یک مدل پیش بینی اقدامات معاملاتی بازار سهام با استفاده از شبکه های تولیدی طرفداری و رویکردهای نمایندگی خطی جزئی

یادگیری تحت نظارت وظایف پیش بینی سهام کاربردی و عملکرد رضایت بخش. استراتژی های معاملاتی بسیار پیچیده و متنوع است اما یادگیری تحت نظارت فقط توسط استراتژی های معاملاتی استاندارد طلا آموخته و نصب می شود. رویکردهای یادگیری تحت نظارت اغلب مشکلات بیش از حد مناسب دارند. برای یادگیری توزیع پاسخ های استاندارد طلا ، مدل های شبکه منفی (GAN) می توانند نمونه های مشابهی مشابه را برای بهبود عملکرد تولید کنند. بنابراین ، این مقاله یک چارچوب های مبتنی بر GAN با رویکرد خطی خطی (PLR) را برای یادگیری سه اقدام تجاری ، یعنی خرید ، فروش و برگزاری ارائه می دهد. چارچوب پیشنهادی از دو بخش تشکیل شده است: اول ، رویکرد PLR برای تشخیص قیمت های تاریخی برای تشکیل توالی های معاملاتی با سه اقدام استفاده می کند ، PLR می تواند یک استراتژی معاملاتی هدایت شده را برای تبعید کننده GAN فراهم کند. دوم ، از ژنراتور GAN برای تولید/پیش بینی اقدامات معاملاتی روزانه استفاده می شود و از این تبعیض برای تشخیص اقدامات معاملاتی واقعی/جعلی از PLR/ژنراتور GAN استفاده می شود. نتایج تجربی نشان می دهد که چارچوب های مبتنی بر GAN پیشنهادی از شبکه حافظه کوتاه مدت بلند مدت بهتر است.

روی نسخه خطی کار می کنید؟

1. معرفی

تجارت کمی توسط آمار ریاضی پشتیبانی می شود و می توان از آن برای پردازش سریع مقادیر زیادی از اطلاعات مالی استفاده کرد. یادگیری ماشین (ML) رویکرد یادگیری تحت نظارت برای حل مشکلات پیش بینی مالی با استفاده از مجموعه ای از قیمت سهام تاریخی به عنوان ویژگی هایی برای پیش بینی قیمت سهام آینده ایجاد شده است (لی و همکاران 2020). مدلهای اخیر یادگیری عمیق (DL) از رویکردهای سنتی آماری و ML در بسیاری از کارهای پیش بینی بازار سهام بهتر عمل کرده اند. بیشتر رویکردهای ML بر اساس الگوریتم های بهینه سازی برای به دست آوردن بهترین پارامترها یا قوانین مدل ، الگوریتم های بهینه سازی مختلف منجر به عملکرد مدل می شوند (لیو و همکاران 2021 ؛ Ozcalici و Bumin ، 2022). با این حال ، از الگوریتم های ML و DL برای یادگیری و پیش بینی قیمت سهام یا اقدامات معاملاتی استفاده شده است ، اما مشکل بیش از حد در مرحله آموزش اتفاق می افتد و در آینده نمی تواند سازگار شود. مدل های پیشرفته مبتنی بر شبکه های مخالف تولید کننده (GAN) ، که در آن از یک ژنراتور و یک تبعیض آمیز برای رقابت در یک بازی استفاده می شود ، با مدل های یادگیری تحت نظارت سنتی متفاوت است. مدل GAN در معرض یک فرآیند یادگیری دو مرحله ای قرار دارد که شامل داده های واقعی و داده های جعلی است (گلورجانی و همکاران 2017 ؛ ابراهیم ، 2021). ژنراتور در مدل GAN برای تولید خروجی نزدیک به داده های واقعی لازم است و تبعیض آمیز باید بتواند از این موضوع تبعیض قائل شود که آیا ورودی واقعی است یا از ژنراتور. در بسیاری از مطالعات ، مدل های GANS می توانند نمونه های آموزشی بیشتری را برای آموزش مدل ایجاد کنند و عملکرد مدل را از نظر پیش بینی قیمت تقویت کنند (Xu et al. 2022 ؛ Kumar et al. 2022). طبق مطالعات فوق ، مدل های GAN از رویکردهای یادگیری نظارت بر سرپرستی استفاده می کنند. بنابراین ، مدل های GAN می توانند یک مدل پیش بینی قدرتمند برای استفاده در زمینه مالی ساخته شوند. مدل های GAN سازگار برای پیش بینی تجارت سهام می توانند از چندین جهت همگرا شوند. این با رویکرد یادگیری تحت نظارت سنتی متفاوت است. اما GAN به داده های واقعی زیادی با کیفیت بالا احتیاج دارد زیرا توزیع داده های واقعی یک هدف یادگیری از تبعیض ساز برای تشخیص است. بنابراین ، دنباله عمل تجارت با کیفیت بالا به عنوان داده های واقعی در قیمت سهام تاریخی باید برای مدل GAN بدست آید. علاوه بر این ، از یک رویکرد نمایندگی خطی پراکنده (PLR) می توان برای شناسایی یک سری از نقاط پایین و اوج از داده های سری زمانی استفاده کرد (Wu and Chang 2012).

