طراحی سیستم معاملاتی کمی بر اساس روش داده کاوی تحت نرم افزار و محاسبات با کارایی بالا

اندازه وجوه مدیریت شده توسط تمام صندوق های پرچین در جهان از 2. 7 تریلیون دلار آمریکا فراتر رفته است. وجوه صندوق های مختلف و محصولات مدیریت دارایی که توسط سرمایه گذاری کمی اداره می شود ، حدود 30 ٪ از کل حجم معاملات جهانی را تشکیل می دهد و در بورس های مختلف سهام بزرگ در سراسر جهان ، روش های مختلف سرمایه گذاری کمی تقریباً 50 ٪ از معاملات را ارائه می دهد. ساخت یک استراتژی تجاری کمی نیاز به تجزیه و تحلیل آماری اول اطلاعات در بازار اوراق بهادار و آینده و سپس پشتی مدل کمی با داده های تاریخی دارد. با توجه به کاربرد عملی تجارت کمی ، این مطالعه یک سیستم معاملاتی کمی را بر اساس روش داده کاوی طراحی می کند. ابزار اصلی توسعه مورد استفاده ، نرم افزار محاسباتی عددی MATLAB است و چهار هسته طراحی شده است: انتخاب کمی سهام ، پشتی استراتژی ، تجزیه و تحلیل سری زمانی و مدیریت نمونه کارها. این سیستم از ماژول ها برای تصمیمات تجاری ساده پشتیبانی می کند. این روش سنتی پیش بینی ارزش مطلق قیمت آینده آینده شاخص سهام را رها می کند و روش جدیدی را برای پیش بینی روند قیمت آینده آینده شاخص سهام اتخاذ می کند. این روش از تأثیر عظیم صحت ارزش مطلق پیش بینی بر سرمایه گذاری نهایی در روش سنتی جلوگیری می کند و همچنین وابستگی بالای سرمایه گذاران به صحت ارزش مطلق را کاهش می دهد. این مطالعه همچنین الگوریتم دستگاه پشتیبانی وکتور را در داده کاوی و مدل سیستم تجارت کمی در داده کاوی معرفی می کند. صحت معاملات سرمایه گذاری در آزمایش نیز با استفاده از دستگاه پشتیبانی وکتور شبیه سازی می شود.

1. معرفی

در معاملات بازار ، سرمایه گذاران عمومی از دانش مربوطه در ریاضیات و آمار مانند مدل های کمی برای ایجاد استراتژی های تجاری مربوطه استفاده می کنند. این فناوری از فناوری رایانه و فناوری مهندسی مالی برای تعریف و توصیف عملیات مختلف معاملات در فرآیند معامله استفاده می کند ، تا به سرمایه گذاران کمک کند تا در فرایند سرمایه گذاری تصمیمات بهتری بگیرند. چنین روش پردازش می تواند استراتژی معاملاتی قبلاً تعیین شده را مطابق با قوانین و سفارشات تعیین شده در طی فرآیند تجارت انجام دهد ، تا از دخالت انسان جلوگیری شود و در عین حال از تصمیم گیری های غیر منطقی خودداری کند. در مرحله اولیه مقیاس حوزه مالی ، بسیاری از پیشگامان وجود داشتند که جرات کشف روشهای مختلف سرمایه گذاری عملی را داشتند. در حال حاضر ، حرکت توسعه بازار جهانی سرمایه بیشتر و سریع تر می شود. روش سرمایه گذاری کمی به تدریج در چین به رسمیت شناخته شده است و توجه زیادی را از سوی سرمایه گذاران در زمینه های مرتبط مانند امور مالی به خود جلب کرده است. در انواع مختلف بازارهای مالی ، انواع مختلف سرمایه گذاران در انواع مختلف معاملات بازار مالی انتخاب و شرکت می کنند. این مانند اوراق قرضه ، معاملات آتی ، سهام ، ارز خارجی و غیره است. این سرمایه گذاران از ضمانت رفتار معاملاتی خودشان استفاده می کنند تا خطرات مختلفی را در روند معاملات داشته باشند و مزایای مربوطه را بدست آورند. بنابراین ، در معاملات بازار مالی ، روش های معاملاتی که می توانند درآمد و ارزش قابل توجهی به همراه داشته باشند ، مورد توجه سرمایه گذاران مختلف قرار می گیرد. این روشهای معاملاتی برای سرمایه گذاران بسیار ارزشمند است. در فرآیند داده کاوی ، مهمترین نقطه آموزش مداوم داده های ورودی و خروجی پردازش شده از طریق الگوریتم و به دست آوردن مدل مربوطه است. پس از اعتبار بیشتر مدل ، تضمین می کند که مدل می تواند رابطه بین ورودی و خروجی را در یک وضعیت خاص بیان کند. همچنین می تواند داده های ورودی جدید را از طریق مدل محاسبه کند ، به طوری که داده های خروجی جدید مربوطه مورد انتظار را بدست می آورد. در کل فرآیند کمیت مدل برای دستیابی به اثر نهایی ، لازم است که به طور مداوم مقدار زیادی از داده ها را پردازش کنید ، که در طی چندین مرحله مانند تولید مدل ، تأیید شبیه سازی مدل و تأیید واقعی انجام می شود. از مدلبه طور کلی ، تکنیک های داده کاوی در کل فرآیند اجرای مدل کمی بسیار مهم هستند.

