هوش مصنوعی | متن کامل رایگان | استفاده از الگوریتم های ژنتیک در ارتباط با مدل های ارزش گذاری سهام مبتنی بر شبکه عصبی مصنوعی برای افزایش بهینه سازی تصمیمات سرمایه گذاری سهام

۱٫ معرفی

با توجه به تنوع روزافزون گزینه های سرمایه گذاری، روش ها و اطلاعات سرمایه گذاری متعددی در دسترس است. در این دوره که نرخ بهره پایین است، پاداش نگهداری وجوه در بانک کاهش یافته است. بنابراین، سرمایه گذاران مجبورند به دنبال بازدهی بالاتر سرمایه گذاری خود باشند. ابزارهای سرمایه گذاری زیادی مانند سهام، بیمه، صندوق ها و آتی وجود دارد. بسیاری از سرمایه گذاران به دلیل شفافیت و راحتی اطلاعات بازار سهام، همراه با نقدینگی بالا و پتانسیل بازدهی بالا، سهام را ترجیح می دهند. با این حال، بازده بالاتر اغلب با خطرات بالاتری همراه است. در بازار سهام که به سرعت در حال نوسان است، سرمایه گذاران در صورت نداشتن دانش کافی یا دریافت اطلاعات نادرست می توانند قربانی ریسک بالا شوند. بنابراین، برای سرمایه گذاران داشتن یک استراتژی مالی و سرمایه گذاری مناسب برای تصمیم گیری آگاهانه و دستیابی به بازده بالا بسیار مهم است.

با این وجود، عوامل متعددی بر قیمت سهام تأثیر می‌گذارند که منجر به تغییر در محیط سرمایه‌گذاری و افزایش پیچیدگی می‌شود. حتی سرمایه گذاران باتجربه نمی توانند به طور دقیق حرکت قیمت سهام را پیش بینی کنند. با مجموعه گسترده ای از سهام موجود، انتخاب سهام مناسب برای سرمایه گذاری یک چالش است. تصمیمات سرمایه گذاری بر اساس ترجیحات فردی، اطلاعات دریافتی و تحمل ریسک متفاوت است. با این حال، هدف نهایی برای همه سرمایه گذاران یکسان است – دستیابی به بالاترین بازده با کمترین ریسک.

بسیاری از مطالعات صرفاً بر پرداختن به یک یا دو جنبه، مانند انتخاب سهام، زمان خرید و فروش، یا تخصیص سرمایه تمرکز می‌کنند که فاقد رویکرد جامعی است که در حال حاضر هر سه حوزه کلیدی را در بر گیرد. فقدان یک رویکرد یکپارچه در تحقیقات ممکن است منجر به تلاش سرمایه گذاران برای دستیابی به یک استراتژی سرمایه گذاری جامع شود. علاوه بر این، در حالی که تجزیه و تحلیل بنیادی و تحلیل تکنیکال به طور گسترده در تصمیم گیری سرمایه گذاری استفاده می شود، ادغام موثر آنها همچنان یک چالش است. همزمان، با افزایش حجم داده‌های بازار، توانایی پردازش و تجزیه و تحلیل این داده‌ها بسیار مهم می‌شود، که نیاز به کاوش برای افزایش سرعت و کارایی پردازش داده‌ها برای حمایت از تصمیم‌های سرمایه‌گذاری مؤثر دارد. پر کردن این شکاف های تحقیقاتی به افزایش اثربخشی کلی سرمایه گذاری سهام کمک می کند و ابزارهای قوی تری برای مقابله با چالش های بازار در اختیار سرمایه گذاران قرار می دهد.

اخیراً، تحقیقات در زمینه هوش مصنوعی، با برنامه‌های کاربردی در بخش مالی به تدریج رشد کرده و مطالعات مرتبط به طور مداوم در حال ظهور است. هوش مصنوعی ثابت کرده است که یک ابزار موثر برای تصمیم گیری سرمایه گذاری، به ویژه در حل مسائل بهینه سازی با فضاهای جستجوی بزرگ است. مطالعات بائو [۱]برمودز و همکاران [۲]چانگ چین و همکاران [۳]چانگ و همکاران [۴]چن و همکاران [۵]دستخان و همکاران [۶]فو و همکاران [۷]گورگولهو و همکاران [۸]اشتباه [۹]لیو و همکاران [۱۰]نگ و همکاران [۱۱]اوریتو و همکاران [۱۲]پاپادامو و همکاران [۱۳] و رافائلی و همکاران [۱۴] از الگوریتم‌های ژنتیک برای حل مسائل بهینه‌سازی پورتفولیو استفاده کرده‌اند و بازدهی بالا با ریسک پایین را به دست آورده‌اند.

به طور مشابه، چاوارناکول و همکاران. [۱۵]شما و همکاران [۱۶]کارا و همکاران [۱۷]لازو و همکاران [۱۸]لیو و همکاران [۱۹]ناظمی و همکاران [۲۰] و وارنامی و همکاران [۲۱] از شبکه‌های عصبی برای ساخت الگوریتم‌ها و روش‌های پیش‌بینی مختلف، بحث درباره سودآوری معاملات سهام و دستیابی به بازده اضافی استفاده کرده‌اند. این مطالعات نشان می دهد که هوش مصنوعی در واقع می تواند راه حل های بهینه ای ارائه دهد. قابل ذکر است که الگوریتم های ژنتیک برای به دست آوردن بهترین راه حل رضایت بخش کلی نیازی به فرضیات یا محدودیت های اضافی ندارند. بنابراین، این مطالعه از الگوریتم های ژنتیک در هوش مصنوعی به عنوان پایه ای برای تحقیق استفاده می کند.

مدل Ohlson که در سال ۱۹۹۵ ارائه شد، یک مدل ارزیابی قیمت است که از اطلاعات حسابداری از صورت های مالی استفاده می کند. این مدل می تواند ارزش واقعی یک شرکت را بر اساس متغیرهای تعریف شده تعیین کند. یک رابطه غیرخطی بین این متغیرها و ارزش شرکت وجود دارد. بنابراین، این مطالعه از توانایی یادگیری شبکه‌های عصبی برای شبیه‌سازی روابط بین متغیرها و ارزش شرکت استفاده می‌کند و به تعیین ارزش صحیح شرکت کمک می‌کند. هنگام تصمیم گیری زمان بندی، سرمایه گذاران می توانند ارزش واقعی سهام یک شرکت را با ارزش بازار آن مقایسه کنند و آنها را قادر می سازد تا تصمیمات آگاهانه ای برای خرید یا فروش بگیرند.

از طریق اتخاذ موثر این سه تصمیم کلیدی، سرمایه گذاران می توانند به ریسک قابل توجهی دست یابند. بنابراین، این مطالعه از ویژگی‌های بهینه‌سازی الگوریتم‌های ژنتیک، همراه با اصول تحلیل بنیادی و بهینه‌سازی پرتفوی تکراری، برای جستجوی زمان‌بندی مناسب، انتخاب سهام و استراتژی‌های تخصیص سرمایه استفاده می‌کند. از نظر زمان‌بندی، در حالی که تحقیقات قبلی عمدتاً از تجزیه و تحلیل تکنیکی برای تعیین زمان خرید و فروش استفاده می‌کردند، این مقاله مدل ارزش‌گذاری سهام Ohlson از تحلیل بنیادی را با یادگیری عمیق ادغام می‌کند تا به طور موثر اطلاعات قضاوت زمان‌بندی را ارائه کند، بنابراین به موضوع عقب مانده تحلیل تکنیکال می‌پردازد. در تفکیک زمان برای افزایش سرعت و کارایی پردازش داده های سهام، این مقاله یک روش رمزگذاری الگوریتم ژنتیک ماهرانه را بر اساس اصل بهینه سازی تخصیص منابع از طریق ترکیب با تکرار معرفی می کند. هدف مقابله موثر با چالش های بهینه سازی مرتبط با انتخاب سهام و تخصیص سرمایه در سرمایه گذاری سهام است. از نظر آزمایش، این مطالعه روش تحلیل جامع پیشنهادی را با استراتژی‌های تخصیص سرمایه برابر، TAIEX و شاخص تایوان ۵۰ مقایسه می‌کند. نتایج نشان می دهد که صرف نظر از اینکه بازار سهام تایوان در بازار صعودی یا نزولی قرار دارد، روش پیشنهادی در این مطالعه در واقع می تواند به سرمایه گذاران در تصمیم گیری های سرمایه گذاری برجسته و دستیابی به سود قابل توجه کمک کند.

۲٫ بررسی ادبیات

۲٫۱٫ تحقیق سرمایه گذاری سهام

سرمایه گذاری در بازار سهام مستلزم ارزیابی دقیق ریسک و بازده بالقوه است. برای کاهش ریسک سرمایه گذاری، سرمایه گذاران می توانند سرمایه خود را بین گزینه های مختلف سرمایه گذاری توزیع کنند. یک استراتژی سرمایه گذاری موثر باید شامل انتخاب سهام، زمان سرمایه گذاری و تخصیص سرمایه باشد.