PLR می تواند بسیاری از نقاط عطف مورد نیاز برای هدایت اقدامات معاملاتی مانند خرید و فروش را شناسایی کند.

مدل GAN می تواند برای تولید مثالهای مشابه مانند اقدامات معاملاتی استفاده شود و اقدامات تجاری مشابه ممکن است از مشکل بیش از حد جلوگیری کند زیرا GAN به جای اینکه مستقیماً در هدف اقدامات معاملاتی باشد ، توسط مکانیسم مخالف یاد می گیرد. برای به دست آوردن کیفیت بالای اقدامات معاملاتی در مرحله آموزش ، PLR می تواند به دلیل جستجوی بهینه سازی از قیمت سهام تاریخی ، اقدامات معاملاتی بذر را برای مدل GAN ارائه دهد. بنابراین ، اقدامات معاملاتی نهایی پیش بینی شده توسط GAN بر اساس رویکردهای PLR ، توالی اقدام تجاری متنوع تری را ارائه می دهد. این مقاله چارچوبی مبتنی بر GAN را ارائه می دهد که می تواند اقدامات تجاری را بر اساس اطلاعات معاملات تاریخی و شاخص های فنی یاد بگیرد و تولید کند. اهداف این مقاله شامل (1) رویکرد PLR برای تولید نقاط معاملاتی مناسب به عنوان یک استراتژی معاملاتی ارجاع شده است.(2) (GAN) چارچوب مبتنی بر پیشنهاد برای آموزش مدل که با استفاده از ژنراتور برای تولید دنباله عمل معاملات سهام پیش بینی شده و تبعیض آمیز برای تشخیص اینکه آیا توالی واقعی از PLR یا دنباله جعلی از ژنراتور GAN است ، پیشنهاد می کند.(3) چارچوب مبتنی بر GAN می تواند عملکرد پیش بینی را در مقایسه با سایر مدلهای DL بهبود بخشد. علاوه بر این ، ما سایر چارچوب های مبتنی بر GAN ، یعنی کمترین مربع گان (LSGAN) (مائو و همکاران 2017) و Wasserstein Gan (WGAN) را با مجازات شیب (گلورجان و همکاران 2017) اعمال می کنیم (Gulrajani و همکاران 2017)مدل DL. هدف ما استفاده از قابلیت های GAN پیشنهادی برای تولید توالی اقدام به تجارت سهام است که می تواند بازده بالایی در سرمایه گذاری (ROI) داشته باشد.

بقیه مقاله به شرح زیر سازماندهی شده است. بررسی ادبیات در فرقه است. 2. این روش در بخش معرفی شده است. 3 ، به دنبال آن معرفی داده ها و نتیجه در فرقه. 4- سرانجام ، ما در مورد پیامدهای نظری و عملی این اثر در فرقه بحث می کنیم. 6

2 کار مرتبط

در این بخش ، ادبیات مربوط به روند توسعه و کاربرد در پیش بینی سهام ، یادگیری ماشین ، یادگیری عمیق و شبکه های مخالف مولد را مرور می کنیم.

