بازگشت به جستجو

پیش‌بینی جهت و قیمت دارایی مبتنی بر ترانسفورماتور عمیق

عنوان	پیش‌بینی جهت و قیمت دارایی مبتنی بر ترانسفورماتور عمیق
نویسنده	گزیجی، عبدالحلوک باتور
تاریخ انتشار:	2024
موضوع	یادگیری عمیق (یادگیری ماشین)، ارزهای دیجیتال، بیت کوین، امور مالی، مدل های ریاضی، هوش مصنوعی، برنامه های کاربردی مالی
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	9637baaa-9e29-46be-adb2-c4b9735262b7
محل کتابخانه	دپارتمان هوش مصنوعی
تاریخ	2024
متن نمونه	حوزه تجارت الگوریتمی که توسط روش های یادگیری عمیق هدایت می شود، در زمان های اخیر توجه قابل توجهی را به خود جلب کرده است. در این حوزه، ترانسفورماتورها، شبکه‌های عصبی کانولوشن، و تکنیک‌های مبتنی بر تعبیه پچ به‌عنوان گزینه‌های محبوب در جامعه بینایی رایانه ظاهر شده‌اند. در اینجا، با الهام از آخرین روش‌های بینایی کامپیوتری پیشرفته و کار موجود که قابلیت تبدیل تصویر مانند را برای مجموعه داده‌های سری زمانی نشان می‌دهد، ما رویکردهای پیشرفته‌تری مبتنی بر ترانسفورماتور و مبتنی بر وصله را برای پیش‌بینی قیمت دارایی‌ها و حرکات قیمت جهت‌دار اعمال می‌کنیم. مدل‌های ترانسفورماتور مورد استفاده شامل Vision Transformer (ViT)، Transformer Image Efficient Data (DeiT) و Swin هستند. ما از ConvMixer برای معماری شبکه عصبی کانولوشنال مبتنی بر تعبیه پچ بدون ترانسفورماتور استفاده می کنیم. هدف روش‌های مبتنی بر ترانسفورماتور و پچ آزمایش‌شده ما پیش‌بینی قیمت دارایی‌ها و حرکات جهت‌دهی با استفاده از داده‌های قیمت تاریخی با اعمال نفوذ ویژگی‌های تصویر مانند درون مجموعه داده‌های سری زمانی تاریخی است. قبل از پیاده‌سازی معماری‌های مبتنی بر توجه، مجموعه داده‌های قیمت سری زمانی تاریخی به تصاویر دو بعدی تبدیل می‌شوند. این دگرگونی از طریق ادغام شاخص‌های مالی فنی مشترک مختلف، که هر کدام در تعداد ثابتی از روزهای متوالی به داده‌ها کمک می‌کنند، تسهیل می‌شود. در نتیجه، مجموعه ای متنوع از تصاویر دو بعدی ساخته می شود که ابعاد مختلف مجموعه داده را منعکس می کند. پس از آن، تصاویر اصلی که دره‌ها و قله‌های بازار را به تصویر می‌کشند با برچسب‌هایی مانند نگه‌داشتن، خرید یا فروش علامت‌گذاری می‌شوند. با توجه به آزمایش‌ها، مدل‌های مبتنی بر توجه آموزش‌دیده، به‌طور مداوم عملکرد بهتری نسبت به معماری کانولوشنال پایه دارند، به‌ویژه زمانی که برای زیرمجموعه‌ای از صندوق‌های قابل معامله در بورس (ETF) استفاده می‌شوند. این عملکرد بهتر معماری‌های مبتنی بر توجه، به‌ویژه ViT، از نظر دقت و سایر معیارهای ارزیابی مالی، به‌ویژه در طول دوره‌های طولانی آزمایش و نگهداری، مشهود