هدف زمان بندی تعیین دقیق ترین لحظه برای خرید یا فروش سهام است. مطالعات مختلف، از جمله مطالعات آلن و همکاران. [۲۲]بداوی و همکاران [۲۳]بائو [۱]چانگ چین و همکاران [۳]چانگ و همکاران [۲۴]هوانگ و همکاران [۲۵]جیانگ و همکاران [۲۶] و Korczak و همکاران. [۲۷] الگوریتم های ژنتیک را با روش های دیگر مانند تحلیل تکنیکال، رگرسیون و ماشین بردار پشتیبان ادغام کرده اند تا فرصت های معاملاتی بهینه بازار سهام را شناسایی کنند. هدف این مطالعات نشان دادن بازدهی چشمگیر از طریق نمایش های تجربی بود. استفاده از الگوریتم‌های ژنتیک برای بهینه‌سازی مدل پیش‌بینی شاخص سهام، همانطور که توسط دو و همکاران نشان داده شده است، مؤثر بوده است. [۱۶]فو و همکاران [۲۸]خان و همکاران [۲۹]شاهین و همکاران [۳۰]شن و همکاران [۳۱]و ورساچه و همکاران [۳۲]. علاوه بر این، جانگ و همکاران. [۳۳]کیم و همکاران [۳۴] و یانگ و همکاران [۳۵] یک سیستم معاملاتی هوشمند سهام را توسعه داده است که از شبکه های عصبی برای پیش بینی قیمت سهام و روند بازار استفاده می کند. برخی از محققان همچنین از الگوریتم‌های ژنتیک برای رسیدگی به مسائل مربوط به همگرایی کند و بازده یادگیری پایین مرتبط با شبکه‌های عصبی استفاده کرده‌اند. محمودی و همکاران [۳۶] از سه مدل مختلف برای پیش‌بینی سیگنال‌های بازار سهام استفاده کرد. دو مدل در پیش بینی زمان فروش بهتر بودند و یکی در پیش بینی زمان خرید بهتر بود. مدل با استفاده از الگوریتم رقابتی امپریالیستی بهترین عملکرد را داشت. سولارس و همکاران [۳۷] از شبکه های عصبی مصنوعی و تحلیل بنیادی برای پیش بینی قیمت سهام آتی استفاده کرد. آنها همچنین از روشی به نام تکامل تفاضلی و تحلیل بنیادی برای انتخاب معقول ترین سهام استفاده کردند. در نهایت از الگوریتم های ژنتیک و تجزیه و تحلیل آماری برای ایجاد بهترین سبد سرمایه گذاری استفاده کردند. آزمون‌ها نشان داد که در اکثر مواقع، روش‌های آنها بهتر از روش‌های استاندارد با معناداری آماری عمل می‌کند.

هدف استراتژی انتخاب، تشخیص اهداف سرمایه گذاری برتر از میان تعداد زیادی از سهام بالقوه است. این فرآیند مستلزم ارزیابی بازده و ریسک مرتبط با سرمایه گذاری سهام است که منجر به شناسایی پرتفوی بهینه می شود. برای افزایش دقت پیش‌بینی قیمت سهام، چنگ و همکاران. [۳۸] یک مدل پیش‌بینی ترکیبی پیشنهاد کرد که الگوریتم‌های ژنتیک را با نظریه مجموعه‌های خشن ادغام می‌کند. این مدل این پتانسیل را دارد که از نظر بازده هم از استراتژی خرید و نگه داشتن و هم از الگوریتم های ژنتیک سنتی بهتر عمل کند. چیو و همکاران [۳۹] ترکیبی از الگوریتم ژنتیک، رگرسیون و تحلیل تکنیکال برای فرموله کردن مدل انتخاب سهام، در نتیجه شناسایی سهام با بازده بالا به عنوان اهداف سرمایه گذاری بالقوه. چون و همکاران [۴۰] و اوه و همکاران [۴۱] استفاده از الگوریتم های ژنتیک، با ادغام یک طراحی تابع تناسب جدید، برای انتخاب اهداف سرمایه گذاری مبتنی بر قیمت سهام. این روش می تواند بدون توجه به نوسانات بازار سهام، بازده ثابتی را به همراه داشته باشد. گلد و همکاران [۴۲] ادغام هوش مصنوعی با تجزیه و تحلیل بنیادی برای بهینه سازی پرتفوی ها، در نتیجه اعتبار کاربردی هوش مصنوعی در حوزه سرمایه گذاری. اوزکالیچی و همکاران [۴۳] از شبکه های عصبی مصنوعی برای انتخاب سهام استفاده کرد. سهامی که آنها انتخاب کردند بهتر از خرید و نگهداری سهام بودند. آنها همچنین از قوانین خاص و شبکه های عصبی مصنوعی برای کمک به سرمایه گذاران در تصمیم گیری و کسب درآمد بیشتر استفاده کردند. یودمون و همکاران [۴۴] روشی را برای انتخاب سهام پیشنهاد کرد که در ابتدا سهام را دسته بندی می کند و سپس وزن سرمایه گذاری را از طریق تحلیل کمی فازی تعیین می کند. پس از آن، سهام بر اساس روش تحلیل سلسله مراتبی فازی رتبه بندی می شوند. سپس سرمایه گذاران می توانند سهام را بر اساس این وزن های سرمایه گذاری نهایی انتخاب کنند. یون و همکاران [۴۵] از یک الگوریتم ژنتیک همراه با مدل‌های رگرسیون یادگیری برای مشخص کردن زیرمجموعه ویژگی ایده‌آل استفاده کرد. هدف آنها افزایش تفسیرپذیری یادگیری عمیق در زمینه پیش‌بینی قیمت سهام بود.

تخصیص سرمایه برای کمک به سرمایه گذاران در به حداکثر رساندن بازده پرتفوی با توزیع وجوه بین اهداف مختلف سرمایه گذاری طراحی شده است. ادبییی و همکاران [۴۶] از الگوریتم های ژنتیک برای بهتر کردن سبد سرمایه گذاری استفاده کرد. آنها راه هایی را برای توزیع دارایی ها برای به دست آوردن بهترین بازده پیشنهاد کردند. این روش به سرمایه‌گذاران کمک می‌کند تا هنگام انتخاب و سرمایه‌گذاری در پرتفوی، تصمیمات هوشمندانه‌ای در مورد ریسک بگیرند و نحوه توزیع دارایی‌ها را برای به دست آوردن بهترین بازده پیشنهاد می‌کند. چن و همکاران [۴۷] یک الگوریتم ژنتیک رابطه‌ای را پیشنهاد کرد که توسط عملیات جهش جدید هدایت می‌شود تا کارایی تکامل را افزایش دهد و یک مسئله جامع بهینه‌سازی پورتفولیو را حل کند. کوچاک [۴۸] برای محاسبه وزن هر سهام در پرتفوی، از ارزش شکلی در تئوری بازی های تعاونی استفاده کرد و بدین ترتیب نسبت تخصیص سرمایه را تعیین کرد. شواف و همکاران [۴۹] روش جدیدی برای رمزگذاری الگوریتم ژنتیک برای تخصیص سرمایه معرفی کرد. سلیمانی و همکاران [۵۰] چندین الگوریتم اکتشافی و غیر اکتشافی را برای ارائه یک مدل بهینه‌سازی پورتفولیو که به مسئله بهینه‌سازی پورتفولیو غیرخطی می‌پردازد و نرخ بازده را افزایش می‌دهد، ترکیب کرد.

بررسی ادبیات بالا نشان می دهد که بهینه سازی سبد سهام در درجه اول بر انتخاب اهداف سرمایه گذاری، زمان خرید یا فروش سهام و مقادیر سرمایه گذاری شده در هر هدف سرمایه گذاری متمرکز است. با این حال، مروری بر ادبیات گذشته نشان می‌دهد که مطالعات کمی توانسته‌اند به این سه موضوع به طور همزمان بپردازند، و اکثر آنها تنها قادر به مقابله با یک یا دو موضوع هستند. علاوه بر این، استراتژی‌هایی در مورد چگونگی افزایش بازده و در عین حال کاهش ریسک نیز اهمیت قابل توجهی دارند.

۲٫۲٫ یادگیری عمیق

یادگیری عمیق نوعی از یادگیری ماشینی است که نحوه عملکرد مغز انسان را تقلید می کند و از شبکه های عصبی برای یادگیری و استخراج اطلاعات ارزشمند از مقادیر زیادی داده استفاده می کند. این رویکرد یادگیری کاربردهای گسترده ای در بسیاری از زمینه ها از جمله تشخیص گفتار، تشخیص تصویر و پردازش زبان طبیعی دارد. حافظه کوتاه مدت بلند مدت (LSTM) نوع خاصی از شبکه عصبی بازگشتی (RNN) است که توسط Hochreiter و Schmidhuber در سال ۱۹۹۷ پیشنهاد شد و به طور خاص برای حل مشکل وابستگی طولانی مدت طراحی شده است. LSTM یک مدل یادگیری عمیق ویژه است که برای مدیریت داده های سری زمانی طراحی شده است. چیزی که LSTM را منحصر به فرد می کند “سلول حافظه” آن است که می تواند اطلاعات گذشته را برای مدت طولانی ذخیره کرده و به آنها دسترسی داشته باشد. این امر LSTM را قادر می‌سازد تا وابستگی‌های بلندمدت را در داده‌های سری زمانی ثبت کند، کاری که بسیاری از مدل‌های دیگر برای انجام آن تلاش می‌کنند. دلیل انتخاب LSTM برای پیش بینی قیمت سهام این است که قیمت سهام داده های سری زمانی معمولی هستند و تغییرات آنها نه تنها به شرایط فعلی بازار بلکه به روند قیمت های گذشته بستگی دارد. سلول حافظه در LSTM به آن اجازه می دهد تا اطلاعات قیمت گذشته را به خاطر بسپارد و از آن برای پیش بینی قیمت های آینده استفاده کند.