2. 1 تجزیه و تحلیل فنی و شاخص

با توجه به فرضیه کارآمد بازار ، فقط در یک بازار ناکارآمد می توان از تجزیه و تحلیل فنی و قیمت های تاریخی برای پیش بینی قیمت های آینده و دستیابی به بازده استفاده کرد. در تایوان ، حتی اگر بازار سهام بسیار مایع باشد و تحت سلطه صنایع پیشرفته باشد ، در هنگام آزمایش با استفاده از مدل تشخیص بازار بهره وری ضعیف والد ، انحراف استاندارد مقطعی و انحراف مطلق مقطعی ، یک بازار ناکارآمد است. بنابراین ، در مورد بورس اوراق بهادار تایوان ، با استفاده از قیمت های تاریخی برای تولید پیش بینی های تجارت سهام ، پاداش های بالاتر از مواردی که از بازار وسیع به دست می آورند ممکن است بدست آید (نگوین و همکاران 2012). تجزیه و تحلیل فنی شامل استفاده از اطلاعات معاملاتی تاریخی مانند قیمت های تاریخی و حجم معاملات به عنوان پایه ای برای استراتژی های معاملاتی است و بسیاری از مطالعات بر توسعه یا استفاده از ابزارها یا شاخص های تحلیل فنی برای به دست آوردن سود از بازار سهام متمرکز شده اند. بنابراین ، شاخص های فنی به عنوان ویژگی های آموزش مدل دیگر محدود به قیمت و حجم سهام نیستند. به عنوان مثال ، شمعدان ها بر اساس افتتاح ، بالاترین ، کمترین و قیمت بسته ها محاسبه می شوند و مشاهده آسان تغییرات قیمت را در هر بازه زمانی تسهیل می کنند. میانگین حرکت روند قیمت را در یک دوره خاص مشاهده می کند ، که میانگین قیمت سهام در چندین نقطه در گذشته است. بسیاری از شاخص های فنی برای حل مشکلات پیش بینی سهام ، مانند نمودارهای شمعدانی (Thammakeso and Soil ، 2019) ، انواع مختلف MA (Detzel et al. 2021 ؛ Dai et al. 2021) ، Bollinger Bands و RSI (Pramudya and Ichsani) استفاده می شود.، 2020 ؛ پرامودیا ، 2020). به طور خلاصه ، شاخص های فنی مشاهده روندهای فعلی بازار را تسهیل می کنند و تأثیرات خاصی در کارهای پیش بینی سهام دارند.

2. 2 برنامه های یادگیری عمیق در امور مالی

چارچوب DL مبتنی بر مدل شبکه عصبی است که یک مدل غیرخطی با استفاده از نورون های متعدد است. ویج و همکاران.(2020) پیشنهاد کرد که از شبکه های عصبی چند لایه برای به دست آوردن پیش بینی قیمت بسته سهام استفاده شده است. از نظر پیش بینی قیمت ، الگوریتم Backpropagation برای بهینه سازی مدل که می تواند اعتبار و برتری بهتری در مسائل پیش بینی قیمت داشته باشد. شبکه های عصبی مکرر (RNN) برای پردازش داده های پی در پی یا سری زمانی طراحی شده اند و برای پیش بینی قیمت سهام در بورس سهام استفاده شده اند (Saud and Shakya 2020). شبکه های حافظه کوتاه مدت (LSTM) مدلهای پیشرفته RNN هستند که از ورودی ، خروجی و دروازه ها تشکیل شده اند تا مشخص کنند که آیا ویژگی های گذشته را حفظ می کنند یا لیست ویژگی ها را تازه می کنند. به طور کلی ، LSTM از مدل های RNN بهتر عمل می کند (لی و همکاران 2020). یکی دیگر از مدل های شبکه عصبی Convolutional (CNN) ، که برای اولین بار برای طبقه بندی تصویر تهیه شده است ، می تواند در زمینه مالی نیز اعمال شود. یک مدل LSTM Convolutional CNN و LSTM را برای پیش بینی قیمت های موجود در ارزهای رمزنگاری شده ترکیب کرده است (Alonso-Monsalve و همکاران 2020). به طور خلاصه ، DL می تواند ویژگی های مفیدی را به خودی خود ضبط کند ، و دارای یک ساختار انعطاف پذیر است که می تواند برای پیش بینی قیمت سهام یا ایجاد قوانین تجارت استفاده شود.

