نظرسنجی در مورد استفاده از یادگیری عمیق در تجارت الگوریتمی

تجارت الگوریتمی یکی از مربوطه ترین دستورالعمل ها در برنامه های مالی است. در مقایسه با استراتژی های معاملاتی سنتی ، برنامه های تجارت الگوریتمی پیش بینی و داوری را با راندمان بالاتر و عملکرد پایدار انجام می دهند. مطالعات بیشماری در مورد مدل های تجارت الگوریتمی با استفاده از یادگیری عمیق برای انجام پیش بینی و تجزیه و تحلیل معاملات انجام شده است. در این مقاله ، ما ابتدا چندین روش یادگیری عمیق را خلاصه می کنیم که عملکرد خوبی را در برنامه های تجارت الگوریتمی نشان داده اند و به طور خلاصه برخی از برنامه های یادگیری عمیق را در تجارت الگوریتمی معرفی می کنیم. سپس ما سعی می کنیم آخرین برنامه عکس فوری را برای تجارت الگوریتمی بر اساس فناوری یادگیری عمیق ارائه دهیم و پیاده سازی های مختلف مدل تجارت الگوریتمی توسعه یافته را نشان دهیم. سرانجام ، برخی از موضوعات تحقیقاتی احتمالی در آینده پیشنهاد شده است. اهداف اصلی این مقاله ارائه پیشرفت جامع در مورد برنامه های یادگیری عمیق در تجارت الگوریتمی و بهره مندی برای تحقیقات بعدی در مورد سیستم های تجارت برنامه های رایانه ای است.

• کلید واژه ها:
• یادگیری عمیق،
• تجارت الگوریتمی ،
• استراتژی تجارت ،
• پیش بینی قیمت ،
• داوری

استناد: یونگفنگ وانگ ، گوفنگ یان. بررسی در مورد کاربرد یادگیری عمیق در تجارت الگوریتمی [J]. علوم داده در امور مالی و اقتصاد ، 2021 ، 1 (4): 345-361. doi: 10. 3934/dsfe. 2021019

مقالات مرتبط:

خلاصه

تجارت الگوریتمی یکی از مربوطه ترین دستورالعمل ها در برنامه های مالی است. در مقایسه با استراتژی های معاملاتی سنتی ، برنامه های تجارت الگوریتمی پیش بینی و داوری را با راندمان بالاتر و عملکرد پایدار انجام می دهند. مطالعات بیشماری در مورد مدل های تجارت الگوریتمی با استفاده از یادگیری عمیق برای انجام پیش بینی و تجزیه و تحلیل معاملات انجام شده است. در این مقاله ، ما ابتدا چندین روش یادگیری عمیق را خلاصه می کنیم که عملکرد خوبی را در برنامه های تجارت الگوریتمی نشان داده اند و به طور خلاصه برخی از برنامه های یادگیری عمیق را در تجارت الگوریتمی معرفی می کنیم. سپس ما سعی می کنیم آخرین برنامه عکس فوری را برای تجارت الگوریتمی بر اساس فناوری یادگیری عمیق ارائه دهیم و پیاده سازی های مختلف مدل تجارت الگوریتمی توسعه یافته را نشان دهیم. سرانجام ، برخی از موضوعات تحقیقاتی احتمالی در آینده پیشنهاد شده است. اهداف اصلی این مقاله ارائه پیشرفت جامع در مورد برنامه های یادگیری عمیق در تجارت الگوریتمی و بهره مندی برای تحقیقات بعدی در مورد سیستم های تجارت برنامه های رایانه ای است.