در سال های اخیر، مطالعات متعددی اثربخشی حافظه بلند مدت کوتاه مدت (LSTM) را در پیش بینی قیمت سهام ثابت کرده است. LSTM را می توان نه تنها برای پیش بینی قیمت سهام، بلکه برای تصمیم گیری در مورد سرمایه گذاری سهام نیز مورد استفاده قرار داد. آکیتا و همکاران [۵۱] از شبکه‌های عصبی LSTM برای پیش‌بینی قیمت‌های پایانی شرکت‌های بورسی استفاده کرد. آنها اطلاعات متنی و عددی را به عنوان ویژگی ترکیب کردند و LSTM را با شبکه های عصبی مختلف دیگر مقایسه کردند. نتایج نشان داد که شبکه‌های عصبی LSTM سودآوری بهتری از خود نشان می‌دهند و توانایی بیشتری در گرفتن تأثیر داده‌های سری زمانی دارند. علاوه بر این، گنجاندن اطلاعات متنی به عنوان داده های ویژگی منجر به نتایج پیش بینی دقیق تری در مقایسه با در نظر گرفتن تنها اطلاعات عددی شد. بائو و همکاران [۱] از LSTM برای پیش‌بینی قیمت‌های شاخص ترکیبی بورس شانگهای استفاده کرد و عملکرد پیش‌بینی‌کننده آن را با مدل‌های دیگر مقایسه کرد و نشان داد که LSTM از سایر مدل‌ها بهتر عمل می‌کند. چن و همکاران [۵۲] استفاده از الگوریتم های ژنتیک با LSTM برای ساخت مدلی برای پیش بینی قیمت سهام. آزمایش‌ها تأیید کردند که مدل پیش‌بینی پیشنهادی آنها به طور موثری دقت پیش‌بینی‌های سهام را افزایش می‌دهد.

چانگ و همکاران [۵۳] از الگوریتم های ژنتیک ترکیب شده با LSTM برای ایجاد یک مدل پیش بینی برای شاخص قیمت سهام کره (KOSPI) استفاده کرد. نتایج تجربی میانگین مربعات خطای کمتر (MSE)، میانگین خطای مطلق (MAE) و میانگین درصد مطلق خطا (MAPE) مدل پیشنهادی GA-LSTM را تأیید کرد. دینگ و همکاران [۵۴] از LSTM برای پیش بینی حرکات قیمت سهام استفاده کرد و بر اساس نتایج پیش بینی تصمیمات خرید یا فروش را اتخاذ کرد. یافته‌های آن‌ها نشان داد که عملکرد پیش‌بینی‌کننده LSTM از روش‌های تحلیل تکنیکی سنتی فراتر رفته و می‌تواند بازده مثبت پایداری ایجاد کند. فیشر و همکاران [۵۵] از LSTM برای پیش بینی بازده روزانه شاخص DAX آلمان استفاده کرد. یافته‌های آن‌ها نشان داد که LSTM به طور موثر دینامیک غیرخطی بازار را به تصویر می‌کشد و عملکرد پیش‌بینی‌کننده‌ای را ارائه می‌دهد که از مدل پیاده‌روی تصادفی پیشی می‌گیرد. کراوس و همکاران [۵۶] از LSTM برای پیش بینی بازده روزانه شاخص DAX آلمان استفاده کرد و بر اساس نتایج پیش بینی تصمیمات خرید یا فروش را گرفت. یافته‌های آن‌ها نشان داد که LSTM به طور موثر دینامیک غیرخطی بازار را به تصویر می‌کشد و عملکرد پیش‌بینی‌کننده‌ای را پیشی می‌گیرد که از مدل پیاده‌روی تصادفی پیشی می‌گیرد.

نلسون و همکاران [۵۷] یک مدل طبقه بندی LSTM برای پیش بینی روندهای آتی قیمت سهام در سال ۲۰۱۴ بر اساس قیمت های تاریخی و شاخص های تحلیل تکنیکال توسعه داد. نتایج تحقیق همچنین نشان داد که مدل پیشنهادی آنها، به استثنای اندک، از سایر روش‌ها بهتر عمل می‌کند و ریسک مرتبط با مدل LSTM نسبتاً کمتر بود. سلوین و همکاران [۵۸] همچنین از LSTM برای پیش بینی قیمت های بازار سهام استفاده کرد و نتایج مشابهی به دست آورد. آنها عملکرد سه معماری مختلف یادگیری عمیق – RNN، LSTM-RNN و CNN – را با روش سنتی ARIMA مقایسه کردند. نتایج نشان داد که مدل‌های یادگیری عمیق به طور مداوم از مدل سنتی ARIMA بهتر عمل می‌کنند. سیامی نمینی و همکاران [۵۹] پیش‌بینی‌های شاخص‌های داو جونز، هانگ سنگ، NASDAQ، Nikkei، S&P 500 و سهام چند شرکت را با استفاده از ARIMA و LSTM مقایسه کردند. نتایج نشان داد که LSTM بهتر از ARIMA عمل می کند.

این مطالعات نشان می دهد که LSTM ابزار قدرتمندی است که می تواند به ما در درک بهتر و پیش بینی تغییرات قیمت سهام کمک کند. با این حال، هنوز بسیاری از مسائل و چالش های حل نشده در این زمینه وجود دارد، مانند نحوه انتخاب پارامترهای مدل مناسب و نحوه رسیدگی به عدم قطعیت داده ها. این مسائل نیاز به تحقیق و کاوش بیشتر دارد. با توجه به ساختار و قابلیت های منحصر به فرد خود، LSTM می تواند به طور موثر داده های سری زمانی، مانند داده های قیمت سهام را مدیریت کند و در بسیاری از مطالعات ثابت شده است که عملکرد برتری دارد. با این حال، برخی از چالش ها نیز وجود دارد. اول، کیفیت داده ها یک مسئله حیاتی است. داده های قیمت سهام ممکن است تحت تأثیر عوامل زیادی مانند احساسات بازار و تغییرات سیاست قرار گیرند که ممکن است نویز در داده ها را افزایش داده و بر عملکرد پیش بینی مدل تأثیر بگذارد. دوم، تفسیرپذیری مدل چالش دیگری است. اگرچه LSTM می‌تواند پیش‌بینی‌های بسیار دقیقی ایجاد کند، درک عملکرد داخلی آن اغلب دشوار است، که ممکن است استفاده از آن را در کاربردهای عملی محدود کند.

مزایای پیش‌بینی قیمت سهام مبتنی بر LSTM نسبت به مدل‌های اقتصادسنجی سنتی در مطالعات متعدد تأیید شده است.[۲,۷,۸,۳۵,۵۸,۶۰]). این مقالات تحقیقاتی بینش‌های ارزشمند و نتایج تجربی در رابطه با برتری پیش‌بینی قیمت سهام مبتنی بر LSTM نسبت به مدل‌های اقتصادسنجی سنتی ارائه می‌دهند. با مقایسه عملکرد مدل‌های مختلف در پیش‌بینی قیمت سهام، این مطالعات می‌توانند درک عمیق‌تری ارائه دهند و به سرمایه‌گذاران در تصمیم‌گیری عاقلانه‌تر در عمل کمک کنند. LSTM می‌تواند الگوهای غیرخطی پیچیده و وابستگی‌های بلندمدت را در داده‌ها ثبت کند، که ممکن است برای مدل‌های اقتصادسنجی سنتی چالش برانگیز باشد. علاوه بر این، LSTM می‌تواند مقادیر زیادی از داده‌های توالی قیمت سهام تاریخی را مدیریت و تجزیه و تحلیل کند و الگوهای معنی‌داری را از آن استخراج کند، بنابراین به پیش‌بینی‌های دقیق‌تری دست می‌یابد. مدل‌های اقتصادسنجی سنتی ممکن است برای به تصویر کشیدن پویایی پیچیده و روابط غیرخطی موجود در نوسانات قیمت سهام تلاش کنند. با این حال، شایان ذکر است که مقایسه بین LSTM و مدل‌های اقتصادسنجی سنتی ممکن است بسته به مجموعه داده‌های خاص، شرایط بازار و محدوده زمانی تحلیل متفاوت باشد. در حالی که LSTM در بسیاری از موارد عملکرد پیش‌بینی امیدوارکننده‌ای را نشان داده است، در برخی شرایط، مدل‌های اقتصادسنجی سنتی ممکن است هنوز نتایج رقابتی ارائه دهند. به طور کلی، مزیت LSTM در توانایی آن در مدیریت داده های توالی و گرفتن الگوهای پیچیده است که می تواند برتری بهتری را در برخی از وظایف پیش بینی قیمت سهام نسبت به مدل های اقتصادسنجی سنتی ارائه دهد. بنابراین، تحقیقات آینده می‌تواند بر روی روش‌های پیش‌پردازش داده‌ها و انتخاب ویژگی مؤثرتر برای بهبود کیفیت داده‌ها و همچنین ادغام مدل‌های دیگر برای افزایش تفسیرپذیری LSTM تمرکز کند.