2. 3 شبکه های مخالف مولد

GAN ها مبتنی بر یادگیری عمیق هستند و می توان آنها را برای مشکلات یادگیری بدون نظارت مانند داده ها ، تصاویر ، صدا و تولید متن استفاده کرد. مدل اصلی GAN پیشنهاد و از دو مدل شبکه عصبی ، یعنی ژنراتور و تبعیض آمیز (Goodfellow و همکاران 2014) تشکیل شده است. GAN برای اولین بار برای تولید تصویر با CNN به عنوان ساختار اساسی مدل مورد استفاده قرار گرفت. اکنون گان در زمینه های مختلف از جمله مشکلات مربوط به سری های زمانی اعمال شده است. یک مدل VAE-GAN که از LSTM برای رمزگذار ، ژنراتور و تبعیض آمیز برای تشخیص شرایط غیر طبیعی IoT استفاده می کند (Niu و همکاران 2020). یک نمونه گیری تصادفی از فضای نهفته به عنوان ورودی ژنراتور برای آموزش تبعیض آمیز و ژنراتور ، و تفاوت بین نتیجه حاصل از ژنراتور و داده های واقعی را محاسبه می کند (بشار و نایاک ، 2020). با این حال ، مدل اصلی GAN با مشکل ناپدید شدن شیب محدود است ، که باعث می شود مدل همگرا شود. یک مدل WGAN (Arjovsky و همکاران 2017) پیشنهاد کرده است که از واگرایی جنس ن-شانن برای اندازه گیری انحراف بین توزیع داده های تولید شده و داده های واقعی استفاده کرده است. مدل WGAN پیشنهاد کرد که تمرینات مدل را با قطع وزن اجرا کند. اگر وزن مدل از دامنه ارزش فراتر رود ، وزن شبکه مرز را تنظیم می کند. علاوه بر این ، روش قطع وزن با روش پنالتی شیب برای اجرای محدودیت لیپشیتز برای مدل GAN (WGAN-GP) که راحت تر همگرا می شوند و نتایج تولید تصویر بهتری نسبت به روش قطع وزن به دست می آورند (گلورجان و همکاران 2017). در حداقل مربعات مدل گان (LSGAN) پیشنهاد کرد که عملکرد از دست دادن از آنتروپی متقاطع به میانگین خطای مربع (MSE) تغییر یافته است (مائو و همکاران 2017). هنگامی که برای تولید تصویر اعمال می شود ، این مدل سریعتر و با روشی با ثبات تر از WGAN همگرا شد.

