Uma estrutura de negociação de estoque híbrido que integra análises técnicas com técnicas de aprendizado de máquinas Rajashree Dash a,, 1. Pradipta Kishore Dash b, 2. Um Departamento de Engenharia de Ciência da Computação, ITER, Universidade de Siksha O Anusandhan, Bhubaneswar, Odisha, 751030, Índia b Universidade Siksha O Anusandhan, Bhubaneswar, Odisha, 751030, Índia Recebido em 30 de dezembro de 2015. Revisado em 3 de março de 2016. Aceito em 8 de março de 2016. Disponível On-line 22 de março de 2016. Neste artigo, propõe-se um novo sistema de suporte à decisão usando uma rede neural artificial de ligação funcional computacional (CEFLANN) e um conjunto de regras para gerar as decisões comerciais de forma mais eficaz. Aqui, o problema da previsão de decisão de negociação de ações é articulado como um problema de classificação com três valores de classe que representam os sinais de compra, retenção e venda. A rede CEFLANN utilizada no sistema de suporte à decisão produz um conjunto de sinais de negociação contínua dentro do intervalo 01, analisando a relação não linear entre alguns indicadores técnicos populares. Além disso, os sinais de comércio de saída são usados para rastrear a tendência e para produzir a decisão de negociação com base nessa tendência usando algumas regras de negociação. A novidade da abordagem é gerar os pontos de decisão de negociação de ações rentáveis através da integração da capacidade de aprendizagem da rede neural CEFLANN com as regras de análise técnica. Para avaliar o uso potencial do método proposto, o desempenho do modelo também é comparado com algumas outras técnicas de aprendizado de máquina, como o Support Vector Machine (SVM), o modelo Naive Bayesiano, o modelo de vizinho mais próximo (KNN) e o modelo de Árvore de Decisão (DT). Negociação de ações Análise de tendências de ações Indicadores técnicos CEFLANN 1 Introdução Com a era da globalização econômica e a facilidade da tecnologia digital, a geração e acumulação de dados financeiros atingiu uma taxa sem precedentes. O crescente volume de dados ultrapassou em muito a capacidade de um ser humano analisá-los manualmente. Mais uma vez, os dados das séries temporais financeiras são mais complicados do que outros dados estatísticos devido às tendências a longo prazo, variações cíclicas, variações sazonais e movimentos irregulares. Estes são altamente afetados por muitos fatores externos, como muitos altamente inter-relacionados econômicos, políticos, sociais e mesmo se o comportamento psicológico do investidor. O crescimento contínuo de tais dados altamente flutuantes e irregulares apresentou a necessidade crítica de desenvolver abordagens mais automatizadas para a análise eficiente de dados financeiros maciços para extrair estatísticas significativas disso. Sendo um processo de explorar o conhecimento oculto útil, a mineração de dados criou seu próprio nicho na análise de séries temporais financeiras. Fornece vias para que os investidores tomem decisões proativas e orientadas para o conhecimento para obter ganhos bem-sucedidos com menor risco de investimento. Ganhar alto lucro é o objetivo final de um investidor que participa no mercado financeiro. Há tantas oportunidades de investimento como a negociação (ou seja, comprar e vender) títulos, ações, câmbio e metais preciosos, etc. presentes em um mercado financeiro. A negociação no mercado de ações é um dos canais populares de investimento financeiro. Os investidores no mercado de ações podem maximizar seus lucros comprando ou vendendo seus investimentos no momento adequado. A chave para obter altos lucros na negociação de ações é descobrir o tempo de negociação adequado com o risco mínimo de negociação. Mas é sempre difícil decidir o melhor momento para comprar ou vender devido ao comportamento altamente flutuante e dinâmico do mercado acionário. Os indicadores técnicos são o principal interesse para a maioria dos pesquisadores monitorar os preços das ações e ajudar os investidores a estabelecer regras de negociação para decisões de compra. Os indicadores técnicos são produzidos com base em dados históricos de estoque. Portanto, a decisão de negociação tomada com base em indicadores técnicos específicos nem sempre pode ser mais lucrativa. Na literatura, várias ferramentas de mineração de dados e inteligência artificial foram aplicadas para analisar indicadores técnicos na tentativa de encontrar os melhores sinais comerciais. 1. 2. 3 e 4 A obtenção de lucros ou prejuízos da negociação de ações depende, em última análise, da análise do movimento futuro de valores de preços de ações altamente flutuantes e irregulares. A classificação bem sucedida dos movimentos ascendentes e descendentes nos valores do índice de preços das ações pode não só ser útil para os investidores para fazer estratégias de negociação efetivas, mas também para que o formulador de políticas monitore o mercado de ações. Acompanhar os aumentos e os descontos sobre a história das ações individuais reduzirá a incerteza associada à tomada de decisões de investimento. Os investidores podem escolher os melhores momentos para comprar e vender o estoque através de uma análise adequada das tendências das ações. Na literatura, uma série de modelos que combinam análise técnica com técnicas inteligentes computacionais estão disponíveis para a previsão dos movimentos do índice de preços das ações 5. 