است. این یافته ها بر پتانسیل رویکردهای مبتنی بر ترانسفورماتور برای افزایش قابلیت های پیش بینی در قیمت دارایی و پیش بینی جهت دار تاکید می کند. بو آلاندا، د¨ون¨u¸st¨ur¨uc¨uler، evri¸simli sinir a˘gları ve yama g¨omme tabanlı teknikler bilgisayarla g¨orme toplulu˘gu i¸cinde pop¨uler se¸cenekler olarak ortaya. Burada, en yeni bilgisayarla g¨orme metodolojilerinden ve zaman serisi veri k¨umeleri i¸cin g¨or¨unt¨u benzeri d¨on¨u¸s¨um yetene˘gini g¨osteren mev cut ¸calı¸smalardan,ılsin. y¨onl¨u fiyat hareketlerini tahmin etmek i¸cin daha geli¸smi¸s d¨on¨u¸st¨ur¨uc¨u tabanlı ve yama tabanlı yakla¸sımlar uyguluy oruz. Kullanılan d¨on¨u¸st¨ur¨uc¨u modelleri arasında Vision Transformer (ViT)، Transformers Image Efficient Data (DeiT) و Swin bulunmaktadır. D¨on¨u¸st¨ur¨uc¨us¨uz yama g¨omme tabanlı bir evri¸simsel sinir a˘gı mimarisi i¸cin ConvMixer kullanıyoruz. تست edilen d¨on¨u¸st¨ur¨uc¨u tabanlı ve yama tabanlı metodolojilerimiz, ge¸cmi¸s zaman serisi veri k¨umesindeki do˘gal g¨or¨unt¨u benzeri ¨ozelliklerden yararlanarakleri varlık fiyatlarını ve y¨on hareketlerini tahmin etmeyi ama¸clamaktadır. Dikkat tabanlı mimarilerin uygulanmasından ¨یک بار، tarihsel zaman serisi fiyat veri seti iki boyutlu g¨or¨unt¨ulere d¨on¨u¸st¨ur¨ul¨ur. بو d¨on¨u¸s¨um، her biri sabit sayıda ardı¸sık g¨un i¸cin verilere katkıda bulunan ¸ce¸sitli ortak teknik finansal g¨ostergelerin dahil edilme siyle kolayla¸stırılmı¸stır. سونو ¸ سی اولارک، ویری ستینین ¸ce¸sitli بویوتلارینی یانسیتان فرکلی بیر ایکی بویوتلو گ¨ور¨نت¨و ستی اولو استورولمو¸ستور. داها سونرا، پییاسا وادیلرینی و زیرولرینی گ¨استرن اوریجینال گ¨ور¨نت¨ولره توت، آل ویا سات گیبی اتیکتلر اکلنمی¸استیر. Deneylere g¨ore، e˘gitilmi¸s dikkat tabanlı modeller، ¨ozellikle sık i¸slem g¨oren Borsa Yatırım Fon larının (ETF’ler) bir alt k¨umesine uygulandı˘gında، temel konvolmarihahrans i¨usyonel اجرا می کند. g¨ostermektedir. Dikkat tabanlı mimarilerin, ¨ozellikle de ViT’nin bu daha iyi performansı, ¨ozellikle uzun test ve bekletme s¨ureleri boyunca hem do˘gruluk hem de di˘ger finansal de˘gerlendirme ¨ol¸c¨utleri adan lisıc. بو بولگولار، د¨ون¨u¸st¨ur¨uc¨u tabanlı yakla¸sımların varlık fiyatı ve y¨on tah mininde ¨ong¨or¨u yeteneklerini geli¸stirme potansiyelinin altınek ¸cizm.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

