تحلیل تکنیکی در پیش بینی روند بازار
تحلیل تکنیکی در پیش بینی روند بازار
انجام پایان نامه
چکیده
تحلیل تکنیکی در پیش بینی روند بازار
پیش بینی بازار بورس یکی از چالش برانگیزترین مسائلی است که بیش از نیم قرن هم محققان و هم تحلیلگران مالی را نگران کرده است.
برای رفع این مشکل، دو رویکرد کاملاً متضاد، یعنی تحلیل تکنیکی و بنیادی، ظهور کرد.
تحلیل تکنیکی پیش بینی های خود را بر اساس شاخص های ریاضی ساخته شده بر قیمت سهام انجام می دهد، در حالی که تحلیل بنیادی از اطلاعاتی که از اخبار ، سودآوری و عوامل کلان اقتصادی گرفته می شود ، بهره برداری می کند.
رقابت بین این مکاتب فکری منجر به دستاوردهای جالب بسیاری گردیده، اما تا به امروز هیچ راه حل رضایت بخشی پیدا نشده است.
هدف ما این است که تحلیل های تکنیکی و بنیادی را با استفاده از علم داده و تکنیک های یادگیری ماشین تلفیق کنیم. در این مقاله، مشکل پیش بینی بازار سهام در یک کار طبقه بندی داده های پیوسته زمانی ترسیم شده است.
شاخص های تحلیل تکنیکی و احساسات مقالات خبری هر دو به عنوان ورودی مورد استفاده قرار گرفته اند.
نتیجه یک مدل پیش بینی قوی است که قادر به پیش بینی روند پرتفوی تشکیل شده توسط بیست شرکت با سرمایه زیاد در فهرست NASDAQ100 است.
تحلیل تکنیکی در پیش بینی روند بازار
ما به عنوان مدرکی برای اثربخشی واقعی رویکردمان از پیش بینی های انجام شده برای اجرای یک شبیه سازی معاملاتی با فرکانس بالا و رسیدن به بیش از 80٪ بازده سالانه استفاده کردیم.
این پروژه گامی به جلو برای ترکیب تحلیل های تکنیکی و بنیادی نشان می دهد و نقطه شروعی برای توسعه استراتژی های جدید تجاری است.
مقدمه
پیش بینی بازار سهام مساله ای چالش برانگیز برای حل است و پیچیدگی آن به شدت با عوامل مختلفی مرتبط است که می تواند بر تغییرات قیمت تأثیر بگذارد.
محققان و شاغلان حوزه های مختلف این چالش را پذیرفته اند، به طوری که واحدهای تحقیق متشکل از ریاضیدانان، دانشمندان داده ها ، فیلسوفان و تحلیلگران مالی بسیار رایج هستند. عدم تجانس این محیط منجر شده تا گامهای مهمی در راستای نظریه بازار برداشته شود.
انجام مقاله
نتیجه گیری و مسیرهای پیش رو
هدف این کار ترکیب رویکردهای تحلیلگران تکنیکی و بنیادی برای پیش بینی روند بازار از طریق استفاده از تکنیک های یادگیری ماشینی است که برای پیش بینی پیوستگی های زمانی و تحلیل احساسات کاربرد دارد.
علاوه بر این، ما با هدف ایجاد یک مدل قوی قادر به پیش بینی روند یک سبد سهام و بهره برداری از پیش بینی های آن در یک استراتژی تجاری هستیم.
بنابراین، ما بهره برداری از معماری شبکه نورونی رو به جلو را به یک مشکل طبقه بندی روند پیشنهاد می کنیم و بررسی را به دو مرحله تقسیم می کنیم.
مرحله اول برای ارزیابی رفتار آماری طبقه بندی انجام می شود ، و مرحله دوم بر آزمایش اثربخشی پیش بینی مدل ها هنگام بهره برداری در یک شبیه سازی تجارت متمرکز دارد در حالی که مورد دوم در آزمایش اثربخشی پیش بینی مدل ها هنگام بهره برداری در یک شبیه سازی تجارت متمرکز است.
خروجی مدل قدرتمندی است که می تواند هر دو روند مثبت و منفی را در سهام مورد مطالعه طبقه بندی کند. رفتار صحیح طبقه بندی با ارزیابی شکاف بین مقادیر فراخوانده از نمونه های مثبت و منفی نشان داده می شود.
بعلاوه، مدل ما قادر به شناسایی معنی دارترین تغییرات در روند بازار و دستیابی به بازده مثبت طی شبیه سازی معاملات است.
در این کار از دو رویکرد متفاوت برای تعبیه احساسات استخراجی از اخبار استفاده شده است: فرهنگ لغت لافران و مک دونالد و فضای موثر 2.
علی رغم اینکه بهره گیری از ویژگی های تخمین زده شده با استفاده از فرهنگ لغت لافران و مک دونالد منجر به مقادیر بالاتر بازده سالانه شد، استفاده از ویژگی های فضای موثر به عنوان ورودی به معماری شبکه ارتباطی در دستیابی به مقادیر با دقت بالا، مؤثرتر بود.