6 e 7 Patra, Thanh, ampère Meher, 2009). Neste estudo, o problema da previsão de decisão de negociação de ações é articulado como um problema de classificação com três valores de classe representando os sinais de compra, retenção e venda. O principal objetivo deste estudo é desenvolver um novo sistema de suporte à decisão usando uma rede de rede neural artificial de ligação funcional computacional (CEFLANN) e um conjunto de regras baseadas em análises técnicas, para gerar as decisões comerciais de forma mais eficaz. Em vez de treinar a rede CEFLANN usando o algoritmo tradicional de propagação traseira, a aprendizagem ELM é proposta para a rede. Seis indicadores técnicos populares calculados a partir dos valores históricos dos preços do índice de ações são utilizados como características de entrada para o modelo proposto. A rede CEFLANN é aplicada para capturar a relação não-linear entre os indicadores técnicos e os sinais comerciais. Em vez de usar valores de classe discretos durante o treinamento da rede, um sinal de negociação contínua dentro do intervalo 01 é alimentado à rede. Os novos sinais comerciais no intervalo 01 podem fornecer informações mais detalhadas sobre negociação de ações relacionadas às variações de preços originais. Além disso, as saídas do modelo CEFLANN são transformadas em uma estratégia de negociação simples com sinais de compra, retenção e venda usando regras adequadas. O desempenho do modelo é avaliado com base na porcentagem de lucro obtida durante o período do teste. O modelo CEFLANN também é comparado com algumas outras técnicas conhecidas de aprendizado de máquinas, como a máquina de vetores de suporte (SVM), 5. 6. 8 e 9 modelo Bayesiano Naive, modelo de vizinhança mais próxima (KNN) 2 e 9 e modelo de árvore de decisão (DT) 10 . O restante do documento está organizado nas seções seguintes. A Seção 2 destaca as revisões relevantes sobre diferentes técnicas de aprendizado de máquina utilizadas no comércio de ações. A Seção 3 especifica os detalhes da rede CEFLANN seguidos pelos detalhes da ELM Learning na Seção 4. A Seção 5 descreve as etapas detalhadas do sistema de suporte à decisão para gerar pontos de decisão de negociação de ações. A Seção 6 mostra os resultados experimentais obtidos a partir da análise comparativa. Finalmente, a Seção 7 contém as observações finais. 2 Pesquisa de literatura Embora a maioria das análises de séries de tempo financeiras envolvam previsão de preço das ações ou flutuação, mas a negociação do mercado de ações é outra área de pesquisa popular. A obtenção de lucros ou prejuízos da negociação de ações depende, em última análise, da análise do movimento futuro de valores de preços de ações altamente flutuantes e irregulares. Na literatura, uma série de modelos que combinam análise técnica com técnicas inteligentes computacionais estão disponíveis para previsão de movimentos do índice de preços das ações e para negociação de ações. Na Ref. 11 uma nova estrutura de negociação que melhora o desempenho dos sistemas de negociação baseados em aprendizagem de reforço é proposta para fazer sugestões de compra e venda para os investidores em suas ações diárias, de modo a maximizar seus lucros no mercado de ações dinâmico. Na Ref. 12 propõe-se um novo modelo que utiliza Representação Linear Piecewise (PLR) e Redes Neurais Artificiais (RNAs) para analisar as relações não-lineares entre o preço fechado de estoque e vários índices técnicos e capturar o conhecimento de sinais comerciais que estão ocultos em dados históricos. O modelo ANN aprovado é usado para prever os futuros sinais comerciais em uma base diária. Em segundo lugar, uma decisão de negociação é desencadeada pelo desenvolvimento de um sistema de decisão de limiar dinâmico. Outro modelo de previsão que integra a janela dinâmica baseada em maiúsculas e minúsculas (CBDW) e a rede neural é aplicado por 13 para prever os pontos de viragem corretos na negociação de ações, de modo a maximizar a receita de investimento. Na Ref. 2 um método que utiliza em conjunto o conhecido classificador k-NN e algumas ferramentas comuns de análise técnica, como indicadores técnicos, stop loss, stop ganho e filtros RSI, propostos com o objetivo de investigar a viabilidade de usar um sistema de negociação inteligente no mercado real Condições, considerando empresas reais da Bolsa de Valores de So Paulo e custos de transação. Um sistema efetivo de detecção de sinal comercial usando Representação Linear Piecewise (PLR) e Redes Neurais Artificiais (RNAs) é proposto em 14 para capturar o conhecimento de sinais comerciais escondidos nos preços históricos, analisando as relações não-lineares entre o preço fechado de estoque e vários índices técnicos. A decisão de negociação no modelo também é desencadeada por um limite de limite dinâmico que ajuda a ganhar um valor de lucro significativo durante a negociação. Na Ref. 3 um sistema de negociação baseado em análise fundamental