2. 4 برنامه های GAN در امور مالی

GOH و LAI (2019) از GAN برای ایجاد شبکه ارتباطی بین دلار آمریکا و 15 ارز دیگر استفاده کردند. این شبکه برای تولید داده هایی که به ارز واقعی نزدیکتر هستند ، استفاده می شود و می تواند تغییرات سالانه در همبستگی ارزهای مختلف را مشاهده کند. علاوه بر این ، MARTI (2020) از مدل GAN برای نمونه برداری از ماتریس همبستگی مالی واقع گرایانه از داده های 1 ساله سهام انتخاب شده به طور تصادفی از SANDP500 به عنوان نمونه استفاده کرد و سعی در تولید یک ماتریس کواریانس جدید با همان توزیع داشت. ژو و همکاران.(2018) GAN را برای تولید اطلاعات تاریخی برای هر دقیقه پیشنهاد داد. ویس و همکاران.(2020) یک شبکه حلقوی موقتی را با یک GAN ترکیب کرد تا مدل GAN کمی را برای تولید نمونه های جدید قیمت شاخص SANDP500 تهیه کند. نتایج آنها نشان داد که مدل Quant GAN نسبت به سایر روشها برتر است. علاوه بر این ، از GAN ها نیز برای تولید داده های مالی برای آموزش مدل های دیگر استفاده شده است. به عنوان مثال ، ابراهیم (2021) از GAN برای افزایش نمونه سهام برای بهبود صحت مدل طبقه بندی برای پیش بینی قیمت آینده سهام استفاده می کند. یون و همکاران.(2019) مدل شبکه های مخالف تولید کننده زمان ، که در آن ژنراتور و تبعیض آمیز از مدل LSTM تشکیل شده اند ، برای تولید نمونه های اضافی که داده های واقعی را تقریب می دهد ، تهیه کرد. علاوه بر این ، مدل سهام ارائه شده توسط لی و همکاران.(2020) ، که با ترکیب مدل های Wgan-GP و مشروط GAN ، و برای تولید داده های سفارش توسط سفارش در بورس برای شبیه سازی سناریوی واقعی سفارش از طریق سفارش استفاده می شود. در مقایسه با مدلهای شبکه متغیر تولید کننده ژنراتیو ، تفاوت بین داده های تولید شده توسط سهام و داده های اصلی کوچکتر بود ، به این معنی که داده های سفارش تولید شده توسط سهام گان به داده های واقعی نزدیکتر بودند. بیشتر برنامه های مالی برای تولید شبکه های رویارویی از اطلاعات قیمت و حجم موجود برای تولید اطلاعات بیشتر قیمت و حجم استفاده می کنند و از اطلاعات قیمت و حجم تولید شده برای آموزش مدلهای پیش بینی استفاده می کنند. اطلاعات قیمت و حجم تولید شده می تواند به مدل های یادگیری عمیق وارد شود ، که به حجم زیادی از داده ها برای آموزش نیاز دارند. علاوه بر این ، از مدل WGAN-GP برای شبیه سازی تولید سری قیمت سهام آینده استفاده شده است. برای جلوگیری از بیش از حد مدل ، Lezmi و همکاران.(2020) از مدل WGAN-GP برای ایجاد تغییرات روزانه در شاخص های مالی مانند SANDP500 و VIX استفاده کرد.

مدل WGAN-GP می تواند داده های نمونه ای را تولید کند که ویژگی های آماری داده های واقعی را نشان می دهد.

• 3 روش
  • در این مطالعه ، ما یک چارچوب مبتنی بر GAN ایجاد می کنیم که ترکیب رویکرد PLR ، LSTM و سه مدل GAN برای تولید اقدامات تجاری با عملکرد بالا است. روند کلی در شکل 1 نشان داده شده است ، و می توان آن را به سه مرحله به شرح زیر تقسیم کرد:
  • مرحله اول: پیش پردازش داده ها:
  • مرحله 1: ایجاد ویژگی های ورودی برای آموزش مدل از جمله قیمت افتتاح روزانه ، قیمت بسته شدن ، بالاترین قیمت ، کمترین قیمت ، حجم معاملات و شاخص های فنی.
  • مرحله 2: از رویکرد PLR برای تولید اهداف خروجی واقعی مانند اقدامات معاملاتی با شناسایی نقاط معاملاتی (زمان معاملات) بر اساس قیمت بسته شدن تعدیل شده استفاده کنید. پس از آن ، تمام نقاط معاملاتی را به اقدامات معاملاتی مانند خرید ، فروش یا برگزاری تبدیل کنید.
  • مرحله 3: برای به دست آوردن داده های نمونه براساس تاریخ ، ویژگی ها و اقدامات معاملاتی را ادغام کنید.
  • مرحله 1: برای پیش بینی توالی های معاملاتی بر اساس ویژگی ها ، یک ژنراتور را در چارچوب مبتنی بر GAN بسازید.
  • مرحله 2: برای تعیین اینکه آیا یک دنباله معاملاتی ورودی ، دنباله معاملاتی واقعی است که با استفاده از PLR یا دنباله معاملاتی پیش بینی شده توسط ژنراتور GAN پیش بینی شده است ، یک تبعیض ساز در چارچوب مبتنی بر GAN ایجاد کنید.