۲٫۳٫ مدل ارزیابی حقوق صاحبان سهام Ohlson

مدل ارزیابی حقوق صاحبان سهام که توسط Ohlson در سال ۱۹۹۵ ارائه شد، از اطلاعات حسابداری موجود در گزارش های مالی، به ویژه سود و ارزش دفتری، برای ارزیابی ارزش سهام استفاده می کند. این مدل بر اساس سه فرضیه است: ارزش فعلی سود سهام مورد انتظار (PVED)، رابطه مازاد پاک (CSR)، و مدل دینامیک اطلاعات خطی (LIM). این فرضیه ها منجر به یک مدل ارزیابی خطی می شود که در آن ارزش شرکت برابر با ارزش دفتری به اضافه سود غیرعادی و اطلاعات غیرحسابداری است. این رابطه را می توان با فرمول زیر (۱) نشان داد.

$پ_{تی} = ب v_{تی} + آ_{۱} {ایکس}_{تی}^{آ} + آ_{۲} V_{تی}$

(۱)

و $آ_{۱} = \frac{اوه}{{(آر}_{f} - اوه)} \geq ۰$ ; $آ_{۲} = \frac{{آر}_{f}}{{(آر}_{f} - اوه {) (آر}_{f} - ج)} \geq ۰$

$پ$ = قیمت بازار؛ $ب v$ = ارزش دفتری؛ $ایکس$ = درآمد غیرعادی

$V$ = اطلاعات غیر حسابداری

در مدل، ω و γ نماد پارامترهای درآمد غیرعادی و سایر اطلاعات مربوط به پایداری هستند. هر چه این مقادیر بزرگتر باشند، نسبت به ارزش شرکت حساسیت بیشتری دارند. در میان این متغیرها، ارزش دفتری ارزش واقعی دارایی سهام را نشان می‌دهد، در حالی که سود غیرعادی سودآوری جاری را اندازه‌گیری می‌کند. سایر اطلاعات غیرحسابداری سودآوری آتی را تعدیل می کند. با این حال، مدل مشخص نمی کند که این سایر اطلاعات غیرحسابداری شامل چه مواردی است.

وایت و همکاران [۶۱] نشان داد که مدل Ohlson دارای قدرت توضیحی قوی است که بین ۶۰٪ تا ۷۰٪ می رسد. تحقیقات بعدی توسط محققان مختلف نیز اثربخشی مدل Ohlson را تأیید کرد.[۶۲,۶۳]). با این حال، از آنجایی که اولسون اطلاعات غیرحسابداری را به صراحت تعریف نکرد، بسیاری از محققان تنظیمات مربوطه را انجام دادند، مانند گنجاندن متغیر حاکمیت شرکتی در اطلاعات غیرحسابداری. این مطالعه نشان داد که گنجاندن متغیرهای مرتبط با حاکمیت شرکتی، قدرت توضیحی مدل اصلی ارزیابی سهام Ohlson را افزایش داد. این تحقیق همچنین ارتباط معناداری بین ویژگی‌های حاکمیت شرکتی و ارزش حقوق صاحبان سهام را تأیید کرد و نشان داد که مدل ارزیابی ارزش ویژه Ohlson با افزودن این متغیر جامع‌تر می‌شود.

این مطالعه از مدل Ohlson مبتنی بر حسابداری برای ارزیابی ارزش واقعی انواع مختلف سهام در بازار سهام استفاده می‌کند. عوامل مؤثر بر ارزش سهام به متغیرهای اطلاعاتی غیرحسابداری و متغیرهای اطلاعات حسابداری تقسیم می شوند. اطلاعات حسابداری که به عنوان متغیرهای اساسی برای ارزش گذاری حقوق صاحبان سهام عمل می کند، شامل ارزش دفتری و سود هر سهم است. متغیر اطلاعات غیرحسابداری از هشت متغیر حاکمیت شرکتی تشکیل شده است. این متغیرها توسط لی و همکاران ارائه شده است. [۶۴]نشان داده شده است که به طور موثر ارزش حقوق صاحبان سهام یک شرکت را توضیح می دهد. آنها شامل نسبت سهام ناظر و مدیر، نسبت سهامداران بزرگ، نسبت سهام مدیران، نسبت سهام گروه، نسبت دارایی خارجی، متغیرهای انحراف مازاد سهام، متغیرهای انحراف مازاد صندلی، و متغیرهای انحراف صندلی هستند.

۳٫ چارچوب تحقیق

این مطالعه از قابلیت های بهینه سازی جستجوی الگوریتم ژنتیک برای تسهیل تصمیم گیری های سرمایه گذاری مناسب برای انتخاب سهام و تخصیص سرمایه استفاده می کند. همچنین از شبکه‌های عصبی در ارتباط با مدل Ohlson برای پیش‌بینی قیمت‌های مختلف سهام استفاده می‌کند و به عنوان مبنایی برای تصمیم‌گیری خرید یا فروش در معاملات سهام عمل می‌کند. با ادغام الگوریتم های ژنتیک، شبکه های عصبی LSTM و مدل Ohlson، می توان سه استراتژی سرمایه گذاری را یکی کرد: انتخاب، زمان بندی و تخصیص سرمایه. اعتبار این رویکرد در این مقاله با مقایسه آن با چندین معیار تأیید شده است.

شکل ۱ چارچوب تحقیق را نشان می دهد. این مطالعه سهام های پذیرفته شده در بورس اوراق بهادار تایوان را به عنوان اهداف سرمایه گذاری در نظر می گیرد. تصمیمات انتخاب سهام و تخصیص سرمایه بر اساس نرخ بازده ماهانه این سهام اتخاذ می شود. برای زمان‌بندی بازار، یک همبستگی بین متغیرهای ورودی و خروجی مدل Ohlson از طریق ترکیب یک شبکه عصبی با مدل Ohlson برای محاسبه ارزش واقعی سهام شناسایی می‌شود.

از ارزش واقعی سهام می توان برای تعیین اینکه آیا ارزش بازار سهام در بازار سهام بیش از ارزش یا کمتر از ارزش گذاری شده است، استفاده کرد. اگر قیمت سهام در بازار کمتر از ارزش باشد، از نسبت وجوه به دست آمده از الگوریتم ژنتیک برای خرید استفاده می شود. برعکس، اگر قیمت بازار بیش از حد بالا باشد، می توان از روش فروش کوتاه برای فروش سهام و دستیابی به نرخ بازده بالای سرمایه استفاده کرد.

شبه کد الگوریتم ژنتیک ترکیبی پیشنهاد شده در این مطالعه به شرح زیر است:

هیبرید GA ( )
{
به طور تصادفی جمعیت اولیه را تنظیم کنید (ترکیب کاربردی با رمزگذاری تکرار)
تناسب کروموزوم ها را محاسبه کنید
در حالی که (تناسب اندام بدون تغییر برای ۳۰۰۰ نسل به تکامل پایان می دهد)
{
انتخاب (انتخاب چرخ رولت)
کراس اوور (عملکرد متقاطع تطبیقی)
جهش (عملیات جهش تطبیقی)
ارزیابی تناسب اندام کروموزوم ها
(مدل همجوشی LSTM-Ohlson (زمان بندی) + معیارهای ارزیابی)
}
}

این سیستم در ابتدا جمعیتی از کروموزوم های والد را بر اساس ترکیب با روش رمزگذاری تکرار ایجاد می کند. پس از تولید این کروموزوم‌های اولیه، سیستم ارزش تناسب هر کروموزوم را محاسبه می‌کند که نشان‌دهنده اثربخشی آن در حل مشکل موجود است. به دنبال آن، سیستم وارد فرآیند تکاملی الگوریتم ژنتیک ترکیبی می شود. در طی فرآیند تکاملی، ابتدا عملیات انتخاب بر اساس روش چرخ رولت انجام می شود. این روش تضمین می کند که کروموزوم هایی با ارزش تناسب بالاتر شانس بیشتری برای انتخاب شدن به عنوان کروموزوم والد برای نسل بعدی دارند. سپس کروموزوم‌های انتخاب شده با استفاده از روش متقاطع تطبیقی پیشنهاد شده در این مطالعه، تحت عملیات متقاطع قرار می‌گیرند و اطمینان حاصل می‌کنند که فرآیند متقاطع، کروموزوم‌هایی با مزایای افزایش یافته تولید می‌کند.