منابع

[1]	Baek Y ، Kim H (2018) Modaugnet: یک چارچوب پیش بینی جدید برای ارزش شاخص بازار سهام با ماژول LSTM پیشگیری بیش از حد و یک ماژول LSTM پیش بینی. Expert Syst Appl 113: 457-480. doi: 10. 1016/j. eswa. 2018. 07. 019
[2]	Boehmer E ، Fong K ، Wu J (2012) شواهد بین المللی در مورد تجارت الگوریتمی. در مقاله جلسات AFA 2013 سن دیگو.
[3]	Chen C ، Zhang P ، Liu Y ، et al.(2020) سرمایه گذاری کمی مالی با استفاده از شبکه عصبی حلقوی و فناوری یادگیری عمیق. Neurocomputing 390: 384-390. doi: 10. 1016/j. neucom. 2019. 09. 092
[4]	Chen J ، Chen W ، Huang C ، et al.(2016) تجزیه و تحلیل داده های سری زمانی مالی با استفاده از شبکه های عصبی عمیق حلقوی. در سال 2016 هفتمین کنفرانس بین المللی محاسبات ابری و داده های بزرگ (CCBD) ، 87-92.
[5]	Chen K ، Zhou Y ، Dai F (2015) یک روش مبتنی بر LSTM برای پیش بینی بازده سهام: یک مطالعه موردی از بازار سهام چین. در سال 2015 کنفرانس بین المللی IEEE در مورد داده های بزرگ (داده های بزرگ) ، 2823 2824.
[6]	Chen S ، He H (2018) پیش بینی سهام با استفاده از شبکه عصبی Convolutional. در سری کنفرانس IOP: علوم و مهندسی مواد ، 435: 012026.
[7]	Chen Y ، Chen W ، Huang S (2018) تدوین استراتژی داوری در معاملات جفت با فرکانس بالا با الگوریتم CNN FilterBank. در کنفرانس بین المللی IEEE در سال 2018 (ICA) ، 113-116.
[8]	Cybenko G (1989) تقریب توسط برهم نهی یک تابع سیگموئیدی. سیستم سیگنال های کنترل ریاضی 2: 303-314. doi: 10. 1007/BF02551274
[9]	دی ام، لی سی (2016) یادگیری عمیق برای تجزیه و تحلیل احساسات مالی در ارائه دهندگان اخبار مالی. در سال 2016 کنفرانس بین المللی IEEE/ACM در مورد پیشرفت در تجزیه و تحلیل شبکه های اجتماعی و استخراج (ASONAM)، 1127-1134.
[10]	دنگ وای، بائو اف، کونگ وای و همکاران.(2017) آموزش تقویت مستقیم عمیق برای نمایش و تجارت سیگنال مالی. IEEE Trans Neural Networks System Lea 28: 653-664. doi: 10. 1109/TNNLS. 2016. 2522401
[11]	دیکسون ام، کلابجان دی، بنگ جی (2017) پیش بینی بازارهای مالی مبتنی بر طبقه بندی با استفاده از شبکه های عصبی عمیق. مالی الگوریتمی 6: 67-77. doi: 10. 3233/AF-170176
[12]	Doering J, Fairbank M, Markose S (2017) شبکه های عصبی کانولوشن برای پیش بینی ریزساختار بازار با فرکانس بالا اعمال می شوند. در سال 2017 نهمین علوم کامپیوتر و مهندسی الکترونیک (CEEC)، 31 36.
[13]	Fang Y, Chen J, Xue Z (2019) تحقیق در مورد استراتژی های سرمایه گذاری کمی مبتنی بر یادگیری عمیق. الگوریتم های 12: 35. doi: 10. 3390/a12020035
[14]	Gudelek M, Boluk S, Ozbayoglu A (2017) یک مدل معاملات سهام مبتنی بر یادگیری عمیق با تشخیص روند CNN دو بعدی. در سال 2017 سری سمپوزیوم IEEE در مورد هوش محاسباتی (SSCI)، 1-8.
[15]	Gunduz H، Yaslan Y، Cataltepe Z (2017) پیش بینی درون روزی بورس استانبول با استفاده از شبکه های عصبی کانولوشنال و همبستگی های ویژگی. سیستم مبتنی بر دانش 137: 138-148. doi: 10. 1016/j. knosys. 2017. 09. 023
[16]	Hendershott T, Jones C, Menkveld A (2011) آیا معاملات الگوریتمی نقدینگی را بهبود می بخشد؟ج مالی 66: 1-33. doi: 10. 1111/j. 1540-6261. 2010. 01624. x
[17]	Hendershott T, Riordan R (2009) تجارت الگوریتمی و اطلاعات. دانشگاه کالیفرنیا، برکلی.
[18]	Hinton G، Salakhutdinov R (2006) کاهش ابعاد داده ها با شبکه های عصبی. علم 313: 504-507. doi: 10. 1126/science. 1127647
