نظریه موج الیوت و سیستم های عصبی فازی ، در پیش بینی بازار سهام: سیستم WASP

در این مقاله سیستم WASP (پیش بینی سهام تجزیه و تحلیل موج) ، سیستمی مبتنی بر معماری عصبی-فازی ، که از جنبه های تئوری موج الیوت استفاده می کند ، ارائه شده توسط رالف نلسون الیوت است. این نظریه به ویژه در مشکلات پیش بینی بسیار مفید و دقیق است. از یک تکنیک منطق عصبی-فازی برای پیش بینی روند قیمت سهام استفاده شده است و نتایج حاصل از آن بسیار دلگرم کننده است.

نکات برجسته تحقیق

► ما شبکه های عصبی ، منطق فازی و نظریه موج الیوت را برای پیش بینی سهام ترکیب می کنیم.► از سیستمی استفاده می شود که روزانه دوباره آموزش داده می شود و پیش بینی روند روزانه را ارائه می دهد. index یک شاخص اعتماد به نفس با حمایت از تأثیر پیش بینی ایجاد می شود.► سیستم در مدت طولانی 400 روز معاملاتی متوالی بیضه بود.► سیستم WASP که همیشه از استراتژی خرید و نگه داشتن بهتر عمل می کند.

معرفی

یافتن یک روش پیش بینی قابل اعتماد همیشه هدف بسیاری از سرمایه گذاران بوده است. امکان سود آسان با پیش بینی بازار ، نیروی اساسی است که بسیاری از محققان را به اختراع روش ها و مدل های جدید انگیزه می دهد. پیش بینی ها همیشه با کمک مدلهای آماری ، تجزیه و تحلیل فنی ، روشهای اقتصاد سنجی و سایر موارد انجام شده است. اخیراً ، اطلاعات مصنوعی نتایج قابل توجهی برای چنین مشکلاتی ارائه می دهد.

قطعه قطعه

سیستم های عصبی و پیش بینی سهام

تلاش های جالبی در راه سیستم های فازی عصبی در پیش بینی سهام انجام شده است. ابراهیم (2004) تکنیک های مختلف مدل سازی نوروفیزی را ارائه داد. Wong ، Wang ، GoH و Quek (1992) یک سیستم فازی عصبی را برای پیش بینی بازده سالانه پیشنهاد دادند. ورودی هایی که وی استفاده می کرد ضریب بتا ، میانگین حرکت سه سال ، Q Tobin و دیگران بود. نتایج رضایت بخش بود. نیشینا و هاگیوارا (1997) مدلی را ارائه دادند که هدف آن پیش بینی بازگشت دقیق سهام بود. مدل او به دست آورد

تجزیه و تحلیل موج پیش بینی سهام - WASP

بزرگترین چالش نظریه موج الیوت شمارش امواج و تعیین موقعیت فعلی بازار یا سهام بر روی الگوی موج الیوت است. همین نمودار را می توان به روش های مختلف تفسیر کرد و این می تواند منجر به نتایج فاجعه بار برای سرمایه گذار شود. به همین دلیل ، محققان به دنبال یک فهرست برای کمک به ردیابی امواج بودند. همانطور که قبلاً ذکر شد ، ساده ترین موج برای ردیابی موج سوم است که محققان را به تجزیه و تحلیل رفتار در این موج سوق می دهد. در طول این موج ، اخیر

نتیجه گیری - تحقیقات آینده

سیستم ارائه شده در این مقاله ، برای مدت بسیار طولانی 400 روز معاملاتی ، هنگامی که سیستم روزانه بازآفرینی می شود ، به نتایج قابل توجهی دست یافت. همانطور که قبلاً ذکر شد ، سیستم WASP روشی است که 9 سیستم ANFIS را انتخاب می کند ، بر اساس نرخ ضربه که هر سیستم فرعی از داده های نمونه به دست می آید. حتی این نتایج بسیار جالب است ، به طوری که برخی از مدل های فرعی برای نمونه 60 روز معاملاتی به میزان بالای 75 ٪ رسیده اند. این شواهدی است که می تواند معماری عصبی-فازی مؤثر باشد

منابع (24)

• L. Zadeh

مجموعه های فازی

اطلاعات و کنترل

(1965)

شبکه عصبی استنتاج فازی

عصای عصبی

(1997)

پیش بینی روندهای کوتاه مدت بورس سهام با استفاده از یک روش مبتنی بر عصبی فازی

مجله سیستم های خبره با برنامه های کاربردی

(2009)

احتمال پیش بینی روند نرخ ارز توسط تکنیک های عصبی-فازی

(2007)

حرکت متوسط ، شبکه های عصبی و الگوریتم های ژنتیکی برای پیش بینی بازار سهام

مجله بهینه سازی محاسباتی در اقتصاد و امور مالی

(2008)