پس از متقاطع، کروموزوم ها با توجه به یک نرخ جهش مشخص، تحت عملیات جهش تطبیقی قرار می گیرند. این مرحله برای افزایش تنوع کروموزوم ها و جلوگیری از به دام افتادن الگوریتم در یک بهینه محلی در نظر گرفته شده است. متعاقباً، سیستم از مدل همجوشی LSTM-Ohlson برای تعیین استراتژی‌های معاملاتی خاص استفاده می‌کند. این مدل، که ترکیبی از شبکه‌های عصبی حافظه کوتاه‌مدت (LSTM) و مدل Ohlson است، هدف آن بهبود دقت زمان‌بندی تصمیم‌های سرمایه‌گذاری است. پس از انجام این مراحل، سیستم هر کروموزوم را بر اساس معیارهای ارزیابی ارزیابی کرده و مقادیر تناسب آن را مجدداً محاسبه می کند. این فرآیند به طور مداوم تکرار می شود و کروموزوم ها در هر نسل بهینه می شوند تا زمانی که مقادیر تناسب تغییر قابل توجهی را برای ۳۰۰۰ نسل متوالی نشان ندهند. در این مرحله، سیستم به این نتیجه می رسد که فرآیند تکاملی همگرا شده است و استراتژی سرمایه گذاری بهینه را شناسایی می کند.

این فرآیند با ادغام الگوریتم های ژنتیک و مدل های یادگیری عمیق، به بهینه سازی هوشمند استراتژی های سرمایه گذاری دست می یابد. جمعیت اولیه کروموزوم‌های والدین راه‌حل‌های متنوعی را ارائه می‌دهند، در حالی که عملیات انتخاب با استفاده از روش چرخ رولت و مکانیسم‌های متقاطع و جهش تطبیقی تضمین می‌کند که کروموزوم‌های فرزندان به تدریج ارزش تناسب اندام خود را بهبود می‌بخشند. استفاده از مدل همجوشی LSTM-Ohlson در تعیین استراتژی‌های معاملاتی، دقت پیش‌بینی زمان‌بندی مدل و اثربخشی کاربرد عملی را افزایش می‌دهد. در نهایت، از طریق تکرار و بهینه سازی مداوم، سیستم قادر است به طور خودکار یک استراتژی سرمایه گذاری بهینه ایجاد کند و به هدف تصمیم گیری سرمایه گذاری هوشمند دست یابد.

روش پیشنهادی یک ترکیب کارآمد با یک طرح رمزگذاری تکرار برای کروموزوم ها معرفی می کند. در این طرح، عملیات انتخاب از روش چرخ رولت استفاده می کند. برای تطبیق ترکیب با طرح رمزگذاری تکرار، الگوهای جفت گیری خاصی برای عملیات متقاطع و جهش، همانطور که در بخش ۳٫۱ شرح داده شده است، استفاده می شود. روش ارزیابی برای تناسب کروموزوم ها نیز در بخش ۳٫۱ توضیح داده شده است.

۳٫۱٫ انتخاب سهام و تخصیص سرمایه

اهداف سرمایه گذاری این پژوهش شامل هشت دسته سهام و ذخایر نقدی است. کروموزوم ها با استفاده از معیارهای متعدد ارزیابی می شوند. از طریق مکانیسم‌های انتخاب، متقاطع و جهش، الگوریتم ژنتیک به طور مداوم برای حل مؤثر مسائل بهینه‌سازی تکامل می‌یابد و تخصیص سرمایه بهینه را برای هشت دسته از سهام و ذخایر نقدی شناسایی می‌کند. این رویکرد بازده استراتژی سرمایه‌گذاری را ارزیابی می‌کند و به سرمایه‌گذاران مرجعی برای تصمیم‌گیری می‌دهد که هم انتخاب سهام و هم تخصیص سرمایه را در بر می‌گیرد.

۳٫۱٫۱٫ رمزگذاری و رمزگشایی برای کروموزوم

تخصیص سرمایه در واقع نوعی مشکل تخصیص منابع است. این مطالعه یک طرح رمزگذاری جدید برای الگوریتم‌های ژنتیک برای رسیدگی به مشکلات انتخاب سهام و تخصیص سرمایه در بهینه‌سازی منابع پیشنهاد می‌کند. در این مطالعه، الگوریتم ژنتیک از رمزگذاری باینری با مفهوم یک محصول همگن استفاده کرد که به طور تصادفی کروموزوم هایی را با ترکیب ۰ و ۱ تولید کرد، همانطور که در شکل ۲ نشان داده شده است. مطالعه حاضر از مفهوم ترکیب ها با تکرار برای رمزگذاری استفاده می کند. در ترکیب با تکرار، از مجموعه ای از n مورد مجزا، هر r مورد به عنوان یک گروه انتخاب شد که تعداد هر نوع آیتم کمتر از r نبود و تکرار مجاز بود. این نوع ترکیب به عنوان “n انتخاب r” با تکرار نامیده می شود.

تخصیص سرمایه در سرمایه گذاری سهام در واقع می تواند به عنوان یک مشکل بهینه سازی تخصیص منابع در نظر گرفته شود. تخصیص سرمایه در سرمایه گذاری یک مسئله بهینه سازی تخصیص منابع را نشان می دهد که شبیه حل معادله X است._۱ + X₂ +…… +X_n = r برای راه حل های عدد صحیح غیر منفی. این به ترتیب n-1 1 و r 0 به عنوان جایگشت چند مجموعه اشاره دارد. “+” با ۱ نشان داده می شود و ۰ نشان دهنده تعداد منابع است. معادله X₁ + X₂ +…… + X_n = r را می توان به عنوان مشکل توزیع r واحد سرمایه بین n سهام مختلف تفسیر کرد که در آن X_من نشان دهنده میزان سرمایه تخصیص یافته به سهام i است. این مطالعه یک طرح رمزگذاری جدید برای الگوریتم‌های ژنتیک بر اساس مفهوم ترکیب با تکرار برای حل مشکل بهینه‌سازی تخصیص سرمایه پیشنهاد می‌کند. برای اطمینان از حفظ ویژگی‌های ترکیبی تکراری کروموزوم‌ها در طول فرآیندهای تکاملی جفت‌گیری و جهش در الگوریتم‌های ژنتیک، که برای حل چالش‌های تخصیص سرمایه در سرمایه‌گذاری سهام بسیار مهم است. این مطالعه به معرفی عملگرهای متقاطع و جهش تخصصی می پردازد. توضیح بیشتر با مثال های عملی، همانطور که در شکل ۳ و شکل ۴ نشان داده شده است، پشتیبانی می شود.

هدف استفاده از مفهوم ترکیبات با تکرارها، در ارتباط با الگوریتم های ژنتیک، بهینه سازی مسائل تخصیص منابع است. رمزگذاری کروموزوم نشان دهنده میزان سرمایه ای است که به اهداف سرمایه گذاری تخصیص داده شده است. ۰ نشان دهنده نسبت وجوه سرمایه گذاری شده در هدف سرمایه گذاری است. ۱۰۰٪ نشان دهنده مقدار کل سرمایه گذاری است. اگر m 0 وجود داشته باشد، هر ۰ نشان دهنده نسبت ۱۰۰/m% سرمایه گذاری از وجوه است. علاوه بر این، ۱ نشان دهنده تقسیم بندی بین اهداف سرمایه گذاری است. عدد ۰ بین دو ۱ در یک کروموزوم نشان دهنده وجوه هدف سرمایه گذاری مربوطه است. به عنوان مثال، در هشت دسته از سهام و ذخایر نقدی به عنوان اهداف سرمایه گذاری، باید دارای هشت ۱ در کروموزوم باشد. اگر هر ۰ نشان دهد که ۱۰٪ از سرمایه گذاری شده است، در کروموزوم ها ده ۰ وجود دارد.

شکل ۲ نشان می دهد که ذخایر نقدی، سهام دسته اول، سهام دسته چهارم، سهام دسته پنجم و سهام دسته هفت با ۱۰ درصد وجوه سرمایه گذاری شده اند. سهام دسته ششم ۲۰ درصد سرمایه در آنها سرمایه گذاری شده است. و سهام دسته دوم ۳۰ درصد سرمایه در آنها سرمایه گذاری شده است. در سهام دسته سوم و هشتم سرمایه گذاری صورت نگرفت.

۳٫۱٫۲٫ متقاطع و جهش

در طول فرآیند تکامل، کروموزوم‌های جمعیت والدین تحت عملیات متقاطع و جهش قرار می‌گیرند. ترکیب با یک طرح رمزگذاری تکرار می تواند فضای جستجو برای راه حل های بهینه در الگوریتم های ژنتیک را کاهش دهد. استفاده از عملیات متقاطع و جهش معمولی فضای جستجو را برای راه حل های بهینه افزایش می دهد و در نتیجه کارایی یافتن بهترین راه حل را کاهش می دهد. بنابراین، برای افزایش کارایی الگوریتم‌های ژنتیک، این مطالعه یک عملیات متقاطع و جهش ویژه را پیشنهاد می‌کند که ترکیب را با یک طرح رمزگذاری تکرار تکمیل می‌کند. برای اطمینان از اینکه کروموزوم‌ها همچنان می‌توانند به طور دقیق نسبت سرمایه‌گذاری شده در سهام مختلف پس از عملیات متقاطع و جهش را نشان دهند، تعداد ۰ و ۱ در کروموزوم‌های فرزندان باید با کروموزوم‌های والدینشان یکسان باشد.