ou de cartografia foi projetado para melhorar as técnicas de investimento. A principal ideia do sistema é gerar pontos de negociação com base em um indicador financeiro, ou seja, índice de força relativa, que é ainda calculado por uma rede de transmissão neural avançada. Outro sistema de comércio inteligente usando a análise técnica, o Algoritmo de Colônia de Abelha Artificial (ABC), uma seleção de valores passados, a classificação de vizinhança mais próxima (k-NN) e sua variação, a Classificação Adaptativa e o Vizinho Próximo é discutido em. 4 Na Ref 15 a O modelo de série de tempos difusos de alta ordem, baseado em particionamento baseado em entropia e modelo de expectativa adaptativa, mostrou sua superioridade em comparação com outros modelos convencionais de séries temporais difusas na geração de regras de decisão como referências de investimento para investidores em ações. 3 Rede neural artificial de ligação funcional computacional eficiente (CEFLANN) A FLANN computacionalmente eficiente é uma ANN de uma única camada com dois componentes, como componente de expansão funcional e componente de aprendizagem. Nesta rede, um conjunto de funções de base trigonométrica altamente não-linear é usado no bloco de expansão funcional (FEB) que ajuda a capturar a não-linearidade no espaço de entrada e produzir o espaço de saída correspondente. O melhoramento subjacente da rede reside no fato de usar um FEB eficiente para o mapeamento de saída de entrada em vez de usar várias camadas ocultas como a rede tradicional de Multi Layer Perceptron. Devido ao único FEB, possui maior taxa de convergência e menor custo computacional do que os de uma estrutura MLP. Ao contrário das FLANNS anteriores, onde cada entrada no padrão de entrada é expandida através de um conjunto de funções não-lineares, aqui todas as entradas do padrão de entrada passam por um conjunto de funções não-lineares para produzir o padrão de entrada expandido. 16. 17 e 18 Fig. 1 descreve a arquitetura FLANN computacionalmente eficiente de camada única. Com a ordem n qualquer padrão de entrada D dimensional X x 1. X 2 x d T é expandido para um padrão m dimensional CX por expansão funcional trigonométrica como CX cx 1, cx 2 cx d. Cx d1, cx d2. Cx m T x 1. X 2 x d. Cx d1, cx d2. Cx m T onde m d n. Para cada ordem n, um bloco trigonométrico (TB) contendo uma soma e função tanh () está presente na FEB. Junto com n número de TBs, um bloco linear também está presente na FEB, que simplesmente transfere os recursos de entrada para os primeiros componentes d do padrão expandido. Para cada ordem n, a soma ponderada dos componentes do padrão de entrada original é passada através da função tangente hiperbólica (tanh ()) para produzir uma saída o que é armazenada em cx l (com d1 l m). Cada o i é obtido usando a seguinte fórmula. Onde um ij é o parâmetro associado. FIG. 1. Arquitetura de FLANN computacional eficiente (CEFLANN). Após a expansão, o peso é inicializado para cada unidade expandida e, em seguida, a soma ponderada dos componentes do padrão de entrada aprimorada produz a saída y usando a seguinte equação. Onde w jk é o peso da conexão entre a entrada expandida e o nó da camada de saída kth. O erro obtido pela comparação da saída com a saída desejada é usado para atualizar os pesos da estrutura FLANN por um algoritmo de atualização de peso. 4 Máquina de aprendizagem extrema A máquina de aprendizagem extrema é um algoritmo de aprendizado recentemente introduzido para redes neuronais de transmissão de camada única escondida (SLFNs) que escolhe aleatoriamente os pesos de conexões entre as variáveis de entrada e os neurônios na camada oculta e o viés dos neurônios no Camada escondida e determina analiticamente os pesos de saída em vez da sintonia iterativa. 19 O ELM não só possui capacidade de aprendizagem e velocidade de teste extremamente rápidas, mas também tende a alcançar um melhor desempenho de generalização. A principal vantagem do ELM é que a camada oculta de SLFNs não precisa ser sintonizada e pode funcionar com uma ampla gama de funções de ativação, incluindo funções contínuas por partes. 20. 21. 22 e 23 Com um determinado conjunto de conjuntos de dados de treinamento N D (xi. Yi), i 1 a N, onde cada xi é um padrão de entrada dimensional e yi é a saída desejada, função de ativação para nós de camada oculta, H Número de nós de camada oculta e uma função de ativação linear no neurônio de saída, a função de saída de ELM para SLFN pode ser representada como: Onde hj (x) é a função de ativação da camada oculta e W é o vetor de peso que conecta os neurônios da camada oculta Para produzir o neurônio da camada. A Equação (1) pode ser escrita como Onde M é uma matriz de mapeamento de recurso de camada oculta escondida N X (H 1) na qual a i-ésima linha especifica o vetor de saída de camadas ocultas para uma instância xi. A equação (2) sendo um sistema linear pode ser resolvido por onde é o inverso generalizado Moore-Penrose da matriz M, gt0 é o parâmetro de regularização e I é a matriz de identidade M M. A abordagem proposta usa o mesmo conceito de ELM onde os pesos de saída são obtidos analiticamente usando uma solução de mínimos quadrados robusta, incluindo um parâmetro de regularização. O uso do método de mínimos quadrados com parâmetro de regularização ajudará a melhorar o desempenho do ELM na presença de dados ruidosos. 