نظرسنجی تکنیک های پیش بینی بازار سهام - قسمت دوم: روشهای محاسبات نرم

سیستم های کاربردی با برنامه های کاربردی

(2008)

پیش بینی روند سهام با استفاده از یک تجزیه و تحلیل فنی ترکیبی و رویکرد مبتنی بر عصبی

مجله تصمیم گیری مالی

(2010)

نظرسنجی تکنیک های پیش بینی بازار سهام - قسمت اول: روشهای متعارف

مجله بهینه سازی محاسبات در اقتصاد و امور مالی

(2010)

پیش بینی نقاط عطف در قیمت بورس با استفاده از یک مدل عصبی فازی

مجله بین المللی مهندسی و مدیریت

(2009)

مشاهده منابع بیشتر

ذکر شده توسط (60)

شناسایی و ارزیابی خودکار از جمع آوری فیبوناچی: شواهد تجربی از سه بازار سهام

2022 ، سیستم های خبره با برنامه های کاربردی چکیده را نشان می دهد

ما عملکرد تجربی استفاده از اصلاحات فیبوناچی را به عنوان ابزاری در تحلیل تکنیکال، در سه بازار اصلی سهام بررسی می کنیم. برای این منظور، ما یک رویکرد الگوریتمی جدید را پیشنهاد می کنیم که نه تنها سطوح حمایت و مقاومت فیبوناچی را شناسایی می کند، بلکه مناطق اطراف آنها را نیز می سازد، در تلاشی برای پرداختن به ذهنیت ذاتی مرتبط با ترسیم و ارزیابی این سطوح بر روی نمودار. در میان یافته های اصلی ما یک رابطه مثبت بین عرض منطقه فیبوناچی و احتمال شناسایی یک جهش قیمت را گزارش می کنیم. ما نشان می دهیم که اگرچه این یافته لزوماً به معنای یک استراتژی سودآور نیست، اما ممکن است به طور بالقوه توضیح دهد که چرا اصلاحات فیبوناچی به طور گسترده توسط پزشکان استفاده می شود. رویکرد الگوریتمی جدید ما همچنین می تواند برای ارزیابی دقیق سایر تغییرات سطوح پشتیبانی و مقاومت استفاده شود.

تجزیه و تحلیل سیستماتیک و بررسی تکنیک های پیش بینی بازار سهام

2019، بررسی علوم کامپیوتر گزیده نقل قول:

با این حال، این روش برای بازار سهام اروپا و آمریکا با دقت بالایی قابل اجرا نبود. Atsalakis، G. S و همکاران.[52] یک سیستم پیش بینی سهام تجزیه و تحلیل موج (WASP) را با استفاده از معماری فازی عصبی طراحی کرد که از جنبه های خاصی از نظریه موج الیوت استفاده می کند. این نظریه برای دستیابی به پیش بینی دقیق بازار سهام مفید بود.

چکیده را نشان می دهد

پیش بینی روند بورس اوراق بهادار به عنوان یک کار مهم در نظر گرفته می شود و مورد توجه بسیاری قرار می گیرد زیرا پیش بینی قیمت سهام با موفقیت ممکن است با تصمیم گیری مناسب منجر به سود جذاب شود. پیش بینی بازار سهام به دلیل داده های غیر ثابت ، پرشور و هرج و مرج یک چالش بزرگ است و بنابراین ، پیش بینی در بین سرمایه گذاران برای سرمایه گذاری پول برای سودآوری به چالش کشیده می شود. چندین تکنیک در تکنیک های موجود برای پیش بینی روند بازار سهام ابداع شده است. این کار بررسی دقیق 50 مقاله تحقیقاتی را نشان می دهد که روش شناسی ، مانند مدل بیزی ، طبقه بندی فازی ، شبکه های عصبی مصنوعی (ANN) ، طبقه بندی کننده دستگاه بردار پشتیبانی (SVM) ، شبکه عصبی (NN) ، روشهای یادگیری ماشین و غیرهدر پیش بینی بازار سهام. مقالات به دست آمده بر اساس تکنیک های مختلف پیش بینی و خوشه بندی طبقه بندی می شوند. شکاف های تحقیق و چالش های پیش روی تکنیک های موجود ذکر شده و شرح داده شده است که به محققان کمک می کند تا کارهای آینده را ارتقا دهند. آثار با استفاده از مجموعه داده های خاص ، ابزارهای نرم افزاری ، اقدامات ارزیابی عملکرد ، تکنیک های پیش بینی مورد استفاده و عملکرد حاصل از تکنیک های مختلف مورد تجزیه و تحلیل قرار می گیرند. تکنیک متداول برای دستیابی به پیش بینی موثر بازار سهام ANN و تکنیک مبتنی بر فازی است. حتی اگر تلاش های تحقیقاتی زیادی داشته باشد ، تکنیک فعلی پیش بینی بازار سهام هنوز محدودیت های بسیاری دارد. از این نظرسنجی می توان نتیجه گرفت که پیش بینی بازار سهام یک کار بسیار پیچیده است و برای پیش بینی آینده بازار با دقت و کارآمدتر باید عوامل مختلفی در نظر گرفته شود.