مراحل انجام عملیات متقاطع به شرح زیر است:

مرحله ۱٫ به طور تصادفی دو کروموزوم والد را انتخاب کنید تا برای عملیات متقاطع آماده شوید.

مرحله ۲٫ همانطور که در شکل ۳ نشان داده شده است، به طور تصادفی دو نقطه متقاطع را انتخاب کنید و تعداد و موقعیت های ۱ را بین دو نقطه متقاطع ثبت کنید. به عنوان مثال، کروموزوم والد اول در مجموع دارای سه ۱ است که در موقعیت های ۰، ۲ و ۵ ظاهر می شود، در حالی که کروموزوم والد دوم در مجموع دارای دو کروموزوم ۱ است که در موقعیت های ۱ و ۴ ظاهر می شود.

مرحله ۳٫ عملیات متقاطع را اجرا کنید. تعداد ۱ ها در کروموزوم های فرزندان باید با کروموزوم های والدین مطابقت داشته باشد. بنابراین، برای کروموزوم فرزند اول، به طور تصادفی سه موقعیت را از موقعیت های ۰، ۱، ۲، ۴ و ۵ انتخاب کنید، همانطور که در شکل ۳ نشان داده شده است. به عنوان مثال، موقعیت های ۰، ۱ و ۴ را به طور تصادفی انتخاب کنید. موقعیت های باقیمانده، مانند موقعیت های ۲ و ۵ را انتخاب کنید. بر این اساس، کروموزوم های فرزندان جدیدی تولید کنید.

مرحله ۴٫ مراحل ۱ تا ۳ را به طور مکرر ادامه دهید تا زمانی که تمام کروموزوم های جمعیت والد تحت عملیات متقاطع قرار گیرند.

پس از اتمام عملیات متقاطع، بر اساس میزان جهش، عملیات جهش را ادامه دهید. پس از عمل جهش، تعداد ۰ و ۱ در کروموزوم ها باید مانند قبل از جهش باقی بماند. عملیات جهش شامل انتخاب تصادفی یک ۱ و یک ۰ در کروموزوم و تعویض آنها برای تکمیل جهش است. به عنوان مثال، همانطور که در شکل ۴ نشان داده شده است، به طور تصادفی ۱ را در موقعیت ۱ و ۰ را در موقعیت ۶ برای تعویض برای انجام جهش انتخاب کنید.

۳٫۱٫۳٫ ارزیابی

برای تجزیه و تحلیل تجربی، این مطالعه سه معیار را به عنوان دستورالعمل های سرمایه گذاری برای سرمایه گذاران طراحی کرد که به عنوان تابع ارزیابی برای الگوریتم ژنتیک عمل می کند، همانطور که در جدول ۱ نشان داده شده است. De Souza و همکاران. [۶۵] کاربرد نسبت شارپ در ارزیابی ثبات مالی جهانی را بررسی کرد و بر اثربخشی و سهولت استفاده از آن در اندازه‌گیری بازدهی تعدیل‌شده با ریسک تأکید کرد. این مقاله استدلال کرد که نسبت شارپ، با ترکیب ریسک و بازده، ابزاری جامع، کاربرپسند و معنادار برای اندازه‌گیری عملکرد پورتفولیو ارائه می‌دهد. از این رو، اولین معیار نسبت شارپ را اتخاذ می کند.

به گفته وونگ و همکاران. [۶۶]، ترجیح سرمایه گذاران تایوانی برای سهام الکترونیکی به روند بازار بین المللی مربوط می شود زیرا بخش قابل توجهی از صادرات تایوان شامل محصولات الکترونیکی است. سرمایه گذاران به سهام الکترونیکی اعتماد بالایی دارند و معتقدند که می توانند بازدهی پایداری را ارائه دهند. در نتیجه، سرمایه گذاران تایوانی تمایل به خرید سهام الکترونیکی دارند. بنابراین، معیار دوم، تخصیص سرمایه برای سرمایه گذاری در سهام صنعت الکترونیک را بین ۱۰ تا ۳۰ درصد تعیین می کند.

همچنین بر اساس نظر جهان پرور و همکاران [۶۷] بررسی تاثیر نقدینگی بر بازده و ریسک سرمایه گذاری، تاکید می شود که سرمایه گذاران باید سطح معینی از نقدینگی را در صندوق های خود حفظ کنند. بنابراین، معیار سوم فرض می‌کند که سرمایه‌گذاران می‌خواهند بین ۵ تا ۱۰ درصد از وجوه خود را در ذخایر نقدی برای کاهش ریسک نگهداری کنند.

ارزش تناسب کروموزوم =
معیار ۱ (نسبت شارپ برای هشت سهام دسته صنعتی) +
معیار ۲ (نسبت سرمایه برای سهام دسته الکترونیکی) +
معیار ۳ (نرخ حفظ سرمایه در دستان)

علاوه بر این، در تعیین خرید یا فروش سهام، باید از مدل همجوشی LSTM-Ohlson برای تصمیم گیری و محاسبه بازده سرمایه گذاری خرید یا فروش سهام استفاده شود. از آنجایی که هر معیار در واحدهای مختلف اندازه گیری می شود، مقادیر هر معیار باید نرمال شود تا اطمینان حاصل شود که نمرات بین ۵ تا ۱۰۰ قرار می گیرند. به معیار بدترین عملکرد، امتیاز ۵ داده می شود تا به کروموزوم ها فرصتی برای زنده ماندن برای بعدی داده شود. نسل. در حالی که معیار بهترین عملکرد برای افزایش احتمال بقای کروموزوم ها به نسل بعدی، امتیاز ۱۰۰ داده می شود. ارزش تناسب کروموزوم به عنوان مرجع برای اجرای عملیات انتخاب استفاده می شود. تکامل بر اساس اصل بقای بهترین ها برای به دست آوردن راه حل بهینه انجام می شود.

۳٫۲٫ زمان سنجی

از نظر زمان‌بندی بازار، این مطالعه با تحقیقات قبلی که از تحلیل تکنیکال برای شناسایی فرصت‌های تجاری برای اهداف سرمایه‌گذاری استفاده می‌کردند، متفاوت است. در عوض، از تحلیل بنیادی برای کشف ارزش واقعی یک شرکت استفاده می کند. ارزش دفتری مدل Ohlson، سود هر سهم و متغیرهای حاکمیت شرکتی اطلاعات غیر حسابداری برای تعیین ارزش واقعی همه سهام استفاده می شود. با این حال، این متغیرها و ارزش واقعی سهام یک رابطه غیرخطی دارند و تشخیص یک الگو با استفاده از روش‌های آماری را به چالش می‌کشند. برای پرداختن به این موضوع، این مطالعه از شبکه عصبی LSTM به طور گسترده برای شبیه‌سازی مدل Ohlson استفاده می‌کند. متغیرهای مدل Ohlson به عنوان گره در لایه ورودی عمل می‌کنند و ارزش واقعی سهام به عنوان یک گره در لایه خروجی عمل می‌کند و معماری شبکه عصبی مصنوعی را ایجاد می‌کند.

اگر ارزش سهام حاصل از مدل Ohlson بیشتر از قیمت واقعی بازار باشد، نشان دهنده این است که بازار این سهام را کمتر از ارزش خود می داند. این نشان می دهد که قیمت سهام افزایش خواهد یافت و فرصت خوبی برای سرمایه گذاران برای خرید این سهام خواهد بود. برعکس، اگر ارزش سهام به دست آمده از مدل Ohlson کمتر از قیمت بازار باشد، به این معنی است که بازار ارزش این سهام را بیش از حد برآورد می کند. احتمال کاهش قیمت سهام در آینده وجود دارد، بنابراین سرمایه گذاران باید به فکر فروش این سهام باشند. اگر سرمایه گذاران در حال حاضر این سهام را در اختیار نداشته باشند، می توانند در فروش کوتاه مدت شرکت کنند، که شامل قرض گرفتن سهام از یک موسسه سرمایه گذاری برای فروش است.

۴٫ طراحی و تجزیه و تحلیل تجربی

۴٫۱٫ الگوریتم های ترکیبی ژنتیک

کروموزوم الگوریتم های ژنتیک یکپارچه از رمزگذاری باینری استفاده می کند و طول آن ۵۸ بیت است. هشت ۱ برای تشخیص هشت دسته سهام و ذخایر نقدی وجود دارد. وجوه سرمایه گذاری شده در ۵۰ قسمت مساوی قرار می گیرد، بنابراین ۵۰ ۰ وجود دارد و برای هر یک، ۰ نشان دهنده ۲٪ از کل وجوه است. اندازه جمعیت ۱۰۰ است. وقتی تکامل ارزش تناسب یکسانی داشته باشد، ۳۰۰۰ نسل پیوسته که ایستاده اند به وضعیت همگرایی می رسند و تکامل را متوقف می کنند. مکانیسم انتخاب رولت و قانون نخبگان برای تکامل به تصویب رسید. نرخ متقاطع بر روی ۱ تنظیم شده است. و نرخ جهش بر اساس یک قانون سرانگشتی روی ۰٫۰۱ تنظیم شده است.

