قیمت دارایی و پیشبینی جهت از طریق ترانسفورماتور دو بعدی عمیق و شبکههای عصبی کانولوشنال
| عنوان | قیمت دارایی و پیشبینی جهت از طریق ترانسفورماتور دو بعدی عمیق و شبکههای عصبی کانولوشنال |
|---|---|
| نویسنده | Tuncer، Tuna، Kaya، Uygar، Sefer، Emre، Alacam، Onur، Hoser، Tuğcan |
| تاریخ انتشار: | 2022-11-02 |
| محل انتشار | - ACM |
| موضوع | توجه، شبکه های عصبی کانولوشن، یادگیری عمیق، پیش بینی قیمت سهام، ترانسفورماتورها |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 978-1-4503-9376-8 |
| شماره ثبت | e1120373-85f5-4398-a694-e8f270ed89dc |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2022-11-02 |
| متن نمونه | تجارت الگوریتمی مبتنی بر هوش مصنوعی اخیراً توجه بیشتری را به خود جلب کرده است. در میان تکنیکها، روشهای مبتنی بر یادگیری عمیق مانند ترانسفورماتورها، شبکههای عصبی کانولوشن، و رویکردهای تعبیه پچ در بین محققان بینایی کامپیوتر بسیار محبوب شدهاند. در این تحقیق با الهام از جدیدترین روشهای بینایی کامپیوتری، ما به 2 رویکرد DAPP (پیشبینی قیمت مبتنی بر توجه عمیق) و DPPP (پیشبینی قیمت مبتنی بر پچ عمیق) دست یافتهایم که به ترتیب مبتنی بر ترانسفورماتورهای بینایی و شبکههای عصبی کانولوشن مبتنی بر تعبیه پچ هستند و به ترتیب برای پیشبینی قیمت دادههای جهت تاریخی بهعنوان پیشبینی قیمت دادههای تاریخی به عنوان قیمت مجموعهای از تصویر. مجموعه داده سری زمانی قبل از اعمال معماری مبتنی بر توجه، ما مجموعهای از مجموعههای قیمت سریهای زمانی تاریخی را با استفاده از تعداد مختلفی از شاخصهای فنی مختلف به تصاویر دو بعدی تبدیل کردهایم. هر نشانگر داده برای تعداد ثابتی از روز ایجاد می کند. بنابراین، ما تصاویر دو بعدی با ابعاد مختلف می سازیم. سپس، از درهها و تپههای تصاویر اصلی استفاده میکنیم تا هر تصویر را بهعنوان نگهداری، خرید یا فروش برچسبگذاری کنیم. ما متوجه شدیم که مدلهای مبتنی بر توجه آموزشدیده ما اغلب نتایج بهتری را برای ETFها در مقایسه با معماریهای کانولوشنال پایه از نظر معیارهای دقت و تحلیل مالی در طول دورههای آزمایش طولانیتر ارائه میدهند. |
| DOI | 10.1145/3533271.3561738 |