پیش بینی قیمت بیت کوین با تکنیک های عصبی فازی

2019 ، مجله تحقیقات عملیاتی اروپایی چکیده را نشان می دهد

ارزهای رمزنگاری شده ، با توجه به اینکه بیت کوین قابل توجه ترین نمونه است ، در سالهای اخیر مورد توجه قابل توجهی قرار گرفته است و آنها نوسانات زیادی را در قیمت خود تجربه کرده اند. در حالی که چند مطالعه از رویکردهای آماری و اقتصادی متعارف برای آشکار کردن عوامل محرک قیمت بیت کوین استفاده می کنند ، تحقیقات در مورد توسعه مدل های پیش بینی که به عنوان ابزارهای پشتیبانی تصمیم گیری در استراتژی های سرمایه گذاری مورد استفاده قرار می گیرند ، کمیاب است. این مطالعه یک تکنیک اطلاعات محاسباتی را ارائه می دهد که از یک کنترلر عصبی ترکیبی ، یعنی PATSO استفاده می کند تا جهت تغییر قیمت روزانه بیت کوین را پیش بینی کند. این روش پیشنهادی از دو مدل اطلاعات محاسباتی دیگر بهتر است ، اولین مورد با یک رویکرد نورو فازی ساده تر و دومی که با شبکه های عصبی مصنوعی توسعه یافته است. علاوه بر این ، بازده سرمایه گذاری به دست آمده توسط یک شبیه سازی معاملاتی ، بر اساس سیگنال های مدل پیشنهادی ، 71. 21 ٪ بیشتر از مواردی است که از طریق یک استراتژی خرید و فروش ساده لوحانه حاصل می شود. عملکرد سیستم PATSOS در استفاده از سایر ارزهای رمزپایه قوی است.

پیش بینی موفقیت یک سرویس گردشگری جدید با یک تکنیک عصبی فازی

2018 ، مجله اروپایی تحقیقات عملیاتی گزیده نقل قول:

Adelkhani ، Beheshti ، Minaei ، Javadikia و Ghasemi Vaamkhasti (2013) مدلی را برای خصوصیات طعم نارنجی با استفاده از پردازش تصویر همراه با ANFI ایجاد کرده اند. Atsalakis ، Dimitrakakis و Zopounidis (2011) یک مدل ANFIS را ارائه داده اند که ترکیب نظریه موج الیوت و سیستم های عصبی فازی را برای پیش بینی قیمت بازار سهام ارائه می دهد. در زمینه بررسی ادبیات ارائه شده در این مقاله مهمترین مطالعات جدید محصول و خدمات جدید در مقیاس بزرگ ضبط شده است.

چکیده را نشان می دهد

این مقاله یک رویکرد جدید برای پیش بینی موفقیت یک سرویس تازه راه اندازی شده در گردشگری با استفاده از یک سیستم هوش ترکیبی به نام سیستم استنتاج فازی عصبی تطبیقی (ANFIS) ارائه می کند. مطالعات اخیر به مشکل مدل سازی موفقیت یک سرویس تازه راه اندازی شده با استفاده از روش های مختلف از جمله هوش مصنوعی و رویکردهای مبتنی بر مدل پرداخته اند. ANFIS هر دو قابلیت یادگیری یک شبکه عصبی و قابلیت استدلال منطق فازی را ترکیب می کند تا قابلیت های پیش بینی پیشرفته ای را در مقایسه با استفاده از یک روش منفرد به تنهایی ارائه دهد. داده های جمع آوری شده از طریق پرسشنامه ای که مربوط به متغیرهای توسعه یک سرویس جدید در گردشگری است به عنوان ورودی مدل استفاده شده است. یک تکنیک جدید که با استفاده از روشی که در تمام ورودی ها چرخه می کند و مدل های ANFIS را می سازد، برای کاهش ورودی و انتخاب ورودی استفاده شده است. مدل نهایی با حذف بخشی از داده ها آموزش داده شده است. سپس مدل با داده هایی که کنار گذاشته شده بودند ارزیابی شد. دقت پیش بینی مدل ANFIS با محاسبه معیارهای عملکرد شناخته شده ارزیابی می شود. نتایج نشان داده اند که ANFIS یک راه محتاطانه برای ثبت عدم قطعیت در روابط بین متغیرهای ورودی و متغیرهای خروجی برای پیش بینی راه اندازی موفقیت آمیز یک سرویس گردشگری جدید ارائه می کند. تجزیه و تحلیل مقایسه ای با روش های دیگر برتری رویکرد پیشنهادی را تایید می کند.