5 Etapas detalhadas da negociação de ações Nesta seção, propõe-se um novo sistema de suporte à decisão usando uma rede neural artificial de ligação funcional computacional (CEFLANN) e um conjunto de regras baseadas em análise técnica para gerar decisões comerciais de forma mais eficaz. Em vez de treinar a rede CEFLANN usando o algoritmo tradicional de propagação traseira, a aprendizagem ELM é proposta para a rede. Seis indicadores técnicos populares calculados a partir dos valores históricos dos preços do índice de ações são utilizados como características de entrada para o modelo proposto. Aqui, prever decisões de negociação é lançado como um problema de classificação com três valores de classe que representam os sinais de compra, retenção e venda. Em vez de usar valores de classe discretos durante o treinamento da rede, um sinal de negociação contínua dentro do intervalo 01 é alimentado à rede. Os novos sinais comerciais na faixa 01 ajudam a fornecer informações mais detalhadas sobre negociação de ações relacionadas às variações de preços originais. Além disso, as saídas do modelo CEFLANN são transformadas em uma estratégia de negociação simples com sinais de compra, retenção e venda usando regras adequadas. A figura do modelo proposto é mostrada na Fig. 2. FIG. 2. Modelo proposto para negociação de ações. As etapas detalhadas da negociação de ações usando o modelo CEFLANN treinado com ELM são as seguintes: 5.1 Etapa 1: extrair indicadores técnicos Na literatura, os pesquisadores usaram diferentes tipos de indicadores técnicos para monitorar o movimento futuro dos preços das ações e na criação de regras comerciais para compra Decisões. Neste estudo, seis indicadores técnicos populares, ou seja, MA 15. MACD 26. K 14. D 3. RSI 14. WR 14 são escolhidos como entrada para o modelo proposto. Os indicadores técnicos são calculados a partir dos preços históricos da seguinte forma: Média móvel simples (MA): é a média estatística simples do preço de fechamento do dia anterior, que normalmente suaviza os valores dos preços. Neste estudo, o valor de t está definido para 25. Onde cp (i) é o preço de fechamento. Convergência e divergência média móvel (MACD): o MACD mostra a relação entre duas médias móveis exponenciais dos preços. O estocástico fornece uma média de medir a velocidade do movimento do preço. K mede a posição relativa do preço de fechamento atual em um determinado intervalo de tempo, enquanto D especifica a média móvel de três dias de K. Onde cp (i) é o preço de fechamento, L t é o preço mais baixo dos últimos dias, H t é O preço mais alto dos últimos dias. Índice de Força Relativa (RSI): RSI é um indicador de momentum calculado da seguinte forma: Larry Williams R: Williams R é um oscilador estocástico, calculado da seguinte forma: Onde cp (i) é o preço de fechamento, L t é o preço mais baixo do último t Dias, H é o preço mais alto dos últimos dias. 5.2 Etapa 2: análise de tendências usando indicadores técnicos A obtenção de lucros ou prejuízos da negociação de ações depende, em última instância, da análise da evolução futura dos valores das ações. Na literatura, diferentes indicadores técnicos são utilizados para a classificação bem-sucedida dos movimentos ascendentes e descendentes nos valores do índice de preços das ações. Neste estudo, as regras que utilizam MA são usadas para classificar o movimento do mercado de ações como ascendente (Uptrend) ou para baixo (downtrend) da seguinte forma: Se o valor do preço de fechamento levar a sua MA 15 e MA 15 está aumentando nos últimos 5 dias, a tendência é Uptrend ie tendência O sinal é 1. Se o valor do preço de fechamento for superior a MA 15 e MA 15 está caindo nos últimos 5 dias, a tendência é Downtrend, ou seja, o sinal de tendência é 0. No entanto, se nenhuma dessas regras estiverem satisfeitas, o mercado de ações não terá tendência. Para ilustrar o uso das regras acima, a Tabela 1 representa um conjunto de dados de séries temporais de amostra que representam o preço de fechamento e os valores médios móveis calculados. Usando as regras especificadas, a tendência analisada é especificada na terceira coluna da tabela. A análise de tendência do conjunto de dados de amostra usando a média móvel também é dada na Fig. 3. Tabela 1. Exemplo de análise de tendência no conjunto de dados de amostra. FIG. 3. Exemplo de análise de tendência no conjunto de dados de amostra. 5.3 Etapa 3: geração de sinal de negociação a partir da análise de tendências Os modelos de rede neural são modelos supervisionados, que precisam ser treinados no padrão de entrada e saída existente. No nosso estudo, os seis indicadores técnicos são tomados como entrada e o modelo produzirá decisão comercial de comprar, vender ou manter a partir da análise de tendências. Como comprar, vender e segurar são os valores discretos e normalmente a saída da rede neural é valores contínuos dentro do intervalo 01, então, em vez de usar o sinal discreto no treinamento da rede, os sinais de negociação no intervalo 01 são gerados com o impulso dos preços das ações. Com referência a 12. 