رویکرد جدید برای پیش بینی قیمت سهام تجارت الکترونیکی: ترکیبی از یادگیری ماشین و تجزیه و تحلیل فنی

پیش بینی بازار سهام همیشه یک کار چالش برانگیز برای سرمایه گذاران است. این مطالعه با هدف توسعه یک رویکرد جدید برای پیش بینی حرکات قیمت سهام تجارت الکترونیکی انجام شد. سیگنال های منتشر شده توسط شاخص های فنی به عنوان ویژگی های دو الگوریتم یادگیری ماشین در پیش بینی حرکات سهام استفاده می شوند. شاخص های فنی مورد استفاده در این مطالعه میانگین حرکت (MA) ، حرکت میانگین واگرایی همگرایی (MACD) ، شاخص استحکام نسبی (RSI) و نوسان ساز تصادفی (SO) بود. در همین حال ، الگوریتم های یادگیری ماشین مورد استفاده در این مطالعه جنگل تصادفی (RF) و نزدیکترین Keighbor (KNN) بودند. یافته های این مطالعه نشان داد که گنجاندن سیگنال های منتشر شده توسط MA با 5 روز کوتاه MA و 20 روز MA به کاهش مقادیر خطا برای مدل پیش بینی کمک می کند. علاوه بر این ، این مطالعه همچنین نشان داد که سیگنال های MA ، MACD ، RSI و بنابراین مدل پیش بینی را به خوبی متناسب می کنند. به سرمایه گذاران توصیه می شود از الگوریتم های یادگیری ماشین برای پیش بینی حرکات قیمت سهام تجارت الکترونیکی استفاده کنند. سرانجام ، به سرمایه گذاران توصیه می شود سیگنال های این چهار شاخص فنی ، MA (5 روز کوتاه MA و 20 Long-MA) ، MACD ، RSI و به عنوان مرجع استراتژی های سرمایه گذاری خود در سهام تجارت الکترونیکی را در نظر بگیرند.

احمد ، ز. ، ابراهیم ، H. ، و توئون ، جی. (2017). رفتار مدیران صندوق در صنعت مدیریت سرمایه گذاری مالزی. تحقیقات کیفی در بازارهای مالی ، 9 (3) ، 205-239. https://www. emerald.com/insight/content/doi/10. 1108/qrfm-08-2016-0024/html ampomah ، E. K. ، Qin ، Z. ، & Nyame ، G. (2020). ارزیابی مدل های یادگیری دستگاه مبتنی بر درخت در پیش بینی جهت قیمت سهام حرکت. اطلاعات ، 11 (6) ، 332. https://doi.org/10. 3390/info11060332 Ayala ، J. ، Garcia-Torres ، M. ، Noguera ، J. ، Gomez-Vela ، F. ، & Divina ، F. 2021). بهینه سازی استراتژی تجزیه و تحلیل فنی با استفاده از یک رویکرد یادگیری ماشین در شاخص های بازار سهام. سیستم های مبتنی بر دانش ، 225 ، 107119. https://doi.org/10. 1016/j. knosys. 2021. 107119 Barghouthi ، S. ، & Ehsan ، A. (2017). تجزیه و تحلیل بهره وری بازار بورس سهام AMMAN از طریق روش متوسط حرکت. مجله بین المللی تجارت و جامعه ، 18 ، 531-544. http://www. ijbs. unimas. my/images/repository/pdf/vol18-s3-paper8. pdf Basak ، S. ، Kar ، S. ، Saha ، S. ، & Dey ، S. R. (2018). پیش بینی جهت قیمت بازار سهام با استفاده از طبقه بندی کننده های مبتنی بر درخت. مجله اقتصاد و دارایی آمریکای شمالی ، 47 ، 552-567. https://doi.org/10. 1016/j. najef. 2018. 06. 013 Gerritsen ، D. F. (2016). آیا هنرمندان Chartists هستند؟عوامل تعیین کننده و سودآوری توصیه ها بر اساس تجزیه و تحلیل فنی. بررسی بین المللی تجزیه و تحلیل مالی ، 47 ، 179-196. https://doi.org/10. 1016/j. irfa. 2016. 06. 008 Han ، Y. ، Kim ، J. ، & Enke ، D. (2023). یک سیستم معاملات یادگیری ماشین برای بورس سهام بر اساس برچسب زدن N-Period Min-Max با استفاده از XGBoost. سیستم های خبره با برنامه های کاربردی ، 211 ، 118581. https://doi.org/10. 1016/j. eswa. 2022. 118581 Kang ، B. K. (2021). بهبود تجزیه و تحلیل فنی MACD با بهینه سازی پارامترها و اصلاح قوانین معاملات: شواهدی از بازار آتی Nikkei 225 ژاپن. مجله ریسک و مدیریت مالی ، 14 ، 37. https://doi.org/10. 3390/jrfm14010037 Khan ، W. ، Ghazanfar ، M. A. ، Azam ، M. A. ، Karami ، A. ، Alyoubi ، K. H. ، & Alfakeeh ، A. S. (20222222222222222222). پیش بینی بازار سهام با استفاده از طبقه بندی کننده های یادگیری ماشین و رسانه های اجتماعی ، اخبار. مجله هوش محیط و محاسبات انسانی ، 13 ، 3433-3456. https://doi.org/10. 1007/S12652-020-01839-W Khand ، S. ، Ahmad ، V. ، & Qureshi ، M. N. (2020). پیش بینی و سودآوری میانگین های متحرک ساده و قوانین برک آوت محدوده معاملات در بازار سهام پاکستان. بررسی بازارها و سیاست های مالی حوضه اقیانوس آرام ، 23 ، 1-38. https://doi.org/10.

