بازگشت به جستجو

پیش‌بینی قیمت دارایی‌های مالی با مدل‌های یادگیری عمیق زمانی مبتنی بر شبکه عصبی نموداری

عنوان	پیش‌بینی قیمت دارایی‌های مالی با مدل‌های یادگیری عمیق زمانی مبتنی بر شبکه عصبی نموداری
نویسنده	اویگون، یاسین
تاریخ انتشار:	2024
موضوع	تئوری نمودار، تحلیل ترکیبی، یادگیری عمیق (یادگیری ماشین)، یادگیری ماشین، تحلیل سری زمانی، ریسک مالی، مدل های ریاضی، مهندسی کامپیوتر
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	48fb9add-30ac-4eba-91f8-b8df2cae35a8
محل کتابخانه	گروه علوم کامپیوتر
تاریخ	2024
متن نمونه	تغییرات چندگانه قیمت دارایی های مالی در طول زمان را می توان با ماهیت پیچیده آنها و وابستگی متقابل بین آنها مشخص کرد. رویکردهای پیش‌بینی سنتی‌تر ممکن است وابستگی‌های متقابل بین این دارایی‌ها را نادیده بگیرند، زیرا ممکن است وابستگی‌های مکانی-زمانی بین آنها را به طور کامل در نظر نگیرند. شبکه‌های عصبی نموداری (GNN) به عنوان ابزاری قدرتمند برای مدل‌سازی وابستگی‌های رابطه‌ای پیچیده در انواع داده‌های مختلف ظاهر شده‌اند و اخیراً به دلیل عملکرد قابل‌توجه خود در زمینه‌هایی مانند تحلیل شبکه‌های اجتماعی و پیش‌بینی ترافیک توجه بیشتری را به خود جلب کرده‌اند. قابلیت بالای GNN ها عمدتاً به دلیل جایگشت - تغییرناپذیری و اتصال محلی آنها است. با این حال، کاربرد آنها در پیش بینی قیمت دارایی نسبتا ناشناخته باقی مانده است. در اینجا، ما به بررسی اثربخشی GNN ها در پیش بینی قیمت چند دارایی مالی به طور مشترک، به ویژه با تمرکز بر بازارهای ارز خارجی (فارکس) و ارزهای دیجیتال می پردازیم. ما از دو چارچوب مکانی-زمانی GNN استفاده می‌کنیم: MTGNN و StemGNN که هر دو به دلیل عملکرد پیشرفته‌شان در پیش‌بینی سری‌های زمانی چند متغیره شناخته می‌شوند. هر دو مدل به طور منحصر به فردی قادر به تبدیل داده های سری زمانی به نمودارها و گرفتن وابستگی های مکانی و زمانی هستند. هر دو روش به طور قابل توجهی از LSTM در پیش بینی قیمت دارایی های مالی، به ویژه در بازارهای بسیار پر نوسان مانند ارزهای دیجیتال، بهتر عمل می کنند. با این حال، تفاوت عملکرد بین این رویکردهای چند متغیره مبتنی بر GNN و LSTM برای بازار فارکس که نوسانات کمتری نسبت به ارزهای دیجیتال دارد، کمتر آشکار است. توانایی مدل‌سازی وابستگی‌های متقابل بین دارایی‌های چندگانه هم از نظر زمانی و هم از نظر مکانی دلیل اصلی عملکرد بهتر StemGNN و MTGNN از LSTM است. از طریق یک سری آزمایش‌ها و استراتژی‌های بک‌آزمایی، ما قدرت پیش‌بینی و سودآوری این مدل‌ها را در ساخت نمونه کارها ارزیابی می‌کنیم. کد ما را می توانید در https://github.com/seferlab/temporal_gnn.