13 e 14, um novo sinal de negociação é gerado no intervalo 01, refletindo a variação do preço. Ele também fornece informações mais detalhadas para tomar uma decisão precisa de negociação de ações. Ele fornece informações mais detalhadas relacionadas ao movimento do preço das ações. Os sinais comerciais contínuos Tr i são gerados usando as seguintes regras: Onde cpi, cpi1, cpi2, são o preço de fechamento dos ith, (i1) th, (i2) th dias de negociação, respectivamente. A Tabela 2 representa o sinal de negociação gerado a partir da análise de tendências para o conjunto de dados de amostra usando as equações (11) e (12). Tabela 2. Exemplo de geração de sinal de negociação a partir da análise de tendências para o conjunto de dados de amostra. Originalmente, os seis valores de indicadores técnicos representam valores contínuos em diferentes intervalos. Portanto, os dados de entrada são dimensionados no intervalo 01 usando a normalização min max da seguinte forma: Onde e valor normalizado. X valor a ser normalizado x mínimo valor mínimo da série a ser normalizado x valor máximo máximo da série a ser normalizada Escalar os dados de entrada garante que os atributos de entrada de maior valor não sobrecarregem as entradas de menor valor. 5.5 Etapa 5: criação e treinamento de estrutura de rede usando o ELM CEFLANN é uma rede neural de camada única com apenas uma camada de saída. Neste estudo, usamos uma rede com seis entradas que representam os seis indicadores de indicadores técnicos normalizados e um neurônio de saída para produzir os sinais comerciais. O desempenho da rede varia de acordo com a ordem de expansão selecionada e a técnica de aprendizado utilizada. Então, inicialmente, com uma ordem de expansão adequada e valores aleatórios de parâmetros associados usados na expansão, a rede é criada. Além disso, com a aprendizagem ELM, os pesos de saída da rede são obtidos analiticamente usando uma solução robusta de mínimos quadrados, incluindo um parâmetro de regularização. O valor do parâmetro de regularização é definido através de um processo de seleção de parâmetros. O princípio de funcionamento da Rede Neural Artificial de Link Funcionalmente Competente treinado usando o ELM é detalhado da seguinte maneira: Etapa 1: Escolha uma ordem de expansão adequada n para expansão funcional do CEFLANN. Etapa 2: Para cada ordem n, inicialize aleatoriamente os parâmetros associados e encontre um componente de saída correspondente o i passando a soma ponderada dos componentes do padrão de entrada original através de uma equação (1) usando tanh (). Passo 3: Obter o padrão de entrada expandida ao juntar o vetor de entrada dimensional s com n número de componentes o i como saída do bloco de expansão funcional (FEB) e representá-lo como matriz M especificada na equação (4). Etapa 4: Encontre a matriz de peso de saída W usando solução robusta menos quadrada conforme especificado na equação (5). Passo 5: Finalmente, gere a saída da rede como a soma ponderada dos componentes do padrão de entrada melhorada CX usando a equação (2). 5.6 Passo 6: determinação de tendência a partir do sinal de negociação de saída Após o processo de treinamento, um novo conjunto de dados de teste é aplicado à rede treinada para produzir um conjunto de saídas. O valor de saída da rede é o sinal de negociação (OTr), ou seja, o valor contínuo no intervalo 01. Para tomar uma decisão de negociação, primeiro é necessário acompanhar a tendência e decidir quando negociar. A tendência de alta e baixa é classificada a partir dos sinais de negociação de saída (OTr i) usando as seguintes regras: A Tabela 3 representa o sinal de negociação de saída obtido da rede e a tendência determinada usando a equação (14) para o conjunto de dados de amostra. Aqui, a média (Tr) é considerada como 0,5. Tabela 3. Exemplo de determinação de tendência a partir do sinal de troca de saída sobre o conjunto de dados de amostra. 5.7 Etapa 7: decisão do ponto de negociação da tendência prevista Após a obtenção da direção do movimento das ações, os pontos de negociação são obtidos usando regras de negociação diretas da seguinte maneira: A quarta coluna da Tabela 3 representa a decisão de negociação tomada da tendência prevista usando as regras dadas na equação (15 ) Para o conjunto de dados de amostra. 5.8 Etapa 8: Cálculo de lucro O parâmetro principal adotado para avaliação de desempenho é a porcentagem de lucro obtida durante o período de teste. A porcentagem de lucro é gerada a partir de uma combinação de transacções de compra e venda da seguinte forma: 6 Estudo empírico Nesta seção, o desempenho do modelo proposto é validado para o problema da negociação de ações, aplicando-o em dois conjuntos de dados de índice de estoque de referência. O desempenho do modelo também é comparado com alguns outros classificadores conhecidos, como a máquina de vetores de suporte (SVM), o modelo Bayesiano Naive, o modelo de vizinhança mais próxima (KNN) e o modelo de árvore de decisão (DT). 