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، سیفر، امره
تاریخ انتشار:	2024
محل انتشار	- IEEE
موضوع	پیش بینی قیمت دارایی، توجه، معماری کامپیوتر، بینایی کامپیوتر، شبکه عصبی کانولوشن، شبکه های عصبی کانولوشن، یادگیری عمیق، تجزیه و تحلیل وظایف، تحلیل سری زمانی، ترانسفورماتورها، ترانسفورماتورهای دید
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	2169-3536
شماره ثبت	72948ee6-3abd-46ef-ad41-42fb2dd672ab
محل کتابخانه	علوم کامپیوتر
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 مجموعه‌های داده سری زمانی نشان می‌دهد، ما رویکردهای پیشرفته‌تری مبتنی بر ترانسفورماتور و مبتنی بر وصله را برای پیش‌بینی قیمت دارایی‌ها و حرکات جهت‌دار قیمت 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 استفاده از ویژگی‌های تصویر مانند ذاتی در مجموعه داده‌های سری زمانی تاریخی است. قبل از اجرای 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 نشان می‌دهند با برچسب‌هایی مانند نگه داشتن، خرید یا فروش حاشیه‌نویسی می‌شوند. با توجه به آزمایش‌ها، مدل‌های مبتنی بر توجه آموزش‌دیده به‌طور مداوم از معماری‌های کانولوشنال پایه بهتر عمل می‌کنند، 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 یافته‌ها بر پتانسیل رویکردهای مبتنی بر ترانسفورماتور برای افزایش قابلیت‌های پیش‌بینی در قیمت دارایی و پیش‌بینی جهت‌دار تأکید می‌کنند. کد و مجموعه داده های پردازش شده ما در https://github.com/seferlab/price_transformer موجود است.
DOI	10.1109/ACCESS.2024.3358452
Cilt	12

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، سیفر، امره

تاریخ انتشار 2024

محل انتشار - IEEE

موضوع پیش بینی قیمت دارایی، توجه، معماری کامپیوتر، بینایی کامپیوتر، شبکه عصبی کانولوشن، شبکه های عصبی کانولوشن، یادگیری عمیق، تجزیه و تحلیل وظایف، تحلیل سری زمانی، ترانسفورماتورها، ترانسفورماتورهای دید

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 2169-3536

شماره ثبت 72948ee6-3abd-46ef-ad41-42fb2dd672ab

محل کتابخانه علوم کامپیوتر

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 مجموعه‌های داده سری زمانی نشان می‌دهد، ما رویکردهای پیشرفته‌تری مبتنی بر ترانسفورماتور و مبتنی بر وصله را برای پیش‌بینی قیمت دارایی‌ها و حرکات جهت‌دار قیمت 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 استفاده از ویژگی‌های تصویر مانند ذاتی در مجموعه داده‌های سری زمانی تاریخی است. قبل از اجرای 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 نشان می‌دهند با برچسب‌هایی مانند نگه داشتن، خرید یا فروش حاشیه‌نویسی می‌شوند. با توجه به آزمایش‌ها، مدل‌های مبتنی بر توجه آموزش‌دیده به‌طور مداوم از معماری‌های کانولوشنال پایه بهتر عمل می‌کنند، 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 یافته‌ها بر پتانسیل رویکردهای مبتنی بر ترانسفورماتور برای افزایش قابلیت‌های پیش‌بینی در قیمت دارایی و پیش‌بینی جهت‌دار تأکید می‌کنند. کد و مجموعه داده های پردازش شده ما در https://github.com/seferlab/price_transformer موجود است.

DOI 10.1109/ACCESS.2024.3358452

Cilt 12