[19]	Hochreiter S, Schmidhuber J (1997) حافظه کوتاه مدت طولانی. محاسبات عصبی 9: 1735-1780. doi: 10. 1162/neco. 1997. 9. 8. 1735
[20]	لی اچ، گروس آر، رانگانات آر، و همکاران.(2009) شبکه های باور عمیق کانولوشن برای یادگیری بدون نظارت مقیاس پذیر نمایش های سلسله مراتبی. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی سالانه یادگیری ماشین، 609 616.
[21]	Hoseinzade E, Haratizadeh S (2019) CNNpred: پیش بینی بازار سهام مبتنی بر CNN با استفاده از مجموعه متنوعی از متغیرها. Expert Syst Appl 129: 273-285. doi: 10. 1016/j. eswa. 2019. 03. 029
[22]	Hossain M ، Karim R ، Thulasiram R ، et al.(2018) مدل یادگیری عمیق ترکیبی برای پیش بینی قیمت سهام. در سال 2018 سری سمپوزیوم IEEE در مورد هوش محاسباتی (SSCI) ، 1837-1844.
[23]	Jeong G ، Kim H (2019) بهبود تصمیمات تجاری مالی با استفاده از یادگیری Q Deep: پیش بینی تعداد سهام ، استراتژی های عمل و یادگیری انتقال. Expert Syst Appl 117: 125 138. doi: 10. 1016/j. eswa. 2018. 09. 036
[24]	Ji S ، Kim J ، Im H (2019) یک مطالعه مقایسه ای پیش بینی قیمت بیت کوین با استفاده از یادگیری عمیق. ریاضیات 7: 898. doi: 10. 3390/math7100898
[25]	Kalman B ، Kwasny S (1992) چرا Tanh: انتخاب عملکرد سیگموئیدی. در [مجموعه مقالات 1992] کنفرانس مشترک بین المللی IJCNN در شبکه های عصبی ، 4: 578-581.
[26]	Kim S ، Kang M (2019) پیش بینی سری مالی با استفاده از توجه LSTM. arxiv preprint arxiv: 1902. 10877.
[27]	Krauss C ، Do X ، Huck N (2017) شبکه های عصبی عمیق ، درختان تقویت شده با گرادیان ، جنگل های تصادفی: داوری آماری در S& P 500. Eur J Oper Res 259: 689-702. doi: 10. 1016/j. ejor. 2016. 10. 031
[28]	Lecun Y ، Bengio Y ، Hinton G (2015) یادگیری عمیق. طبیعت 521: 436-44. doi: 10. 1038/Nature14539
[29]	Li Y ، Zheng W ، Zheng Z (2019) یادگیری تقویت کننده قوی برای تجارت الگوریتمی عملی. IEEE Access 7: 108014-108022. doi: 10. 1109/دسترسی . 2019. 2932789
[30]	Lin B ، Chu W ، Wang C (2018) کاربرد تجزیه و تحلیل سهام با استفاده از یادگیری عمیق. در سال 2018 هفتمین کنگره بین المللی انفورماتیک کاربردی پیشرفته (ⅱAI-AAI) ، 612-617.
[31]	Liu S ، Zhang C ، Ma J (2017) مدل شبکه عصبی CNN-LSTM برای تجزیه و تحلیل استراتژی کمی در بازارهای سهام. در کنفرانس بین المللی پردازش اطلاعات عصبی ، Springer ، 198-206.
[32]	Lu W ، Li J ، Li Y ، et al.(2020) یک مدل مبتنی بر CNN-LSTM برای پیش بینی قیمت سهام. پیچیدگی 2020: 6622927.
[33]	Luo S ، Lin X ، Zheng Z (2019) رمان CNN-DDPG مبتنی بر AI-Trader: عملکرد و نقش در عملیات تجاری. transp res part e logist transp rev 131: 68-79. doi: 10. 1016/j. tre. 2019. 09. 013
[34]	LV D ، Yuan S ، Li M ، et al.(2019) یک مطالعه تجربی از الگوریتم های یادگیری ماشین برای استراتژی معاملات روزانه سهام. MATH PROBL ENG 2019: 7816154.
[35]	Mikolov T ، Karafiát M ، Burget L ، et al.(2010) مدل زبان مبتنی بر شبکه عصبی مکرر. در Interspeech ، Makuhari ، 1045-1048.
[36]	Mudassir M ، Bennbaia S ، Unal D ، et al.(2020) پیش بینی سری زمانی قیمت بیت کوین با استفاده از ویژگی های با ابعاد بالا: یک رویکرد یادگیری ماشین. رایانه عصبی Appl 2020: 1-15.
[37]	Nair V ، Hinton G (2010) واحدهای خطی اصلاح شده دستگاه های Boltzmann محدود را بهبود می بخشند. در ICML
[38]	Nelson D ، Pereira A ، De Oliveira R (2017) پیش بینی حرکت قیمت بازار سهام با شبکه های عصبی LSTM. در کنفرانس مشترک بین المللی شبکه های عصبی (IJCNN) ، 1419-1426.