1142/S0219091520500010 Kumar ، D. ، Sarangi ، P. K. ، & Verma ، R. (2022). بررسی سیستماتیک پیش بینی بازار سهام با استفاده از یادگیری ماشین و تکنیک های آماری. مطالب امروز: مجموعه مقالات ، 3187-3191. https://doi.org/10. 1016/j. matpr. 2020. 11. 399 Kumbure ، M. M. ، Lohrmann ، C. ، Luukka ، P. ، & Porras ، J. (2022). تکنیک های یادگیری ماشین و داده ها برای پیش بینی بازار سهام: بررسی ادبیات. سیستم های خبره با برنامه های کاربردی ، 197 ، 116659. https://doi.org/10. 1016/j. eswa. 2022. 116659 Le ، Y. ، Ha ، B. ، & Hwangbo ، S. (2022). مدل پیش بینی ترکیبی مبتنی بر مدل تولیدی برای تأمین برق تجدید پذیر با استفاده از شبکه های حافظه کوتاه مدت طولانی: یک مطالعه موردی از سیاست انتقال انرژی کره جنوبی. انرژی تجدید پذیر ، 200 ، 69-87. https://dx. doi.org/10. 2139/ss. 3986352 Ling ، P. S. ، Ruzita ، A. R. ، & Said ، F. F. (2020). اثربخشی استراتژی های فنی در شریعت مالزی در مقابل سهام معمولی. مجله بین المللی امور مالی اسلامی ، 12 (2) ، 195-215. http://dx. doi.org/10. 1108/ijif-08-2018-0092 Lohrmann ، C. ، & Luukka ، P. (2019). طبقه بندی Intraday S& P 500 با یک جنگل تصادفی باز می گردد. مجله بین المللی پیش بینی ، 35 (1) ، 390-407. https://doi.org/10. 1016/j. ijforecast. 2018. 08. 004 MA ، F. ، Lu ، X. ، Liu ، J. ، & Huang ، D. (2022). توجه کلان اقتصادی و پیش بینی بازده بازار سهام. مجله بازارهای مالی بین المللی ، موسسات و پول ، 79 ، 101603. https://doi.org/10. 1016/j. intfin. 2022. 101603 Mahmoodi ، A. ، Hashemi ، L. ، Jasemi ، M. ، Laliberte ، J. ، Millar، R. C. ، & Noshadi ، H. (2022). یک رویکرد جدید برای تجزیه و تحلیل فنی شمعدان با استفاده از ترکیبی از دستگاه بردار پشتیبانی و بهینه سازی swarm ذرات. مجله اقتصاد و بانکداری آسیایی ، 1-23. https://doi.org/10. 1108/ajeb-11-2021-0131 Mhadhbi ، M. ، Gallali ، M. I. ، Goutte ، S. ، & Guesmi ، K. (2021). در رابطه نامتقارن بین توسعه بازار سهام ، بهره وری انرژی و کیفیت محیط زیست: یک تجزیه و تحلیل غیرخطی. بررسی بین المللی تجزیه و تحلیل مالی ، 77 ، 101840. https://doi.org/10. 1016/j. irfa. 2021. 101840 Mndawe ، S. T. ، Paul ، B. S. ، & Doorsamy ، W. (2022). توسعه چارچوب پیش بینی قیمت سهام برای رسانه های هوشمند و تجزیه و تحلیل فنی. علوم کاربردی ، 12 ، 1-15. https://doi.org/ 10. 3390/app12020719 Murphy ، N. J. ، & Gebbie ، T. J. (2022). یادگیری پویایی استراتژی های تجارت فنی. سیستم های خبره با برنامه های کاربردی ، 197 ، 116659