پیش‌بینی جهت و قیمت دارایی مبتنی بر ترانسفورماتور عمیق

نویسنده گزیجی، عبدالحلوک باتور

تاریخ انتشار 2024

موضوع یادگیری عمیق (یادگیری ماشین)، ارزهای دیجیتال، بیت کوین، امور مالی، مدل های ریاضی، هوش مصنوعی، برنامه های کاربردی مالی

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 9637baaa-9e29-46be-adb2-c4b9735262b7

محل کتابخانه دپارتمان هوش مصنوعی

تاریخ 2024

متن نمونه حوزه تجارت الگوریتمی که توسط روش های یادگیری عمیق هدایت می شود، در زمان های اخیر توجه قابل توجهی را به خود جلب کرده است. در این حوزه، ترانسفورماتورها، شبکه‌های عصبی کانولوشن، و تکنیک‌های مبتنی بر تعبیه پچ به‌عنوان گزینه‌های محبوب در جامعه بینایی رایانه ظاهر شده‌اند. در اینجا، با الهام از آخرین روش‌های بینایی کامپیوتری پیشرفته و کار موجود که قابلیت تبدیل تصویر مانند را برای مجموعه داده‌های سری زمانی نشان می‌دهد، ما رویکردهای پیشرفته‌تری مبتنی بر ترانسفورماتور و مبتنی بر وصله را برای پیش‌بینی قیمت دارایی‌ها و حرکات قیمت جهت‌دار اعمال می‌کنیم. مدل‌های ترانسفورماتور مورد استفاده شامل Vision Transformer (ViT)، Transformer Image Efficient Data (DeiT) و Swin هستند. ما از ConvMixer برای معماری شبکه عصبی کانولوشنال مبتنی بر تعبیه پچ بدون ترانسفورماتور استفاده می کنیم. هدف روش‌های مبتنی بر ترانسفورماتور و پچ آزمایش‌شده ما پیش‌بینی قیمت دارایی‌ها و حرکات جهت‌دهی با استفاده از داده‌های قیمت تاریخی با اعمال نفوذ ویژگی‌های تصویر مانند درون مجموعه داده‌های سری زمانی تاریخی است. قبل از پیاده‌سازی معماری‌های مبتنی بر توجه، مجموعه داده‌های قیمت سری زمانی تاریخی به تصاویر دو بعدی تبدیل می‌شوند. این دگرگونی از طریق ادغام شاخص‌های مالی فنی مشترک مختلف، که هر کدام در تعداد ثابتی از روزهای متوالی به داده‌ها کمک می‌کنند، تسهیل می‌شود. در نتیجه، مجموعه ای متنوع از تصاویر دو بعدی ساخته می شود که ابعاد مختلف مجموعه داده را منعکس می کند. پس از آن، تصاویر اصلی که دره‌ها و قله‌های بازار را به تصویر می‌کشند با برچسب‌هایی مانند نگه‌داشتن، خرید یا فروش علامت‌گذاری می‌شوند. با توجه به آزمایش‌ها، مدل‌های مبتنی بر توجه آموزش‌دیده، به‌طور مداوم عملکرد بهتری نسبت به معماری کانولوشنال پایه دارند، به‌ویژه زمانی که برای زیرمجموعه‌ای از صندوق‌های قابل معامله در بورس (ETF) استفاده می‌شوند. این عملکرد بهتر معماری‌های مبتنی بر توجه، به‌ویژه ViT، از نظر دقت و سایر معیارهای ارزیابی مالی، به‌ویژه در طول دوره‌های طولانی آزمایش و نگهداری، مشهود است. این یافته ها بر پتانسیل رویکردهای مبتنی بر ترانسفورماتور برای افزایش قابلیت های پیش بینی در قیمت دارایی و پیش بینی جهت دار تاکید می کند. بو آلاندا، د¨ون¨u¸st¨ur¨uc¨uler، evri¸simli sinir a˘gları ve yama g¨omme tabanlı teknikler bilgisayarla g¨orme toplulu˘gu i¸cinde pop¨uler se¸cenekler olarak ortaya. Burada, en yeni bilgisayarla g¨orme metodolojilerinden ve zaman serisi veri k¨umeleri i¸cin g¨or¨unt¨u benzeri d¨on¨u¸s¨um yetene˘gini g¨osteren mev cut ¸calı¸smalardan,ılsin. y¨onl¨u fiyat hareketlerini tahmin etmek i¸cin daha geli¸smi¸s d¨on¨u¸st¨ur¨uc¨u tabanlı ve yama tabanlı yakla¸sımlar uyguluy oruz. Kullanılan d¨on¨u¸st¨ur¨uc¨u modelleri arasında Vision Transformer (ViT)، Transformers Image Efficient Data (DeiT) و Swin bulunmaktadır. D¨on¨u¸st¨ur¨uc¨us¨uz yama g¨omme tabanlı bir evri¸simsel sinir a˘gı mimarisi i¸cin ConvMixer kullanıyoruz. تست edilen d¨on¨u¸st¨ur¨uc¨u tabanlı ve yama tabanlı metodolojilerimiz, ge¸cmi¸s zaman serisi veri k¨umesindeki do˘gal g¨or¨unt¨u benzeri ¨ozelliklerden yararlanarakleri varlık fiyatlarını ve y¨on hareketlerini tahmin etmeyi ama¸clamaktadır. Dikkat tabanlı mimarilerin uygulanmasından ¨یک بار، tarihsel zaman serisi fiyat veri seti iki boyutlu g¨or¨unt¨ulere d¨on¨u¸st¨ur¨ul¨ur. بو d¨on¨u¸s¨um، her biri sabit sayıda ardı¸sık g¨un i¸cin verilere katkıda bulunan ¸ce¸sitli ortak teknik finansal g¨ostergelerin dahil edilme siyle kolayla¸stırılmı¸stır. سونو ¸ سی اولارک، ویری ستینین ¸ce¸sitli بویوتلارینی یانسیتان فرکلی بیر ایکی بویوتلو گ¨ور¨نت¨و ستی اولو استورولمو¸ستور. داها سونرا، پییاسا وادیلرینی و زیرولرینی گ¨استرن اوریجینال گ¨ور¨نت¨ولره توت، آل ویا سات گیبی اتیکتلر اکلنمی¸استیر. Deneylere g¨ore، e˘gitilmi¸s dikkat tabanlı modeller، ¨ozellikle sık i¸slem g¨oren Borsa Yatırım Fon larının (ETF’ler) bir alt k¨umesine uygulandı˘gında، temel konvolmarihahrans i¨usyonel اجرا می کند. g¨ostermektedir. Dikkat tabanlı mimarilerin, ¨ozellikle de ViT’nin bu daha iyi performansı, ¨ozellikle uzun test ve bekletme s¨ureleri boyunca hem do˘gruluk hem de di˘ger finansal de˘gerlendirme ¨ol¸c¨utleri adan lisıc. بو بولگولار، د¨ون¨u¸st¨ur¨uc¨u tabanlı yakla¸sımların varlık fiyatı ve y¨on tah mininde ¨ong¨or¨u yeteneklerini geli¸stirme potansiyelinin altınek ¸cizm.