6.1 Descrição do conjunto de dados São utilizados neste estudo cinco anos de valores históricos do índice de ações de dois índices de ações (BSE SENSEX e SampP 500). Inicialmente, ambos os conjuntos de dados são divididos em conjuntos de treinamento e teste. Para o conjunto de dados da BSE, o conjunto de treinamento consiste em 1000 padrões e 208 padrões restantes são usados para teste e para o conjunto de dados SampP, o conjunto de treinamento consiste de 1000 padrões deixando os padrões 221 para testes. O detalhe do conjunto de dados é fornecido na Tabela 4. Inicialmente, os seis indicadores técnicos são extraídos dos preços históricos e normalizados usando a min max de normalização a serem alimentados como entrada para a rede. A Tabela 5 resume a análise estatística dos indicadores técnicos selecionados para ambos os índices de ações. Como o objetivo do estudo é derivar pontos de negociação a curto prazo da análise de tendências, então o MA 15 usou para encontrar movimentos iniciais para baixo dos preços das ações. Em vez de usar o valor discreto como saída durante o treinamento da rede, sinais de negociação contínua são gerados a partir da tendência e usados durante o processo de treinamento. Tabela 4. Conjunto de dados Descrição. 6.2 Configuração de parâmetros Para CEFLANN com ordem n, tamanho de entrada s, o número de parâmetros associados usados na expansão funcional é n (s 1) eo número de pesos entre padrão expandido e neurônio de saída é (n s). Portanto, o número total de parâmetros desconhecidos precisa ser ajustado por um algoritmo de aprendizagem é (n s) n (s 1). Usando ELM, o número n (s 1) de parâmetros associados é escolhido aleatoriamente, e o número restante (n s) de parâmetros é obtido usando a equação (5). O desempenho do modelo proposto depende de diferentes fatores como a ordem de expansão, o valor do parâmetro de regularização, o tamanho do espaço de entrada e assim por diante. Então, inicialmente através de uma série de simulações, os parâmetros de controle do modelo são derivados. 6.3 Análise de resultados experimentais A capacidade de generalização da rede é medida através de uma abordagem de validação cruzada de 5 vezes aplicada nas 1000 amostras iniciais tomadas como conjunto de dados de treinamento. O conjunto de dados de treinamento é dividido em 5 grupos, onde os primeiros 4 grupos escolhidos aleatoriamente são usados para treinar e o restante é usado para validação. O desempenho médio das 20 corridas independentes é considerado para o conjunto de dados. Finalmente, a rede treinada é aplicada no padrão de teste, ou seja, os dados fora da amostra, que não foram utilizados durante treinamento e validação. FIG. 4 e Fig. 5 mostram os sinais comerciais gerados a partir do modelo CEFLANN para o conjunto de dados. A linha preta representa o valor médio dos sinais de negociação obtidos da rede, que é usado como valor limiar para encontrar tendência de tendência e queda. Usando mais as regras da equação (15). Os pontos comerciais são gerados. FIG. 4. Sinal de saída comercial obtido a partir do modelo CEFLANN para o conjunto de dados SSEEX BSE. FIG. 5. Sinal de saída comercial obtido a partir do modelo CEFLANN para o conjunto de dados SampP500. FIG. 6 e Fig. 7 representa os pontos comerciais iniciais gerados com o indicador técnico MA 15. Os pontos de negociação previstos usando o modelo proposto para o conjunto de dados são mostrados na Fig. 8 e Fig. 9. O desempenho geral do modelo em comparação com outras técnicas de computação suave como SVM, Nave Bayesian, KNN e árvore de decisão (DT) para o conjunto de dois dados são mostrados na Tabela 6 e na Tabela 7, respectivamente. Através de uma série de testes experimentais, o modelo proposto gera consistentemente maior lucro entre outros. FIG. 6. Pontos iniciais de negociação gerados usando MA 15 para o conjunto de dados SSEEX BSE. FIG. 7. Pontos iniciais de negociação gerados usando MA 15 para o conjunto de dados SampP500. FIG. 8. Pontos de negociação do modelo CEFLANN para o conjunto de dados BSE SENSEX. FIG. 9. Pontos de negociação do modelo CEFLANN para o conjunto de dados SampP500. Tabela 6. Comparação de desempenho de modelos de estoque de estoque no conjunto de dados SSEEX BSE. 7 Conclusão Este estudo propôs um novo sistema de apoio à decisão para o desenvolvimento de estratégias de negociação de ações eficientes, o que pode proporcionar benefícios atrativos para os investidores. O modelo integrou análise técnica com técnicas de aprendizado de máquina para geração eficiente de decisões de negociação de ações. Neste estudo, o problema da geração de decisões de negociação de ações é lançado como uma tarefa de classificação. Um modelo de classificação que utiliza a rede de rede neural artificial de ligação funcional computacional (CEFLANN) com abordagem de aprendizagem ELM é proposto para gerar as decisões de negociação de ações. Os resultados do modelo CEFLANN são transformados em uma estratégia de negociação simples com sinais de compra, retenção e venda usando regras adequadas. A partir da análise de resultados experimentais, é claramente evidente que o modelo proposto oferece uma porcentagem de lucro superior em comparação com alguns outros classificadores conhecidos, como a máquina de vetores de suporte (SVM), o modelo Bayesiano Naive, modelo de vizinhança mais próxima (KNN) e modelo de árvore de decisão (DT) . Por isso, em vez de tomar decisões comerciais com base em indicadores técnicos específicos, é mais lucrativo tomar decisões comerciais usando a combinação de indicadores técnicos com ferramentas de inteligência computacional. Além disso, o trabalho pode ser estendido pela validação do modelo proposto em conjuntos de dados mais reais. Mais trabalho será feito na otimização de estrutura do modelo usando algoritmos de otimização eficientes, como evolução diferencial, busca de harmonia, algoritmo de pular de rã e em breve. Mais uma análise técnica também será explorada no futuro. Referências 1 A. Kablan Sistema de inferência neuro-difusa adaptativo para negociação financeira usando o modelo de observação da sazonalidade intradía World Acad Sci Eng Technol. Volume 58. 2009. pp. 479488 2 L. A. Teixeira. TODOS. De Oliveira Um método para negociação automática de ações combinando análise técnica e classificação de vizinhança mais próxima Expert Syst Appl. Volume 37. 2010. pp. 68856890 3 A. Rodrguez-Gonzlez. . Garca-Crespo. R. Colomo-Palacios. F. G. Iglesias. J. M. Gmez-Berbs CAST: usando redes neurais para melhorar os sistemas de negociação com base em análise técnica por meio do indicador financeiro RSI Expert Syst Appl. Volume 38. 2011. pp. 1148911500 4 R. C. Brasileiro. V. L. Souza. B. J. Fernandes. A. L. Oliveira Método automático para negociação de estoque combinando análise técnica e algoritmo de colônia de abelhas artificiais IEEE Congr Evol Comput (CEC). 2013, junho. Pp. 18101817 IEEE 5 Y. Kara. M. A. Boyacioglu..K. Baykan Previsão de direção do movimento do índice de preços das ações usando redes neurais artificiais e máquinas de vetor de suporte: a amostra da Bolsa de Valores de Istambul Expert Syst Appl. Volume 38. 2011. pp. 53115319 6 J. Patel. S. Shah. P. Thakkar. K. Kotecha Previsão de estoque e movimento do índice de preços das ações usando técnicas determinantes de determinação de tendências e técnicas de aprendizado de máquinas Expert Syst Appl. Volume 42. 2015. pp. 259268 7 A. Wysocki. M. Lawrynczuk Uma estratégia de investimento para a bolsa de valores usando redes neurais Conferência Federada sobre Ciência da Computação e Sistemas de Informação (FedCSIS). 2013, setembro. Pp. 183190 IEEE 8 P. Wen. Z. Yang. Y. Song. P. Jia Sistema automático de suporte à decisão de estoque com base na teoria das caixas e no algoritmo SVM Expert Syst Appl. Volume 37. 2010. pp. 10151022 9 M. Ballings. D. Van den Poel. N. Hespeels. R. Gryp Avaliando classificadores múltiplos para previsão de direcionamento de preço de ações. Volume 42. 2015. pp. 70467056 10 M. C. Wu. S. Y. Lin. CH. Lin Uma aplicação eficaz da árvore de decisão para negociação de ações Expert Syst Appl. Volume 31. 2006. pp. 270274 11 J. W. Lee. J. Park. J. Lee. E. Hong Uma abordagem multiagente para Q-learning para negociação diária de ações IEEE Trans Syst Man Cybern Part A Syst Humans. Volume 37. 2007. pp. 864877 12 P. C. Chang. C. Y. Ventilador. CH. Liu Integração de um método de representação linear por partes e um modelo de rede neural para previsão de pontos de troca de ações IEEE Trans Syst Man Man Cybern Parte C Appl Rev. Volume 39. 2009. pp. 8092 13 P. C. Chang. CH. Liu. J. L. Lin. C. Y. Ventilador. C. S. Ng Uma rede neural com uma janela dinâmica baseada em casos para previsão de negociação de ações Expert Syst Appl. Volume 36. 2009. pp. 68896898 14 P. C. Chang. T. W. Liao. J. J. Lin. C. Y. Fan Um sistema de decisão de limiar dinâmico para a detecção de sinal de negociação de estoque Appl Soft Comput. Volume 11. 2011. pp. 39984010 15 M. Y. Chen Um modelo de previsão de séries temporais difusas de alta ordem para negociação de ações da Internet Future Gener Comput Syst. Volume 37. 2014. pp. 461467 16 D. K. Bebarta. B. Biswal. P. K. Dash Estudo comparativo da previsão do mercado de ações usando diferentes redes de neurônios artificiais de ligação funcional Int J Data Analysis Tech Strategies. Volume 4. 2012. pp. 398427 17 R. Dash. P. K. Traço. R. Bisoi Uma máquina de aprendizagem extrema otimizada baseada em pesquisa de harmonia diferencial auto-adaptativa para previsão de séries temporais financeiras Swarm Evol Comput. Volume 19. 2014. pp. 2542 18 A. K. Derrota. P. K. Traço. R. Dash. R. Bisoi Previsão de séries temporais financeiras usando uma rede neural recorrente de baixa complexidade e abordagem de aprendizagem evolutiva J King Saud Univ Comput Inf Sci. 2015 19 G. B. Huang. P. Y. Zhu. C. K. Máquina de aprendizagem Siew Extreme: teoria e aplicações Neurocomputing. Volume 70. 2006. pp. 489501 20 G. B. Huang. D. H. Wang. Y. Lan Máquinas de aprendizagem extremas: uma pesquisa Int J Mach Learn Cybern. Volume 2. 2011. pp. 107122 21 G. B. Huang. H. Zhou. X. Ding. R. Zhang Máquina de aprendizagem extrema para regressão e classificação multiclass IEEE Trans Syst Man Cybern Part B Cybern. Volume 42. 2012. pp. 513529 22 A. Bueno-Crespo. P. J. Garca-Laencina. J. L. Sancho-Gmez Projeto de arquitetura neural baseado na máquina de aprendizado extremo Neural Netw. Volume 48. 