، Çoklu finansal varlıkların zaman içindeki fiyat değişimleri، bu varlıkların karmaşık doğaları ve birbirlerine bağımlılıkları ile tanımlanabilir پیدا کنید. Geleneksel tahmin yaklaşımları, bu varlıklar arasındaki uzaysal-zamansal bağımlılıkları تام اولاراک حسابا کاتمادığı için، varlıklar arasındaki بو باغیملیکلاری گؤز آردی ادبیلیر. Çizge Sinir Ağları (GNN), çeşitli veri türlerindeki karmaşık ilişkisel bağımlılıkları modellemek için güçlü bir araç olarak öne çıkmış ve son zamanlarda social ağı analizi ve trafik tahmini gibi alanlaridağlıkları çekmiştir. GNN'lerin bu yüksek kapasitesi، özellikle permutasyona karşı değişmezliği ve yerel bağlantıları sayesindedir. Ancak, varlık fiyat tahminindeki uygulamaları hala yeterince araştırılmamıştır. Bu çalışmada، özellikle Döviz (Forex) ve Kripto Para piyasalarını ele alarak، çoklu finansal varlık fiyatlarının tahmininde GNN'lerin etkinliğini incelemekteyiz. Çok değişkenli zaman serilerinin tahmininde en gelişmiş performanslarıyla bilinen iki uzaysal-zamansal GNN yapısı olan MTGNN ve StemGNN'i çalıştırıyoruz. هر ایکی مدل د زمان سریسی وریلرینی چیزگهیه دونوشتورمه و هم اوزایسال هم د زامانسال باغیملیلیکلاری یاکالاما کونوسوندا بنزرسیز یتنکلره ساهیپتیر. Özellikle Kripto Para gibi son derece değişken piyasalarda bu iki yöntem de finansal varlık fiyatı tahmininde LSTM'den belirgin şekilde üstün performans göstermektedir. Bununla birlikte، GNN tabanlı çok değişkenli yöntemler ile LSTM arasındaki performans farkı، Kripto Para piyasasına göre daha az değişken olan Döviz piyasası için daha az belirgindir. Çoklu varlıklar arasındaki karşılıklı bağımlılıkları hem zaman hem de uzay boyutunda modelleyebilme yetenekleri, StemGNN ve MTGNN'nin LSTM'den üstün performans göstermesinin ana sebebidir. Burada، bir dizi deney ve geriye dönük test stratejisi aracılığıyla، bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını inceliyoruz. Kodlarımız şu adreste yer almaktadır: https://github.com/seferlab/temporal_gnn.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی

دانشگاه اوزیغین

پیش‌بینی قیمت دارایی‌های مالی با مدل‌های یادگیری عمیق زمانی مبتنی بر شبکه عصبی نموداری

نویسنده اویگون، یاسین

تاریخ انتشار 2024

موضوع تئوری نمودار، تحلیل ترکیبی، یادگیری عمیق (یادگیری ماشین)، یادگیری ماشین، تحلیل سری زمانی، ریسک مالی، مدل های ریاضی، مهندسی کامپیوتر

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 48fb9add-30ac-4eba-91f8-b8df2cae35a8

محل کتابخانه گروه علوم کامپیوتر

تاریخ 2024

متن نمونه تغییرات چندگانه قیمت دارایی های مالی در طول زمان را می توان با ماهیت پیچیده آنها و وابستگی متقابل بین آنها مشخص کرد. رویکردهای پیش‌بینی سنتی‌تر ممکن است وابستگی‌های متقابل بین این دارایی‌ها را نادیده بگیرند، زیرا ممکن است وابستگی‌های مکانی-زمانی بین آنها را به طور کامل در نظر نگیرند. شبکه‌های عصبی نموداری (GNN) به عنوان ابزاری قدرتمند برای مدل‌سازی وابستگی‌های رابطه‌ای پیچیده در انواع داده‌های مختلف ظاهر شده‌اند و اخیراً به دلیل عملکرد قابل‌توجه خود در زمینه‌هایی مانند تحلیل شبکه‌های اجتماعی و پیش‌بینی ترافیک توجه بیشتری را به خود جلب کرده‌اند. قابلیت بالای GNN ها عمدتاً به دلیل جایگشت - تغییرناپذیری و اتصال محلی آنها است. با این حال، کاربرد آنها در پیش بینی قیمت دارایی نسبتا ناشناخته باقی مانده است. در اینجا، ما به بررسی اثربخشی GNN ها در پیش بینی قیمت چند دارایی مالی به طور مشترک، به ویژه با تمرکز بر بازارهای ارز خارجی (فارکس) و ارزهای دیجیتال می پردازیم. ما از دو چارچوب مکانی-زمانی GNN استفاده می‌کنیم: MTGNN و StemGNN که هر دو به دلیل عملکرد پیشرفته‌شان در پیش‌بینی سری‌های زمانی چند متغیره شناخته می‌شوند. هر دو مدل به طور منحصر به فردی قادر به تبدیل داده های سری زمانی به نمودارها و گرفتن وابستگی های مکانی و زمانی هستند. هر دو روش به طور قابل توجهی از LSTM در پیش بینی قیمت دارایی های مالی، به ویژه در بازارهای بسیار پر نوسان مانند ارزهای دیجیتال، بهتر عمل می کنند. با این حال، تفاوت عملکرد بین این رویکردهای چند متغیره مبتنی بر GNN و LSTM برای بازار فارکس که نوسانات کمتری نسبت به ارزهای دیجیتال دارد، کمتر آشکار است. توانایی مدل‌سازی وابستگی‌های متقابل بین دارایی‌های چندگانه هم از نظر زمانی و هم از نظر مکانی دلیل اصلی عملکرد بهتر StemGNN و MTGNN از LSTM است. از طریق یک سری آزمایش‌ها و استراتژی‌های بک‌آزمایی، ما قدرت پیش‌بینی و سودآوری این مدل‌ها را در ساخت نمونه کارها ارزیابی می‌کنیم. کد ما را می توانید در https://github.com/seferlab/temporal_gnn.، Çoklu finansal varlıkların zaman içindeki fiyat değişimleri، bu varlıkların karmaşık doğaları ve birbirlerine bağımlılıkları ile tanımlanabilir پیدا کنید. Geleneksel tahmin yaklaşımları, bu varlıklar arasındaki uzaysal-zamansal bağımlılıkları تام اولاراک حسابا کاتمادığı için، varlıklar arasındaki بو باغیملیکلاری گؤز آردی ادبیلیر. Çizge Sinir Ağları (GNN), çeşitli veri türlerindeki karmaşık ilişkisel bağımlılıkları modellemek için güçlü bir araç olarak öne çıkmış ve son zamanlarda social ağı analizi ve trafik tahmini gibi alanlaridağlıkları çekmiştir. GNN'lerin bu yüksek kapasitesi، özellikle permutasyona karşı değişmezliği ve yerel bağlantıları sayesindedir. Ancak, varlık fiyat tahminindeki uygulamaları hala yeterince araştırılmamıştır. Bu çalışmada، özellikle Döviz (Forex) ve Kripto Para piyasalarını ele alarak، çoklu finansal varlık fiyatlarının tahmininde GNN'lerin etkinliğini incelemekteyiz. Çok değişkenli zaman serilerinin tahmininde en gelişmiş performanslarıyla bilinen iki uzaysal-zamansal GNN yapısı olan MTGNN ve StemGNN'i çalıştırıyoruz. هر ایکی مدل د زمان سریسی وریلرینی چیزگهیه دونوشتورمه و هم اوزایسال هم د زامانسال باغیملیلیکلاری یاکالاما کونوسوندا بنزرسیز یتنکلره ساهیپتیر. Özellikle Kripto Para gibi son derece değişken piyasalarda bu iki yöntem de finansal varlık fiyatı tahmininde LSTM'den belirgin şekilde üstün performans göstermektedir. Bununla birlikte، GNN tabanlı çok değişkenli yöntemler ile LSTM arasındaki performans farkı، Kripto Para piyasasına göre daha az değişken olan Döviz piyasası için daha az belirgindir. Çoklu varlıklar arasındaki karşılıklı bağımlılıkları hem zaman hem de uzay boyutunda modelleyebilme yetenekleri, StemGNN ve MTGNN'nin LSTM'den üstün performans göstermesinin ana sebebidir. Burada، bir dizi deney ve geriye dönük test stratejisi aracılığıyla، bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını inceliyoruz. Kodlarımız şu adreste yer almaktadır: https://github.com/seferlab/temporal_gnn.