  

  از همگرایی کلیه پارامترهای مدل چارچوب مبتنی بر GAN با توجه به عملکرد مختلف از دست دادن ، یعنی آنتروپی متقابل و MSE اطمینان حاصل کنید.

  برای ارزیابی عملکرد هر یک از چارچوب های مبتنی بر GAN ، از بازده تجمعی سرمایه گذاری (CR) ، نسبت شارپ (SR) و درصد برنده ( (WPTC )) استفاده کنید.

  جریان دقیق فرآیند چارچوب مبتنی بر GAN پیشنهادی به شرح زیر است:

  3. 1 پیش پردازش داده

  روند تولید نمونه های آموزشی شامل سه مرحله ، یعنی تولید ویژگی ، تولید دنباله معاملات و تولید نمونه آموزش است.

  3. 1. 1 تولید ویژگی به عنوان ورودی

  قیمت افتتاحیه روزانه ، قیمت بسته شدن ، بالاترین قیمت ، کمترین قیمت ، قیمت بسته بندی تعدیل شده ( ( overline )) و از حجم معاملات برای محاسبه شاخص های فنی به عنوان ویژگی های ورودی استفاده می شود ، که شامل کل 152 شاخص فنی تولید شده با استفاده است97 روش تحلیل فنی. پاورقی 1 در مجموع 157 ویژگی استفاده می شود ، از جمله 152 شاخص فنی و 5 قطعه از داده های معاملات سهام (باز ، نزدیک ، زیاد ، کم ، حجم). ویژگی ورودی نهایی برای هر روز به عنوان (F ) مشخص می شود.<mathrm>>3. 1. 2 تولید توالی معاملات به عنوان هدف<overline

  >_, <overline

  >از روش PLR برای تولید یک توالی نقطه عطف شناخته شده استفاده می شود (d = [_ ، _ ، نقاط ، _^<overline

  >_^<mathrm>>] ) از داده های تاریخی ( overline = [<mathrm>_ ، dots ،<mathrm>>] ) ، جایی که (^

   

  • ) طول دوره معاملات در داده های آموزش است. سپس ، توالی نقطه عطف به یک توالی عمل تجارت تبدیل می شود (a = [_ ، _ ، dots ، _^
  • ] ). مراحل مربوط به تولید دنباله معاملات به شرح زیر است:
  • مرحله 1: نقاط شروع و پایان را در دنباله برای تقسیم داده های آموزش تنظیم کنید.
  • مرحله 2: با استفاده از روش کمترین مربع ، یک عملکرد رگرسیون خطی ساده را محاسبه کنید.<underset<mathrm>_, if_=1>) .
  • مرحله 3: نقطه T را با حداکثر انحراف بین قیمت واقعی یک سهام و قیمت پیش بینی شده با استفاده از عملکرد رگرسیون خطی در کل تقسیم بندی پیدا کنید. این نقطه نشان دهنده نقطه جدید تقسیم شده T است. (_ = 1 ) را تنظیم کنید.

     

  مرحله 4: تقسیم بازگشتی را در نقطه تازه تقسیم بندی شده ، که دارای بخش های چپ و راست است ، انجام دهید. مراحل 1-4 را برای هر بخش جدید تکرار کنید تا یک آستانه توقف ( upgamma ) برآورده شود ، که بارها انحراف استاندارد چند برابر از کل تقسیم بندی است. سرانجام ، توالی نقطه عطف نهایی D پس از اتمام مرحله 1-4 به دست می آید ، و شاخص نقطه عطف (di ) به عنوان ( () بدست می آید.<prime>=>\_>مرحله 5: دنباله نقطه تنظیم نهایی D را به یک دنباله عمل معاملات A تبدیل کنید ، که به طور پیش فرض 0 است. انواع اقدامات معاملاتی نهایی در این نقاط عطف به شرح زیر است:

