این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های نوین در تصمیم گیری، جلد ۷، شماره ۴، صفحات ۵۱-۸۰
عنوان فارسی پیش‌بینی رفتار بورس اوراق بهادار با به‌کارگیری اندیکاتورهای تکنیکال، مبتنی بر رویکردهای یادگیری تقویتی عمیق و شبکه‌های کانولوشن مطالعه موردی: بورس اوراق بهادار ایران
چکیده فارسی مقاله این مقاله با استفاده از یادگیری تقویتی عمیق مدلی ارائه می‌کند تا وظایف یک معامله‌گر در بازار بورس ایران را با توجه به سهم‌های نقد شونده مدل‌سازی کند. قیمت سهام به همراه اندیکاتورهای مبتنی بر آن به‌عنوان ورودی به شبکه عصبی کانولوشن وارد می‌شوند.سپس، با استفاده از اندیکاتورهای محاسبه شده، داده‌های قیمت بر اساس تاریخ تطبیق داده می‌شود. به منظور محاسبه میزان تطبیق خروجی محاسبه شده با خروجی مورد انتظار، از تابع هزینه‌ی مجموع مربعات خظا استفاده می‌شود که در فرایند بهینه‌سازی کمینه می‌شود. همچنین با به‌کارگیری مدل‌های کانولوشن به جای جداول Q از بیش برارزش مدل به دلیل وجود داده‌های کم برای آموزش مدل جلوگیری به عمل آمده است. از طرفی با استفاده از اطلاعات موجود در حجم معاملات، از این سیگنال به عنوان نقشی مکمل در پیش‌بینی روند آینده سهم‌ها بهره گرفته شده است. و برای ارزیابی، برتری این مدل نسبت به استراتژی خرید و نگهداری مقایسه شده است.
کلیدواژه‌های فارسی مقاله یادگیری تقویتی عمیق، کانولوشن، بورس، اندیکاتور تکنیکال، تحلیل تکنیکال،
عنوان انگلیسی Forecasting Stock market behavior through implementing technical indicators , based on deep reinforcement learning and convolutional network approaches Case study: Iran Stock Market
چکیده انگلیسی مقاله Nowadays, the stock market plays an important role in the economy of different countries. The abundance of data in the stock market and the need for fast and correct data processing and making appropriate decisions have made the use of computers inevitable. In this article, using deep reinforcement learning, a model is designed to present the duties of a trader in the Iranian stock market with regard to liquidated shares. In the first step, the history of stock prices along with the indicators based on it are given as inputs to the convolutional neural network. In the next step, in order to calculate the matching rate of the convolution output with the expected output, the sum of squared error cost function is used, which, in turn, is minimized in the optimization process. Since the data in the Iranian stock market is limited, using the convolution model instead of the Q table in the deep reinforcement model prevents the over fitting of the model. In order to evaluate the model, the data of Tehran Stock Exchange was used in the period of 1390 to 1400. The performance of the proposed method was compared with the buy and hold strategy. The results show, in some cases, the profit from the proposed method in contrast with buy and hold strategy is 21% and -7%, respectively.
کلیدواژه‌های انگلیسی مقاله یادگیری تقویتی عمیق, کانولوشن, بورس, اندیکاتور تکنیکال, تحلیل تکنیکال
نویسندگان مقاله آنیتا هادی‌زاده |
دانشجوی دکتری مهندسی فناوری اطلاعات، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر، تهران، ایران

محمد جعفر تارخ |
استاد، گروه مهندسی فناوری اطلاعات، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر، تهران، ایران

مجید میرزایی قزاآنی |
استادیار، گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر، تهران، ایران

نشانی اینترنتی https://journal.saim.ir/article_696674_687acc35631edabeaa80808955724881.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات