التنبؤ بأسعار الأصول المالية باستخدام نماذج التعلم العميق المؤقتة القائمة على الشبكة العصبية
| العنوان | التنبؤ بأسعار الأصول المالية باستخدام نماذج التعلم العميق المؤقتة القائمة على الشبكة العصبية |
|---|---|
| المؤلف | أويجون، ياسين |
| تاريخ النشر: | 2024 |
| الموضوع | نظرية الرسم البياني، التحليل التوافقي، التعلم العميق (التعلم الآلي)، التعلم الآلي، تحليل السلاسل الزمنية، المخاطر المالية، النماذج الرياضية، هندسة الكمبيوتر |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | 48fb9add-30ac-4eba-91f8-b8df2cae35a8 |
| موقع المكتبة | قسم علوم الحاسوب |
| التاريخ | 2024 |
| نص عينة | يمكن أن تتميز التغيرات المتعددة في أسعار الأصول المالية بمرور الوقت بطبيعتها المعقدة والترابط فيما بينها. قد تتجاهل أساليب التنبؤ التقليدية أوجه الترابط بين هذه الأصول، لأنها قد لا تأخذ في الاعتبار بشكل كامل التبعيات المكانية والزمانية بينها. برزت شبكات الرسم البياني العصبية (GNNs) كأداة قوية لنمذجة التبعيات العلائقية المعقدة عبر أنواع مختلفة من البيانات، وقد استحوذت مؤخرًا على المزيد من الاهتمام لأدائها الرائع في مجالات مثل تحليل الشبكات الاجتماعية والتنبؤ بحركة المرور. ترجع القدرة العالية لشبكات GNN أساسًا إلى ثبات التقليب والاتصال المحلي. ومع ذلك، فإن تطبيقها في التنبؤ بأسعار الأصول لا يزال غير مستكشف نسبيا. هنا، نقوم بالتحقيق في فعالية GNNs في التنبؤ بأسعار الأصول المالية المتعددة بشكل مشترك، مع التركيز بشكل خاص على أسواق الصرف الأجنبي (الفوركس) والعملات المشفرة. نحن نستخدم إطاري GNN المكانيين والزمانيين: MTGNN وStemGNN حيث يتم التعرف على كلاهما لأدائهما المتطور في التنبؤ بالسلاسل الزمنية متعددة المتغيرات. كلا النموذجين قادران بشكل فريد على تحويل بيانات السلاسل الزمنية إلى رسوم بيانية، والتقاط التبعيات المكانية والزمانية. تتفوق كلتا الطريقتين بشكل كبير على LSTM في التنبؤ بأسعار الأصول المالية، خاصة في الأسواق شديدة التقلب مثل العملات المشفرة. ومع ذلك، فإن فرق الأداء بين هذه الأساليب متعددة المتغيرات المستندة إلى GNN وLSTM أقل وضوحًا بالنسبة لسوق الفوركس الأقل تقلبًا من العملات المشفرة. إن القدرة على نمذجة الترابط بين الأصول المتعددة مؤقتًا ومكانيًا هي السبب الرئيسي وراء تفوق StemGNN وMTGNN على LSTM. من خلال سلسلة من التجارب واستراتيجيات الاختبار الخلفي، نقوم بتقييم القوة التنبؤية وربحية هذه النماذج في بناء المحفظة. يمكن العثور على الكود الخاص بنا على https://github.com/seferlab/temporal_gnn. Geleneksel tahmin yaklaşımları, bu varlıklar arasındaki uzaysal-zamansal-zamansal bağımlılıkları tam olarak hesaba katmadığı için, varlıklar arasındaki bu bağımlılıkları göz ardı edebilir. GNN, çizge Sinir Ağları (GNN), çışitli veri türlerindeki karmaşık ilişkisel bağımlılıkları modellemek için güçlü bir araç olarak öne çıkmış ve son zamanlarda sosyal ağ analizi ve trafik tahmini gibi alanlarda gösterdikleri olağanüstü Performanceanslarla dikkat çekmiştir. GNN'lerin bu yüksek kapasitesi، özellikle permutasyona karşı değişmezliği yerel bağlantıları sayesindedir. Ancak, varlık fiyat tahminindeki uygulamaları hala Yeterince araştırılmamıştır. بفضل هذه المزايا، فإن خدمات Döviz (الفوركس) وKripto Para piyasalarını هي تلك التي يتم توفيرها، حيث يتم توفير التمويل المالي من خلال GNN'lerin etkinliğini incelemekteyiz. لقد تم تجميد الوقت الذي تم فيه تجميد الأداء والتشغيل عبر الإنترنت بواسطة GNN yapısı olan MTGNN و StemGNN'i çalıştırıyoruz. Her iki model de zaman serisi verilerini çizgeye dönüştürme ve hem uzaysal hem de zamansal bağımlılıkları yakalama konusunda benzersiz Yeteneklere sahiptir. إن Özellikle Kripto Para gibi يستحق هذا العناء من خلال توفير التمويل اللازم لـ LSTM'den Belirgin şekilde üstün Performances göstermektedir. Bununla birlikte، GNN tabanlı yöntemler ile LSTM arasındaki الأداء المتميز، Kripto Para piyasasına göre daha az değişken olan Döviz piyasası için daha az belirgindir. يتم تقديم العروض التقديمية في الوقت المحدد من قبل وكلاء varlıklar arasındaki karşılıklı bağımlılıkları من uzay boyutunda modelleyebilme Yetenekleri، وStemGNN وMTGNN'nin LSTM'den. Burada, bir dizi deney ve geriye dönük test stratejisi aracılığıyla, bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını inceliyoruz. Kodlarımız şu adresse yer almaktadır: https://github.com/seferlab/temporal_gnn. |