  $ $ a^

  (الف) $ $<mathbb>3. 1. 3 تولید نمونه آموزش

  $$<mathbb>در این بخش ، یک فرآیند نمونه گیری آموزش ویژه در نظر گرفته شده است. طول دوره معاملاتی (TP ) و تعدادی از روزهای داده تاریخی برای پیش بینی برای هر روز معاملاتی در نظر گرفته شده است. یک نمونه نمونه کامل (

  ) از x با طول TP از (f ) تشکیل شده است:

  $$= [_ ، dots _ dots ، _] $ $

  که در آن (_ ) ویژگی های روز معاملات K را نشان می دهد. هر x حاوی ویژگی های (s ) است:

  _ = سمت چپ [_ ، _ ، نقاط ، _ درست] $ $<^<prime>>که در آن (_ ) ویژگی روز K - S قبلی را نشان می دهد. برای هدف آموزش ، همان فرایند نمونه برداری اعمال می شود:<^<prime>>$ $ y = سمت چپ [_^<^<prime>>، dots _^

  نقاط ، _^

  درست] $ $

  برای اعتبار سنجی و داده های آزمون ، از قیمت بسته شدن تنظیم شده برای محاسبه اقدامات معاملاتی هدف استفاده نمی شود و نمونه گیری طول (TP ) انجام نمی شود.<mathbb>3. 2 ساختمان چارچوب مبتنی بر گان

  مدل مبتنی بر GAN پیشنهادی از یک ژنراتور و یک تبعیض آمیز تشکیل شده است. ژنراتور توالی معاملات ( widetilde ) را بر اساس ویژگی ها پیش بینی می کند ((

  ) نمونه های آموزش ؛تبعیض آمیز متمایز می کند که آیا دنباله معاملات دنباله معاملاتی پیش بینی شده ( widetilde ) یا دنباله معاملاتی واقعی (y ) است.

  $$3. 2. 1 ژنراتور

  ژنراتور شامل دو لایه LSTM و دو لایه خطی است ، که در آن لایه اول (^) ویژگی پنهان یک روز را بر اساس ویژگی های روز قبل تخمین می زند ، لایه دوم (^) ویژگی های پنهان متوالی را برآورد می کندبا استفاده از خروجی لایه اول ، و لایه سوم (^) با استفاده از دو لایه خطی ، احتمال اقدامات معاملاتی را پیش بینی می کند. ابتدا همه (x ) را به لایه LSTM اول (^) وارد می کنیم تا ویژگی های پنهان هر روز را بدست آوریم (_^) از طریق ویژگی نقطه زمانی S-th (_^):<[h>_^=^ سمت چپ (_^ راست) ، s in [1 ، dots ، s] $ $

  $$پس از آن ، ما از آخرین ویژگی پنهان در نقطه S استفاده می کنیم تا وضعیت نهایی هر روز را نشان دهیم. بنابراین ، بردارهای حالت نهایی (_^، dots ، _^ dots ، _^] ) از (^) برای به دست آوردن ویژگی های پنهان پی در پی (_^) به صورت زیر وارد لایه lStm دوم می شوند:

  _^=^ سمت چپ (

  where (>_) contains (>_^) , (>_^) , and (>_^ راست) ، k in [1 ، dots ، mathrm] $ $

  خروجی (_^) لایه دوم برای پیش بینی اقدامات معاملاتی از طریق (^) منتقل می شود. در (^) ، تخمین خط لوله با استفاده از لایه خطی اول با یک عملکرد Leaky Relu و لایه خطی دوم با یک عملکرد SoftMax انجام می شود:=[>_,dots>_dots ,>_]$$

  _^) برای هر روز تجارت ؛اینها به ترتیب احتمال برگزاری ، خرید و فروش را نشان می دهند:

  $ $ widetilde

  که در آن ( widetilde ) توالی اقدامات پیش بینی شده معاملات را در تمام روزهای معاملاتی در کل دوره معاملاتی نشان می دهد. ژنراتور پیشنهادی همچنین مدل سلسله مراتبی-LSTM (H-LSTM) نامیده می شود.