روشهای پیش بینی سنتی در فرآیندهای مختلف پیش بینی مانند مدل های پیش بینی شبکه عصبی استفاده می شود. چنین مدل های پیش بینی سنتی باید در روند پیش بینی به مقدار زیادی از داده ها اعتماد کنند. بنابراین ، اگر حجم داده نمونه اندک باشد ، چنین روشهای پیش بینی نمی توانند عملکرد خوبی داشته باشند ، به خصوص برای داده های آینده شاخص سهام که در این مطالعه ذکر شده است. مدل پیش بینی ساخته شده با توجه به دانش نظری مربوطه از دستگاه بردار پشتیبانی می تواند این موارد را با داده های نمونه کوچک به خوبی پیش بینی کند.

بر اساس داده های معامله موجود ، این مطالعه مدلهای پیش بینی مربوط به چهار عملکرد هسته را در روشهای شبیه سازی استاتیک و پویا مقایسه و ارزیابی می کند و عملکرد هسته بهینه را انتخاب می کند. از طریق عملکرد بهینه هسته ، یک مدل پیش بینی با خصوصیات عملی قوی بر اساس داده های معامله واقعی ایجاد می شود.

2. کار مرتبط < SPAN> روشهای پیش بینی سنتی در فرآیندهای مختلف پیش بینی ، مانند مدل های پیش بینی شبکه عصبی استفاده می شود. چنین مدل های پیش بینی سنتی باید در روند پیش بینی به مقدار زیادی از داده ها اعتماد کنند. بنابراین ، اگر حجم داده نمونه اندک باشد ، چنین روشهای پیش بینی نمی توانند عملکرد خوبی داشته باشند ، به خصوص برای داده های آینده شاخص سهام که در این مطالعه ذکر شده است. مدل پیش بینی ساخته شده با توجه به دانش نظری مربوطه از دستگاه بردار پشتیبانی می تواند این موارد را با داده های نمونه کوچک به خوبی پیش بینی کند.

بر اساس داده های معامله موجود ، این مطالعه مدلهای پیش بینی مربوط به چهار عملکرد هسته را در روشهای شبیه سازی استاتیک و پویا مقایسه و ارزیابی می کند و عملکرد هسته بهینه را انتخاب می کند. از طریق عملکرد بهینه هسته ، یک مدل پیش بینی با خصوصیات عملی قوی بر اساس داده های معامله واقعی ایجاد می شود.

2. کار مرتبط با روشهای پیش بینی سنتی در فرآیندهای مختلف پیش بینی ، مانند مدل های پیش بینی شبکه عصبی استفاده می شود. چنین مدل های پیش بینی سنتی باید در روند پیش بینی به مقدار زیادی از داده ها اعتماد کنند. بنابراین ، اگر حجم داده نمونه اندک باشد ، چنین روشهای پیش بینی نمی توانند عملکرد خوبی داشته باشند ، به خصوص برای داده های آینده شاخص سهام که در این مطالعه ذکر شده است. مدل پیش بینی ساخته شده با توجه به دانش نظری مربوطه از دستگاه بردار پشتیبانی می تواند این موارد را با داده های نمونه کوچک به خوبی پیش بینی کند.

بر اساس داده های معامله موجود ، این مطالعه مدلهای پیش بینی مربوط به چهار عملکرد هسته را در روشهای شبیه سازی استاتیک و پویا مقایسه و ارزیابی می کند و عملکرد هسته بهینه را انتخاب می کند. از طریق عملکرد بهینه هسته ، یک مدل پیش بینی با خصوصیات عملی قوی بر اساس داده های معامله واقعی ایجاد می شود.

2. کار مرتبط

وی و همکاران. نشان داده اند که انتخاب ویژگی (FS) بخش مهمی از داده کاوی و یادگیری ماشین است. بسیاری از محققان در تلاشند تا ویژگی های مؤثرتر ، دقیق تر و کمتری را پیدا کنند. برخی از الگوریتم ها نشان داده شده است ، مانند بهینه سازی ذرات باینری (BPSO) ، الگوریتم ژنتیکی (GA) و دستگاه وکتور پشتیبانی (SVM) [1]. Sukawattanavijit و همکاران. الگوریتم GA-SVM را به عنوان روشی برای طبقه بندی تصاویر SAR چند فرکانس و تصاویر Thaichote چند طیفی (TheOS) ارائه داد. این نتایج الگوریتم GA-SVM را با نتایج یک الگوریتم جستجوی شبکه مقایسه می کند [2]. دو و همکاران. استدلال کنید که پشتیبانی از دستگاه های بردار (SVM) یک خطای کلی است که با پهنای باند رادیو به مرز همراه است ، در حالی که SVM های سنتی فقط اندازه آستانه را تخمین می زنند و حساسیت فرکانس رادیویی را از تبدیل داده های مرتبط نادیده می گیرند. بنابراین ، می تواند SVM سنتی را با کنترل شعاع و آستانه بهبود بخشد [3]. دوان و همکاران. یک روش جدید OAA-SVM با مدل سازی مارکوف (OAA-SVM-MS) ارائه داد. یک مطالعه تجربی از یک کتابخانه مقایسه ای تأیید می کند که عملکرد الگوریتم OAA-SVM-MS به طور قابل توجهی بهتر از الگوریتم کلاسیک OAA-SVM و چندین الگوریتم کلاس SVM دیگر است [4]. ژائو و همکاران. با چالش طراحی بهترین نمونه کارها (MRP) روبرو شوید. این مشکل در بازارهای مالی نقش مهمی در سیستم های داوری حسابداری (که به عنوان تجارت کفش نیز شناخته می شود) ایفا می کند. هدف از بهترین مدل MRP ساخت مستندات از خصوصیات پس زمینه است که دارای خصوصیات رگرسیون رضایت بخش و خصوصیات تبدیل کامل هستند [5]. PAN و طولانی یک شکل محاسباتی از تجزیه و تحلیل نمونه کارها متخصص برای سرمایه گذاری و معاملات سهام. این شامل دو مدل چند عاملی و دو استراتژی معاملاتی است که از روند پیروی می کنند. فناوری پرتفوی هوشمند سرمایه گذاری در سهام فراتر از فرآیند اقتصادی کلاسیک نمونه کارها است. به جای خرید و نگه داشتن ، از یک مدل چند عاملی برای انتخاب سهام و استراتژی های تجاری کمی استفاده می کند [6]. Tsantekidis و همکاران. یک سیستم داده کاوی ایجاد کرد که به معامله گران اجازه می دهد تا در جفت های مختلف ارزهای فارکس آموزش ببینند. این راهی برای کمک به نمایندگان RL در سراسر بازار فراهم می کند. همچنین اجازه می دهد سوء استفاده از تکرار مدل های آموزش تکراری بدون خطر جدی تر باشد [7]. اوچ و همکاران. نشان می دهد که رفتار معمولی شرکت کنندگان در بازار در فرکانس بالا منجر به نابرابری و بی ثباتی عمده فروشی می شود. به این منظور ،