۴٫۲٫ مدل فیوژن LSTM–Ohlson

این مقاله از LSTM برای شبیه‌سازی مدل Ohlson و یادگیری روابط بین متغیرهای مالی و ارزش‌های واقعی شرکت استفاده می‌کند. معماری شبکه عصبی، که مدل Ohlson را ادغام می کند، در شکل ۵ نشان داده شده است. LSTM به ویژه برای این کار مناسب است زیرا برای مدیریت داده های سری زمانی طراحی شده است، و آن را برای پیش بینی مالی و درک پویایی های زمانی قیمت سهام ایده آل می کند.

لایه ورودی شبکه عصبی دارای ده گره است که از دو متغیر اساسی و هشت متغیر حاکمیت شرکتی مرتبط با ارزش گذاری سهام تشکیل شده است، همانطور که در شکل ۵ نشان داده شده است. گره لایه خروجی نشان دهنده ارزش واقعی سهام است. از طریق آموزش، آزمایش و اعتبارسنجی، شبکه عصبی می‌تواند رابطه بین این متغیرهای مرتبط و ارزش واقعی سهام را بیاموزد. هنگامی که مقادیر متغیر ورودی جدید به مدل پیش‌بینی شبکه عصبی معرفی می‌شود، می‌تواند ارزش واقعی بازار سهام را پیش‌بینی کند. این رویکرد امکان ایجاد یک مدل پویا و سازگار را فراهم می کند که می تواند با اطلاعات جدید سازگار شود و پیش بینی های دقیقی ارائه دهد.

در ارزیابی سهام شبکه عصبی LSTM، مکانیزم پنجره کشویی برای بهبود عملکرد پیش‌بینی استفاده می‌شود. به طور خاص، داده های هر سه ماه برای پیش بینی داده های ماه چهارم استفاده می شود. معماری آموزش شبکه های عصبی LSTM می تواند سه سال طول بکشد. داده‌های این آزمایش‌ها از مجله اقتصادی تایوان (TEJ)، از سال ۲۰۰۸ تا پایان سال ۲۰۱۵ را پوشش می دهد.

۴٫۳٫ الگوریتم های ساده ژنتیک (روش مقایسه ای)

الگوریتم های ساده ژنتیک از روش کدگذاری باینری استفاده می کنند. ذخایر سرمایه و هشت دسته از سهام توسط هشت بخش کدگذاری شده است. هر بخش دارای هفت بیت است. طول کل کروموزوم ۶۳ بیت است، همانطور که در شکل ۶ نشان داده شده است. بخش بین بیت اول و بیت هفتم نشان دهنده نسبت سرمایه ذخیره شده است. علاوه بر این، ۶۸ نشان دهنده سرمایه ذخیره شده ۶۸٪ از کل وجوه است. بخش بین بیت هشتم و بیت چهارم نشان دهنده نسبت سرمایه گذاری در دسته اول سهام است. همچنین ۷۶ گفت: سرمایه گذاران باید ۷۶ درصد از کل وجوه را برای سرمایه گذاری در سهام دسته اول به کار گیرند، بنابراین چهارمین نسبت به نسبت سرمایه گذاری سایر سهام است.

شکل ۷ تقاطع کروموزوم ها را نشان می دهد. دو نقطه متقاطع به طور تصادفی انتخاب شده، سپس ژن بین دو نقطه متقاطع تغییر می کند و به عنوان فرزندان حفظ می شود.

جهش کروموزوم در شکل ۸ نشان داده شده است. هنگامی که یک جهش کروموزوم باید مطابق با نرخ جهش اجرا شود، یک ژن از کروموزوم به طور تصادفی انتخاب می شود. ژن از ۱ به ۰ تغییر می کند و بالعکس. تکامل ها با این روش به عملگر جهش دست می یابند.

تابع تناسب الگوریتم های ساده ژنتیک استفاده از تابع جریمه است. به دلیل وجود چنین سهامی، تا ۱۰۰٪ از کل وجوه سرمایه گذاری می شود. بنابراین، وقتی بیش از ۱۰۰٪ در چنین سهامی سرمایه گذاری می شود، کروموزوم ها می توانند کروموزوم های غیر منطقی باشند. تابع پنالتی باید استفاده شود. بیش از ۱۰۰٪ منجر به مجازات با امتیازهای بسیار بیشتر می شود که تعداد آنها بر اساس نسبت بیش از حد تعیین می شود.

شرایط همگرایی الگوریتم های ژنتیک ساده این بود که وقتی تکامل پیوسته ۳۰۰۰ نسل به دست آمد، تناسب در همان مقدار باقی ماند و سپس تکامل متوقف شد. نسبت وجوه تولید شده پس از تکامل سهام مختلف از طریق تخصیص سرمایه برای محاسبه نرخ کل بازده سرمایه گذاری برای هر دسته از سهام. طول رمزگذاری کروموزوم SGA 63 بیت است. هر ۷ بیت نشان دهنده سهمیه وجوه هدف سرمایه گذاری است. بنابراین، ۹ هدف سرمایه گذاری وجود دارد که هشت دسته سهام و ذخایر نقدی هستند. هر دسته از سهام ۰ تا ۱۲۷ نسبت وجوه را به خود اختصاص می دهند. از آنجایی که چنین سهامی تا ۱۰۰ درصد از کل وجوه سرمایه گذاری می شد، زمانی که هر تخصیص سرمایه از سهام سرمایه گذاری شده بیش از ۱۰۰ درصد بود، تابع جریمه اتخاذ شد و بیش از ۱۰۰ درصد نقص بود.

علاوه بر این، نسبت هر طبقه از سهام و ذخایر سرمایه ممکن است بین ۰٪ تا ۱۰۰٪ حفظ شود. مجموع نسبت هر طبقه از سهام و اندوخته سرمایه باید ۱۰۰ درصد باشد. روش ارزیابی تکامل از تابع جریمه استفاده می کند. زمانی که نسبت کل وجوه بیشتر یا کمتر از ۱۰۰ درصد باشد، تعداد امتیازات جریمه با توجه به نسبت مازاد تعیین می شود. ارزیابی تکامل از معیارهای دیگری نیز استفاده می کند. زمانی که نسبت سرمایه گذاری سهام الکترونیکی کمتر از ۱۰ درصد یا بیشتر از ۳۰ درصد باشد و ذخایر نقدی در دست کمتر از ۵ درصد یا بیشتر از ۱۰ درصد باشد، در این صورت مکانیسم تابع جریمه خواهد بود. اندازه جمعیت ۱۰۰ است. مکانیسم انتخاب برای SGA از روش رولت استفاده می کند که از قانون نخبگان استفاده می کند. اپراتور متقاطع کراس اوورهای دو نقطه ای را می پذیرد. نرخ متقاطع ۱ است. نرخ جهش هر کروموزوم روی ۰٫۰۱ تنظیم شده است.

۴٫۴٫ تجزیه و تحلیل تجربی

تجزیه و تحلیل تجربی در این مطالعه بر اساس روش و چارچوب پیشنهادی انجام شد. هشت دسته از سهام برای سرمایه گذاری هدف گذاری شدند. یک شبکه عصبی مصنوعی، همراه با مدل Ohlson، برای ارزیابی ارزش واقعی این سهام استفاده شد. هر ماه به عنوان نقطه معاملاتی برای تعیین زمان مناسب برای ورود و خروج و تسویه نرخ بازده عمل می کرد. بازگشت سرمایه برای شاخص ۵۰ برتر تایوان (TWN50) به عنوان معیار استفاده شد. این با نرخ بازده متوسط سرمایه سرمایه گذاری شده در سهام هدف و نسبت تخصیص سرمایه به دست آمده از طریق یک الگوریتم ژنتیک ساده برای این سهام مقایسه شد. داده های مورد استفاده برای آزمایش از مجله اقتصادی تایوان (TEJ)، دوره‌ای از ژانویه ۲۰۰۸ تا دسامبر ۲۰۱۵ را پوشش می‌دهد. برای اطمینان از دقت بالاتر، نتایج تجربی بر اساس میانگین ده آزمایش است.

