از طریق جنگو، که با استفاده از پایتون برنامه ریزی شده است، دریافت و رسیدگی می شوند. پایتون وظیفه برقراری ارتباط بین ماژول های مختلف بسته به نیاز کاربران را بر عهده دارد. Backend از دو پایگاه داده، یعنی SQLite، برای ذخیره جزئیات کاربر هنگام ایجاد حساب کاربری استفاده می کند، و MySQL برای ذخیره داده های جدولی مانند سهام و قیمت فعلی آن در بازار استفاده می شود. پایتون همچنین برای ایجاد یک مدل شبکه عصبی بازگشتی با استفاده از Keras که بر اساس Tensorflow ساخته شده است استفاده می شود. دلیل اصلی انتخاب جنگو نسبت به هر چارچوب وب دیگری مانند Flask این است که جنگو به ما اجازه می دهد تا با استفاده از معماری REST API ایجاد کنیم و در عین حال پایگاه داده SQLite را حفظ کنیم. این ما را قادر می سازد تا به جای توسعه وظایف اساسی و تکراری، روی توسعه عملکردهایی که نیاز داریم تمرکز کنیم.
               • ترس شدید (که زمان بسیار خوبی برای باز کردن موقعیت های جدید است)
               • ترس (که زمان معقولی برای باز کردن موقعیت های جدید است)
               • حرص و آز (که زمان مناسبی برای باز کردن موقعیت های جدید نیست)
               • طمع شدید (بدترین زمان ممکن برای باز کردن موقعیت های جدید)

               شکل 3. احساسات زنده بازار

               برای پیش بینی نحوه بسته شدن سهام در جلسه معاملاتی بعدی، ما استفاده از حافظه کوتاه مدت بلند مدت، همچنین به عنوان LSTM شناخته می شود، همانطور که در [1]، یک مدل شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق استفاده می شود، استفاده کردیم. منطق انتخاب این معماری این است که "تاریخ تکرار می شود" و بنابراین LSTM کاملاً با تصویر مطابقت دارد. سلول حافظه در LSTM ما را قادر می سازد مدلی بسازیم که در آن قیمت بسته شدن سهام در روزهای متوالی "x" به طور دقیق قیمت بسته شدن را در روز "x+1" پیش بینی می کند. LSTM با استفاده از Keras ساخته شده است که به نوبه خود بر اساس Tensorflow ساخته شده است.

               شکل 6. معماری شبکه عصبی بازگشتی پیشنهادی

               در مرحله پیش پردازش، داده های تاریخی دو ساله با استفاده از «مقیاس گذاری MinMax» مقیاس بندی می شوند و سپس با این فرض که هفت روز داده، روز هشتم را پیش بینی می کند، همپوشانی دارند. پس از این، مدل با استفاده از مدل چهار لایه LSTM با 64 واحد در لایه اول و 64 واحد در لایه دوم آموزش داده می شود. سپس مدل به یک لایه متراکم از 16 گره و به دنبال آن یک گره خروجی صاف می شود. بهینه ساز Adam برای بهینه سازی این مورد استفاده می شود و ضرر با استفاده از "میانگین مربع خطا" محاسبه می شود. برای 300 دوره با اندازه 32 دسته آموزش داده شده است. پس از هر جلسه تمرین، ضرر تقریبی "5. 243e- 04" است. سپس از این مدل برای پیش بینی نحوه بسته شدن سهام در روز معاملاتی بعدی استفاده می شود و قیمت پایانی پیش بینی شده را به دست می آورد.

               علاوه بر این، Live News خراشیده می شود و وارد یک سیستم مبتنی بر نقطه می شود، که در آن وجود کلماتی مانند "Dip, Bear, Sell" نشان می دهد که سهام کاهش می یابد و در نتیجه ارزش احساسی پایین تری دارد. از سوی دیگر، اگر عباراتی مانند «خرید، گاو نر، افزایش» وجود داشته باشد، احتمال افزایش سهام و در نتیجه ارزش احساسات بالاتر وجود دارد. سپس ارزش احساسات و تغییر ارزش پیش بینی شده در یک بیانیه شرطی درج می شوند که تعیین می کند آیا اکنون زمان بهینه برای خرید یا فروش سهام است یا خیر.

               شکل 7. تصویری از خروجی نهایی

               در این بخش، نتایج سیستم پیشنهادی مورد بحث قرار خواهد گرفت.

               مدل ما یک عدد واقعی را به عنوان خروجی می دهد که قیمت بسته شدن پیش بینی شده برای T+1 روز است. این مدل را فقط می توان با قیمت بسته شدن واقعی مقایسه کرد تا میزان دقت عملکرد سهام انتخابی را اندازه گیری کرد. جدول 1. تفاوت بین تغییر روز پیش بینی شده و تغییر واقعی را برای 28 مه 2021 نشان می دهد.

               جدول I. مقایسه بین بسته شدن پیش بینی شده و واقعی

               آخرین قیمت بسته شدن

               قیمت پایانی پیش بینی شده