[39]	Nuti G ، Mirghaemi M ، Treleaven P ، et al.(2011) تجارت الگوریتمی. رایانه 44: 61-69. doi: 10. 1109/mc. 2011. 31
[40]	Ozbayoglu A ، Gudelek M ، Sezer O (2020) یادگیری عمیق برای برنامه های مالی: یک نظرسنجی. Apple Soft Comput 93: 106384. doi: 10. 1016/j. asoc. 2020. 106384
[41]	Selvin S ، Vinayakumar R ، Gopalakrishnan E ، et al.(2017) پیش بینی قیمت سهام با استفاده از مدل پنجره LSTM ، RNN و CNN. در کنفرانس بین المللی سال 2017 در مورد پیشرفت در محاسبات ، ارتباطات و انفورماتیک (ICACCI) ، 1643-1643.
[42]	Serrano W (2018) مدل fintech: شبکه عصبی تصادفی با الگوریتم ژنتیکی. رویه Comput Sci 126: 537-546. doi: 10. 1016/j. procs. 2018. 07. 288
[43]	Sezer O ، Ozbayoglu M ، Dogdu E (2017) یک سیستم معاملاتی سهام مبتنی بر شبکه عصبی مبتنی بر مبتنی بر پارامترهای تجزیه و تحلیل فنی بهینه شده تکاملی. رویه Comput Sci 114: 473-480. doi: 10. 1016/j. procs. 2017. 09. 031
[44]	Sezer O ، Ozbayoglu A (2018) تجارت مالی الگوریتمی با شبکه های عصبی عمیق حلقوی: سری زمانی به رویکرد تبدیل تصویر. Apple Soft Comput 70: 525-538. doi: 10. 1016/j. asoc. 2018. 04. 024
[45]	Sezer O ، Ozbayoglu A (2019) مدل معاملات مالی با نمودار نوار سهام سری زمان تصویر با شبکه های عصبی عمیق. arxiv preprint arxiv: 1903. 04610.
[46]	شاه د ، کمپبل دبلیو ، زولکرین F (2018) یک مطالعه تطبیقی LSTM و DNN برای پیش بینی بازار سهام. در سال 2018 کنفرانس بین المللی IEEE در مورد داده های بزرگ (داده های بزرگ) ، 4148-4155.
[47]	Singh R ، Srivastava S (2017) پیش بینی سهام با استفاده از یادگیری عمیق. ابزارهای چندرسانه ای Appl 76: 18569 18584. doi: 10. 1007/S11042-016-4159-7
[48]	Sirignano J ، Cont R (2019) ویژگی های جهانی تشکیل قیمت در بازارهای مالی: چشم انداز از یادگیری عمیق. کمیته مالی 19: 1449-1459. doi: 10. 1080/14697688. 2019. 1622295
[49]	Sohangir S ، Wang D ، Pomeranets A ، et al.(2018) داده های بزرگ: یادگیری عمیق برای تجزیه و تحلیل احساسات مالی. J Big Data 5: 1-25. doi: 10. 1186/S40537-017-0111-6
[50]	Sutskever I ، Hinton G ، Taylor G (2009) دستگاه بولتزمن محدود زمانی مکرر. در پیشرفت در سیستم های پردازش اطلاعات عصبی ، 1601-1608.
[51]	Thate t ، Est D (2021) کاربرد یادگیری تقویت عمیق به تجارت الگوریتمی. Expert Syst Appl 173: 114632. doi: 10. 1016/j. eswa. 2021. 114632
[52]	Treleaven P ، Galas M ، Lalchand V (2013) بررسی تجارت الگوریتمی. ارتباط ACM 56: 76-85. doi: 10. 1145/2500117
[53]	Troiano L ، Villa E ، Loia V (2018) تکرار یک استراتژی تجارت با استفاده از LSTM برای برنامه های صنعت مالی. IEEE Trans Ind Inf 14: 3226-3234. doi: 10. 1109/tii. 2018. 2811377
[54]	Wang Z ، Lu W ، Zhang K ، et al.(2021) MCTG: الگوریتم معاملاتی به اشتراک مداوم چند فرکانس با گارچ بر اساس یادگیری تقویت عمیق. arxiv preprint arxiv: 2105. 03625.
[55]	Xie M ، Li H ، Zhao Y (2020) سرمایه گذاری مالی blockchain بر اساس الگوریتم شبکه یادگیری عمیق. J Comput Appl Math 372: 112723. doi: 10. 1016/j. cam. 2020. 112723
[56]	ژائو Z ، Rao R ، Tu S ، et al.(2017) مدل LSTM با وزن زمانی با برچسب زدن تعریف شده برای پیش بینی روند سهام. در سال 2017 IEEE 29 مین کنفرانس بین المللی ابزارهای دارای هوش مصنوعی (ICTAI) ، 1210 1217.
[57]	Zou Z ، Qu Z (2020) با استفاده از LSTM در پیش بینی سهام و تجارت کمی. CS230: یادگیری عمیق ، زمستان.