این مطالعه مدل ارزیابی سهام Ohlson و الگوریتم‌های ژنتیک را برای پیشنهاد یک مدل استراتژی سرمایه‌گذاری ادغام می‌کند. داده های تجربی از سال ۲۰۰۸ تا ۲۰۱۵ بر اساس دوره های سه ماهه کدگذاری شده است که منجر به سی و دو دوره در طول هشت سال می شود، همانطور که در جدول ۲ نشان داده شده است. در طول این سی و دو دوره، بازار سهام تایوان پنج بازار صعودی، پنج بازار نزولی و یک بازار را تجربه کرد. اصلاح بازار صرف نظر از وضعیت بازار، روش پیشنهادی در این مطالعه در ۹۱ درصد مواقع (۲۹ دوره از ۳۲ دوره) بهتر از بازار و TWN50 عمل کرد. در طول بازار صعودی، این روش پیشنهادی از الگوریتم‌های ساده ژنتیک، میانگین استراتژی سرمایه تخصیص‌یافته، TAIEX و TWN50 در ۸۵ درصد مواقع (۱۱ دوره از ۱۳ دوره) بهتر عمل کرد. در بازار نزولی، این روش پیشنهادی ۸۹ درصد مواقع (۱۷ دوره از ۱۹ دوره) رقبا را شکست داد. در طی اصلاح بازار، این روش پیشنهادی در ۹۰ درصد موارد (۹ از ۱۰ دوره) از سایر معیارها بهتر عمل کرد.

شکل ۹ به ۱۱ بخش تقسیم شده است که در بین آنها روش پیشنهادی در این مطالعه در ۹ بخش عملکرد بهتری دارد. علاوه بر این، در ۱۱ سه ماهه، حتی زمانی که استراتژی TWN50، TAIEX و میانگین سرمایه تخصیص یافته نرخ بازدهی منفی دارند، روش پیشنهادی همچنان موفق به دستیابی به بازگشت سرمایه ۴٫۲۰ درصدی می شود. با میانگین کل نرخ بازده تا ۶٫۰۰٪، روش پیشنهادی بهترین عملکرد را نشان می دهد. این تأیید می کند که ادغام الگوریتم های ژنتیک و مدل ارزیابی ارزش Ohlson می تواند به طور قابل توجهی بازده سرمایه را افزایش دهد.

در سال ۲۰۱۰، بحران بدهی اروپا شروع به گسترش در منطقه یورو کرد و تایوان نیز در این دوره تحت تأثیر قرار گرفت. جدول ۳ بازده ماهانه به دست آمده از روش های مختلف مقایسه را از ژانویه ۲۰۱۰ تا دسامبر ۲۰۱۰ نشان می دهد. با توجه به میانگین نرخ بازده از ژانویه ۲۰۱۰ تا ژوئن ۲۰۱۰، چارچوب پیشنهادی در این مطالعه نرخ بازدهی ۹٫۵۱ درصد را به همراه داشت. این عملکرد نسبت به بازده شاخص بازار TWN50، بازده میانگین سرمایه تخصیص یافته و بازده تولید شده توسط الگوریتم ژنتیک ساده (SGA) برتری دارد. بازده به دست آمده از این مطالعه از میانگین بازده TWN50 در پنج ماه از شش ماه بهتر بود. از جولای ۲۰۱۰ تا دسامبر ۲۰۱۰، میانگین نرخ بازدهی با استفاده از چارچوب این مطالعه نیز از میانگین بازده TWN50 بهتر بود، اگرچه تنها در سه ماه از شش ماه از میانگین بازده TWN50 بالاتر بود. با این وجود، نرخ بازده از روش‌های دیگر مورد استفاده در آزمایش‌ها نشان می‌دهد که چارچوب این مطالعه به طور مداوم بازده بهتری را به همراه دارد.

در سپتامبر ۲۰۰۸، ورشکستگی Lehman Brothers باعث یک بحران مالی جهانی شد که به شدت بر بازارهای سهام در سراسر جهان تأثیر گذاشت. بازار سهام تایوان در امان نماند و متحمل ضررهای قابل توجهی شد و ارزش آن از ۲۲٫۳۷ تریلیون به ۱۲٫۶۵ تریلیون کاهش یافت. شاخص بورس نیز به زیر مرز ۵۰۰۰ واحدی سقوط کرد. با وجود این محیط چالش برانگیز، الگوریتم ژنتیک یکپارچه مورد استفاده در این مطالعه از همه روش‌های معیار در سال ۲۰۰۸ عملکرد بهتری داشت. معماری این مطالعه به نرخ بازدهی ۱۲٫۰۵ درصدی دست یافت که از میانگین نرخ‌های بازده از روش‌های رقیب در نیمه اول سال پیشی گرفت. اگرچه الگوریتم‌های ژنتیک یکپارچه بازدهی منفی را در ماه‌های جولای، سپتامبر و اکتبر تجربه کردند، روش پیشنهادی در این مقاله همچنان به میانگین نرخ بازگشت شش ماهه در نیمه دوم سال دست یافت که ۴٫۹۱ درصد بیشتر از الگوریتم ژنتیک ساده (SGA) بود. ) ۱۰٫۵۴ درصد بیشتر از TWN50، ۱۰٫۳۳ درصد بیشتر از بازده شاخص بازار و ۱۰٫۲۸ درصد بیشتر از بازده میانگین سرمایه تخصیص یافته است. روش پیشنهادی همچنان توانست نرخ بازدهی ۲٫۷۵ درصدی را به همراه داشته باشد. مقایسه نرخ بازده برای هر روش در جدول ۴ نشان داده شده است.

نتایج تجربی نشان می دهد که صرف نظر از افزایش یا کاهش شاخص بازار، الگوریتم های ژنتیک یکپارچه ارائه شده در این مطالعه قادر به ایجاد بازده اضافی بالاتر یا به حداقل رساندن زیان هستند. حتی در مقایسه با ۵۰ صندوق سرمایه گذاری حرفه ای برتر، الگوریتم ژنتیک یکپارچه به طور مداوم از بازده TWN50 بهتر عمل می کند. در هر محیط سرمایه گذاری، روش پیشنهادی نتایج مثبتی را به همراه دارد. جدای از توانایی الگوریتم ژنتیک در تصمیم گیری صحیح برای سرمایه گذاری سهام (هم از نظر انتخاب و هم از نظر تخصیص سرمایه)، ادغام شبکه های عصبی LSTM و مدل Ohlson می تواند نقاط معاملاتی بهینه را به دقت شناسایی کند و در نتیجه به موضوع تصمیم گیری های زمان بندی بازار بپردازد. با ادغام صحیح تصمیمات انتخاب، زمان بندی و تخصیص سرمایه، سرمایه گذاران واقعاً می توانند به بازده مازاد برتر دست یابند. این مطالعه پتانسیل استفاده از تکنیک‌های پیشرفته هوش مصنوعی، مانند الگوریتم‌های ژنتیک و شبکه‌های عصبی LSTM را در افزایش استراتژی‌ها و نتایج سرمایه‌گذاری نشان می‌دهد.

۵٫ نتیجه گیری ها

بر اساس ادبیات گذشته، مطالعات کمی به طور همزمان سه استراتژی سرمایه گذاری در بازار سهام – انتخاب، زمان بندی و تخصیص سرمایه را ادغام کرده اند. بیشتر استراتژی های زمان بندی بازار با استراتژی های قبلی که از شاخص های فنی برای تعیین نقطه فروش استفاده می کردند، متفاوت است. در عوض، این مقاله از مدل Ohlson از تحلیل بنیادی برای تعیین ارزش واقعی سهام استفاده می کند. این مطالعه با ترکیب شبکه‌های عصبی LSTM و مدل Ohlson، رابطه غیرخطی بین متغیرها و ارزش واقعی سهام را یاد می‌گیرد. سپس ارزش واقعی محاسبه‌شده سهام با قیمت بازار سهام مقایسه می‌شود تا مبنایی برای تصمیم‌گیری خرید یا فروش باشد. این رویکرد یک استراتژی جامع تر و بالقوه موثرتر برای سرمایه گذاری در بازار سهام ارائه می دهد.

برای افزایش سرعت و کارایی پردازش داده‌های موجودی، این مقاله همچنین یک روش کدگذاری الگوریتم ژنتیک کارآمد را بر اساس مفهوم بهینه‌سازی تخصیص منابع از طریق ترکیب با تکرار معرفی می‌کند. هدف، رسیدگی موثر به بهینه سازی انتخاب سهام و تخصیص سرمایه در سرمایه گذاری سهام است. یافته‌های تجربی تاکید می‌کنند که استفاده از الگوریتم‌های ژنتیک با ویژگی‌های بهینه‌سازی می‌تواند تخصیص سرمایه را به طور موثر اصلاح کند. استفاده از این پیکربندی تخصیص سرمایه برای سرمایه‌گذاری سهام، بازدهی را پیشی می‌گیرد که از طریق تنوع در سهام هدف، میانگین بازده سهام هدف، بازده شاخص بازار، و بازده حاصل از الگوریتم ژنتیک ساده به دست می‌آید. در یک رقابت متوسط بازده شش ماهه، روش پیشنهادی در این مطالعه از میانگین بازده TWN50 پیشی می‌گیرد. این نتایج کاملاً ثابت می‌کند که روش ارائه‌شده در اینجا در واقع به سرمایه‌گذاران مبنایی برتر برای تصمیم‌گیری سرمایه‌گذاری ارائه می‌دهد که بازدهی بالاتری را به همراه دارد.

منبع: https://www.mdpi.com/2673-2688/5/3/50