سعر الأصول العميق القائم على المحولات والتنبؤ بالاتجاه
| العنوان | سعر الأصول العميق القائم على المحولات والتنبؤ بالاتجاه |
|---|---|
| المؤلف | جيزيجي، عبد الخالق باتور، سيفر، إمري |
| تاريخ النشر: | 2024 |
| مكان النشر | - IEEE |
| الموضوع | التنبؤ بأسعار الأصول، الاهتمام، هندسة الكمبيوتر، الرؤية الحاسوبية، الشبكة العصبية التلافيفية، الشبكات العصبية التلافيفية، التعلم العميق، تحليل المهام، تحليل السلاسل الزمنية، المحولات، محولات الرؤية |
| النوع | دورية |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 2169-3536 |
| رقم السجل | 72948ee6-3abd-46ef-ad41-42fb2dd672ab |
| موقع المكتبة | علوم الكمبيوتر |
| التاريخ | 2024 |
| نص عينة | لقد حظي مجال التداول الخوارزمي، مدفوعًا بمنهجيات التعلم العميق، باهتمام كبير في الآونة الأخيرة. ضمن هذا المجال، ظهرت المحولات والشبكات العصبية التلافيفية والتقنيات القائمة على تضمين التصحيح كخيارات شائعة داخل مجتمع الرؤية الحاسوبية. هنا، مستوحاة من أحدث منهجيات الرؤية الحاسوبية المتطورة والعمل الحالي الذي يوضح القدرة على التحويل الشبيه بالصور لمجموعات بيانات السلاسل الزمنية، نحن نطبق أساليب أكثر تقدمًا تعتمد على المحولات والتصحيح للتنبؤ بأسعار الأصول وحركات الأسعار الاتجاهية. تشمل نماذج المحولات المستخدمة محولات الرؤية (ViT)، ومحولات الصور ذات كفاءة البيانات (DeiT)، وSwin. نحن نستخدم ConvMixer لبنية الشبكة العصبية التلافيفية القائمة على التضمين بدون محول. تهدف منهجياتنا المعتمدة على المحولات والتصحيح إلى التنبؤ بأسعار الأصول والحركات الاتجاهية باستخدام بيانات الأسعار التاريخية من خلال الاستفادة من الخصائص المشابهة للصور ضمن مجموعة بيانات السلاسل الزمنية التاريخية. قبل تنفيذ البنى القائمة على الاهتمام، يتم تحويل مجموعة بيانات أسعار السلاسل الزمنية التاريخية إلى صور ثنائية الأبعاد. يتم تسهيل هذا التحول من خلال دمج العديد من المؤشرات المالية الفنية المشتركة، حيث يساهم كل منها في البيانات لعدد محدد من الأيام المتتالية. وبالتالي، يتم إنشاء مجموعة متنوعة من الصور ثنائية الأبعاد، مما يعكس أبعادًا مختلفة لمجموعة البيانات. بعد ذلك، يتم إضافة تعليقات توضيحية إلى الصور الأصلية التي تصور وديان السوق وقممه بتسميات مثل Hold أو Buy أو Sell. ووفقا للتجارب، فإن النماذج المدربة القائمة على الاهتمام تتفوق باستمرار على البنى التلافيفية الأساسية، لا سيما عند تطبيقها على مجموعة فرعية من الصناديق المتداولة في البورصة (ETFs) المتداولة بشكل متكرر. ويتجلى هذا الأداء الأفضل للبنى القائمة على الاهتمام، وخاصة ViT، من حيث الدقة ومقاييس التقييم المالي الأخرى، خاصة أثناء فترات الاختبار والاحتفاظ الممتدة. تؤكد هذه النتائج على إمكانات الأساليب القائمة على المحولات لتعزيز القدرات التنبؤية في أسعار الأصول والتنبؤ الاتجاهي. التعليمات البرمجية ومجموعات البيانات المعالجة لدينا متاحة على https://github.com/seferlab/price_transformer. |
| DOI | 10.1109/ACCESS.2024.3358452 |
| Cilt | 12 |
