یادگیری عمیق قابل توضیح برای پیش بینی بازار سهام تایلند با استفاده از بازنمایی متنی و شاخص های فنی

این هشدار با موفقیت اضافه شده است و به شما ارسال می شود: هر زمان که رکوردی که انتخاب کرده اید استناد شده است ، به شما اطلاع داده می شود.

برای مدیریت تنظیمات برگزیده هشدار خود ، روی دکمه زیر کلیک کنید. هشدارهای من را مدیریت کنید

هشدار استناد جدید!

لطفا وارد حساب کاربری خود شوید

صرفه جویی در اتصال

نام

ICCCM '20: مجموعه مقالات هشتمین کنفرانس بین المللی مدیریت رایانه و ارتباطات

یادگیری عمیق قابل توضیح برای پیش بینی بازار سهام تایلند با استفاده از بازنمایی متنی و شاخص های فنی

صفحات 19-23

خلاصه

در این مقاله ، ما یک شبکه عصبی عمیق را برای پیش بینی بازار سهام تایلند (شاخص SET) با قابلیت تجزیه و تحلیل ورودی های عددی و متنی به طور کلی پیشنهاد کردیم. این مجموعه داده ها شامل داده های بازار دوازده ساله با شاخص های فنی تولید شده (73 سری زمانی) و عناوین خبری اقتصادی تایلند از منابع مختلف آنلاین است. مدل پیشنهادی شامل یک مدل حافظه کوتاه کوتاه و بازنمایی متنی برای پیش بینی تغییرات درصد یک روزه در بازار است. ما بر روی دو رویکرد بازنمایی متنی ، که شبکه عصبی سلسله مراتبی و بازنمایی رمزگذار دو طرفه از ترانسفورماتورها (BERT) به همراه تعبیه جمع شده است ، آزمایش می کنیم. میانگین نتایج تجربی سه ساله نشان می دهد که اضافه کردن نمایندگی متنی 6. 9 ٪ در متریک بدون استراتژی پیشنهادی افزایش می یابد. در مرحله بعد ، رویکرد سلسله مراتبی به طور قابل توجهی بهتر از روش BERT است که تا 4. 4 ٪ افزایش سود را نشان می دهد. سرانجام ، ما یک مزیت دیگر از رویکرد سلسله مراتبی برای تفسیر مدل با استفاده از روشهای انتساب شیب یکپارچه را نشان می دهیم. این تفسیر به ما امکان می دهد تا ارتباط متنی اساسی و همچنین برای بهبود مدل آینده را تجزیه و تحلیل کنیم.

منابع

1. Pasupa ، K. and Ayutthaya ، T. S. N. ، 2019. تجزیه و تحلیل احساسات تایلندی با تکنیک های یادگیری عمیق: یک مطالعه تطبیقی مبتنی بر تعبیه کلمه ، برچسب POS و ویژگی های احساساتی. شهرهای پایدار و جامعه 50 ، 101615. Google Scholarcross Ref
2. Sanboon ، T. ، Keatruangkamala ، K. ، and Jaiyen ، S. ، 2019. یک مدل یادگیری عمیق برای پیش بینی توصیه های خرید و فروش در بورس اوراق بهادار تایلند با استفاده از حافظه کوتاه مدت طولانی. در سال 2019 ICCCS IEEE ، 757--760. گوگل دانشکده
3. Akita ، R. ، Yoshihara ، A. ، Matsubara ، T. ، and Uehara ، K. ، 2016. یادگیری عمیق برای پیش بینی سهام با استفاده از اطلاعات عددی و متنی. در سال 2016 IEEE/ACIS 15 ICIS ، 1--6. گوگل دانشکده
4. Vargas ، M. R. ، Lima ، B. S. L. P. D. و Evsukoff ، A. G. ، 2017. یادگیری عمیق برای پیش بینی بازار سهام از مقالات خبری مالی. در سال 2017 IEEE Civemsa ، 60--65. گوگل دانشکده
5. Oncharoen ، P. and Vateekul ، P. ، 2018. یادگیری عمیق برای پیش بینی بازار سهام با استفاده از تعبیه رویداد و شاخص های فنی. در سال 2018 5 icaicta IEEE ، 19--24. گوگل دانشکده
6. Ding ، X. ، Zhang ، Y. ، Liu ، T. ، and Duan ، J. ، 2015. یادگیری عمیق برای پیش بینی سهام محور. در کنفرانس مشترک بین المللی IJCAI در مورد هوش مصنوعی ، 2327--2333. گوگل دانشکده
7. Haruechaiyasak ، C. ، Kongyoung ، S. ، and Dailey ، M. ، 2008. یک مطالعه مقایسه ای در مورد رویکردهای تقسیم کلمه تایلندی. در سال 2008 5 ECTI-CON IEEE ، 125--128. گوگل دانشکده
8. Shi ، L. ، Teng ، Z. ، Wang ، L. ، Zhang ، Y. ، and Binder ، A. ، 2018. DeepClue: تفسیر بصری پیش بینی سهام عمیق مبتنی بر متن. معاملات IEEE در زمینه مهندسی دانش و داده 31 ، 6 ، 1094--1108. Google Scholarcross Ref
9. Devlin ، J. ، Chang ، M.-W. ، Lee ، K. ، and Toutanova ، K. ، 2018. BERT: پیش از ترجمه ترانسفورماتورهای دو طرفه عمیق برای درک زبان. arxiv preprint arxiv: 1810. 04805. گوگل دانشکده
10. Sundararajan ، M. ، Taly ، A. ، and Yan ، Q. ، 2017. انتساب بدیهی برای شبکه های عمیق. در مجموعه مقالات 34 مین کنفرانس بین المللی یادگیری ماشین-حجم 70 JMLR. org ، 3319--3328. گوگل دانشکده
11. Araci ، D. ، 2019. Finbert: تجزیه و تحلیل احساسات مالی با مدل های زبان از قبل آموزش دیده. arxiv preprint arxiv: 1908. 10063. گوگل دانشکده
12. Padial ، D. L. ، 2019. کتابخانه تجزیه و تحلیل فنی با استفاده از پاندا و Numpy GitHub. گوگل دانشکده
13. Pythainlp ، 2019. Thai2Fit Ulmfit Modeling Language (21 اوت 2019). گوگل دانشکده
14. Liu ، G. and Wang ، X. ، 2018. یک روش توجه مبتنی بر عددی برای پیش بینی بازار سهام با اطلاعات دوگانه. IEEE Access 7 ، 7357--7367. Google Scholarcross Ref
15. Bach ، S. ، Binder ، A. ، Montavon ، G. ، Klauschen ، F. ، Müller ، K.-R. و Samek ، W. ، 2015. در توضیحات پیکسل برای تصمیم گیری های طبقه بندی غیر خطی توسط لایه-انتشار ارتباط عاقلانه. PLOS ONE 10 ، 7. Google Scholarcross Ref