2013. pp. 1924 23 M. Luo. K. Zhang Uma abordagem híbrida combinando máquina de aprendizagem extrema e representação esparsa para classificação de imagem Eng Appl Artif Intell. Volume 27. 2014. pp. 228235 Avaliação por pares sob responsabilidade da China Science Publishing amp Media Ltd. Rajashree Dash está trabalhando como um Asst. Professor da ITER, Universidade Siksha O Anusandhan. Ela completou sua M. Tech em Ciência da Computação e Engenharia. Agora ela está perseguindo seu P. H.D. Seus tópicos de pesquisa incluem mineração de dados, previsão de séries temporais, computação evolutiva, etc. O professor P. K.Dash detém D. SC., Ph. D. Graduação em engenharia elétrica e atualmente é diretor de pesquisa da Universidade Siksha O Anusandhan, Bhubaneswar, Índia. Ele teve várias consultas nas universidades nos EUA, Canadá, Cingapura e Malásia. Ele publicou mais de 450 artigos em revistas e conferências internacionais de renome. Os seus interesses de pesquisa incluem Engenharia de Energia, Energia Renovável, Processamento de Sinal, Inteligência Computacional, Computação Evolutiva e Tecnologia da Informação. 2016, China Science Publishing amp Media Ltd. Produção e hospedagem por Elsevier em nome da KeAi Communications Co. Ltd. Acesso aberto financiado pela China Science Publishing amp Media Ltd Citar artigos () ZERODHA - Taxas de corretagem Ampères - Um dos mais baratos Brokerage Special Oferta para usuários do bse2nse - 8220 Parceiro de marketing da Zerodha8221 Obtenha uma sessão de treinamento GRATUITA no valor de Rupias 8000 sobre Futuros e Opções de Negociação quando você abrir uma conta da Zerodha Trading através de nós. Preencha o formulário abaixo e nossa equipe de abertura da conta convocará para completar o procedimento de abertura da conta. Estarei fazendo uma sessão de treinamento grátis para clientes da Zerodha de bse2nse em grandes cidades como Chennai, Bangalore, Hyderabad, Mumbai e Delhi. Uma vez que a abertura da conta estiver concluída, você receberá GRÁTIS convida para o mesmo. Você também terá acesso à versão gravada do treinamento, assim que a abertura da conta for concluída através da nossa Referência. Preencha o formulário abaixo Clique aqui para fechar a agenda da sessão de treinamento. Você pode participar das sessões de treinamento quantas vezes quiser. Obtenha uma cópia do meu livro sobre Art of Stock Investing GRÁTIS no formato PDF. Clique aqui para detalhes sobre isso. Caso não tenha ouvido falar, Zerodha é o corretor de desconto mais popular. Eles cobram 20 Rs por pedido (transação). Pode ser qualquer pedido, entrega de ações de Longo Prazo (Investimento), ou negociação de opções, negociação de futuros, negociação de mercadorias. Sem custos de manutenção. Sem cobranças ocultas. Software de Cliente GRÁTIS. Os recursos de negociação de Algoritmo automático logo chegam, embora você não precise disso depois do meu treinamento. Consulte e ganhe. Uma vez que você abre uma conta Zerodha, você só precisa se referir aos seus amigos no círculo comercial. Apenas forneça seus detalhes de contato e a Zerodha cuidará do procedimento completo de abertura da conta. E você receberá 10 partes em toda a corretora de seus amigos referidos durante toda a vida. E a melhor parte é, eu providenciarei o mesmo treinamento GRÁTIS para seus amigos também. ZERODHA oferece corretagem de mercado mais barata, muito menos do que RK Global. A corretora mais baixa disponível para Opções e equidade. Por taxa de ordem - 20 INR (lotes ilimitados) e não contra por lote - FNO, patrimônio líquido. Terminal NSE direto do servidor NSE, sem servidor do intermediário intermediário. Análise técnica ao vivo do NSE TAME no servidor NSE. Obtenha alavancagem máxima nas ordens de suporte. Aumento de 20 vezes em ações de ações. A abertura da conta começa em 200- Taxa Anual de Manutenção 300- (Se você abrir uma conta DEMAT) Não há cobrança no software. Eles usam NSE NOW (executado pela NSE). Nenhum compromisso em negociações. Clique aqui para fechar a tabela Comparação de corretagem Oi, Esta é Durgaa Prasad Avnii, Na verdade, você disse que o treinamento do Future amp Options é de cerca de 6 a 8 horas, mas aqui está a faixa rápida para que você não cubra todo o curso por este direito e se eu abrir uma Conta de zerodha e quero treinamento completo, então quanto eu tenho que pagar pelo treinamento, diga-me oi Durga Prasad, agora estou fazendo vídeos privados para clientes da Zerodha (que serão acessíveis apenas pelos clientes da Zerodha). Esses vídeos contêm estratégias de negociação rentáveis, que você pode usar para negociar todos os meses. Estou tentando colocar todo o conteúdo do treinamento completo em vídeos privados separados, cobrindo todos os tópicos. Depois de terminar de assisti-los, podemos ter uma sessão de uma a uma para eliminar dúvidas ou dúvidas que você possa ter. 12-10-2013 07:56 AM Sou Sra. Sachin. Learning to mkt. Plz guide bout zerodha Ac abertura amplo treinamento sessão gratuita. Se a sessão será b on-line ou eu tenho que ir fisicamente para algum lugar. Dê uma comparação mais recente entre zerodha, ventury, RKSV amp. Similares corretoras de baixa
No comments:
Post a Comment