مقایسه میان سه مجموعه ویژگی، یعنی مجموعه قیمت، اخبار و قیمت و اخبار انجام شده است و ترکیب تمایل تعبیه با شاخص های فنی قیمت منجر شده تا استفاده از مجموعه قیمت به تنهایی کارآمدتر باشد.
از سوی دیگر، عملکرد ارزشگذاری بیش از حد در مقایسه با تنها استفاده از مجموعه اخبار چشمگیر نیست.
بنابراین ، ما معتقدیم که ، برای حل این ضعف ، استفاده از یک روش ادغام ویژگی های مناسب ، سمت وسوی جالبی برای بررسی های آتی است.
علاوه بر این، ما با توجه به اینکه می دانیم داده های ما محدود است به طور جدی برای بازیابی اطلاعات جدیدی و در مرحله بعدی ایجاد یک مرحله برگشت آزمایش مناسب برای مدل خود تلاش می کنیم.
به طور خلاصه، این کار زمینه مستحکمی برای همکاریهای آتی میان رویکردهای تکنیکی و بنیادی در پیش بینی بازار ایجاد می کند.
علاوه بر این، این روشها با استفاده از روشهای یادگیری ماشینی و علم داده ، رویکردهای متضاد را که بیش از نیم قرن است که تحلیلگران بازار را تقسیم کرده است آشتی می دهد.
انجام پروپوزال
برای مشاهده مطالب بیشتر به سایت www.farzdon.ir مراجعه نماید.
تحلیل تکنیکی در پیش بینی روند بازار
a b s t r a c t
Stock market prediction is one of the most challenging problems which has been distressing both researchers and financial analysts for more than half a century.
To tackle this problem, two completely opposite approaches, namely technical and fundamental analysis, emerged. Technical analysis bases its predictions on mathematical indicators constructed on the stocks price, while fundamental analysis exploits the information retrieved from news, profitability, and macroeconomic factors.
The competition between these schools of thought has led to many interesting achievements, however, to date, no satisfactory solution has been found.
Our work aims to combine both technical and fundamental analysis through the application of data science and machine learning techniques.
In this paper, the stock market prediction problem is mapped in a classification task of time series data.
Indicators of technical analysis and the sentiment of news articles are both exploited as input.
The outcome is a robust predictive model able to forecast the trend of a portfolio composed by the twenty most capitalized companies listed in the NASDAQ100 index.
As a proof of real effectiveness of our approach, we exploit the predictions to run a high frequency trading simulation reaching more than 80% of annualized return.
This project represents a step forward to combine technical and fundamental analysis and provides a starting point for developing new trading strategies.
Introduction
Stock market prediction is a challenging problem to solve and its complexity is strictly related to multiple factors which could affect price changes. Researchers and practitioners coming from different fields have taken the challenge, so that research units composed of mathematicians, data scientists, philosophers, and financial analysts are widely common. The heterogeneity of this environment has led to important steps forward the market theory.
Conclusion and future directions
The target of this work was to combine the technical and fundamental analysts approaches to market trend forecasting through the use of machine learning techniques applied to time series prediction and sentiment analysis.
Furthermore, we aimed to develop a robust model able to predict the trends of a portfolio of stocks and to exploit its predictions in a trading strategy.
Thus, we propose the exploitation of a feed forward neural network architecture into a trend classification problem and we perform an evaluation divided into two steps.
The first step is executed to evaluate the statistical behavior of the classifier, while the second is focused in testing the effectiveness of the models’ predictions when exploited in a trading simulation.
The outcome is a robust model which is able to effectively and fairly classify both positive and negative trends in the port- folio of stocks under study.
The correct behavior of the classifier is demonstrated with the evaluation of the gap between the recall values of the positive and negative samples.
Moreover, our model is able to recognize the most meaningful changes in the market trend and to achieve positive returns during the trading simulation.
In this work, two different approaches were used to extract sentiment embeddings from the news: the Loughran and Mc-Donald dictionary and Affective Space 2.
The use of Affective Space features as input to the neural network architecture resulted to be more effective in achieving high accuracy values, while the exploitation of the features computed with the use of Loughran and McDonald dictionary led to higher values of annualized returns.
A comparison between three feature sets, namely the Price, News, and Price & News sets, was performed and the combination of the sentiment embeddings with the price technical indicators results to out-perform the use of the Price set only.
On the other hand, the over performance in comparison with the use of the News set alone is not outstanding.
Thus, we believe that, to solve this weak- ness, the use of a proper features fusion technique is an interesting future direction to investigate.
Furthermore, we are aware that the time span of our data is limited and we are actively working to retrieve more news data and to build on top of it a proper back- testing phase to test our model.
Summarizing, this work establishes a solid basement for future collaborations between technical and fundamental approaches to the market prediction.
Moreover, it reconciles opposing approaches, which have divided the market analysts for more than half a century, with
the exploitation of machine learning and data science techniques.