  3. 2. 2 تبعیض آمیز

  این تبعیض شامل سه لایه LSTM است. اولین لایه LSTM (^

  ) ویژگی پنهان هر روز را تخمین می زند (_^

  $$_^=^left(>) در نقطه زمانی k-th بر اساس قیمت بسته بندی تعدیل شده ( overline ) در یک نمونه آموزشی ، جایی که (k in [1 ، dots ، tp] ):

  دنباله عمل تجارت ( widetilde ) ، که یا واقعی (y ) یا پیش بینی شده ( widehat ) است ، برای به دست آوردن ویژگی پنهان عمل روزانه وارد یک لایه LSTM دیگر می شود. به شرح زیر است:

  _ درست) $ $

  (_^

  ) و (_^) از هر روز تجارت از (^<^<prime>>) لایه و لایه (^) به لایه LSTM سوم برای برآورد ویژگی پنهان متوالی هر روز تجارت:

  آخرین خروجی (_^

  (_<mathrm>) در زمان زمان TP از لایه سوم وارد لایه (^) می شود تا مشخص شود که آیا این توالی تجارت هدف واقعی است یا دنباله معاملاتی پیش بینی شده. در لایه (^) ، تخمین خط لوله با استفاده از یک لایه خطی با یک عملکرد Leaky Relu و یک لایه خطی دیگر با یک عملکرد SoftMax انجام می شود:<mathrm>3. 3 آموزش مدل و بهینه سازی<mathrm>) خروجی تبعیض آمیز است که با وارد کردن قیمت سهام واقعی ( overline ) و توالی عمل معاملات پیش بینی شده ( widetilde ) تولید شده توسط ژنراتور بدست می آید. (_<mathrm>) خروجی تبعیض آمیز با وارد کردن قیمت سهام واقعی ( overline ) و توالی عمل تجارت هدف (y ) تولید شده با استفاده از روش PLR است. پارامترهای مدل ژنراتور با استفاده از تنها (_ به روز می شوند.<mathrm>) برای به دست آوردن شیب. پارامترهای مدل تبعیض آمیز با استفاده از هر دو (_ (_) به روز می شوند

  ) و (_

  ) برای به دست آوردن شیب. علاوه بر این ، پارامترهای مدل از تمام چارچوب مبتنی بر GAN با استفاده از بهینه ساز آدام بهینه می شوند.

  $$_^<mathrm>3. 3. 1 توابع از دست دادن در چارچوب ساده GAN<mathrm>)$$

  در چارچوب ساده GAN ، از دست دادن ژنراتور L_G^GAN با استفاده از عملکرد آنتروپی متقاطع باینری محاسبه می شود:<mathrm>= Mathrm (1-_

  $$_^<mathrm>جایی که ورود به سیستم عملکرد لگاریتم را نشان می دهد. به همین ترتیب ، ضرر تبعیض آمیز (_^<mathrm>) با استفاده از عملکرد متقاطع آنتروپی محاسبه می شود:<mathrm>)$$

  = mathrm2 سمت چپ (_

  راست)+ Mathrm (1-_<mathrm>3. 3. 2 عملکرد از دست دادن در چارچوب LSGAN

  با توجه به مفهوم آموزش الگوریتم LSGAN ، از دست دادن ژنراتور (_^<mathrm>3. 3. 2 عملکرد از دست دادن در چارچوب LSGAN

  $$_^<mathrm>ضرر تبعیض آمیز (_^<(_<mathrm>-0)>) در چارچوب LSGAN با استفاده از عملکرد MSE محاسبه می شود:<(_<mathrm>-1)>^$$

  = frac

  ^+ frac<mathrm>3. 3. 3 عملکرد از دست دادن در چارچوب WGAN<mathrm>در چارچوب WGAN ، از دست دادن ژنراتور (_^<mathrm>) با استفاده از عملکرد آنتروپی باینری ، که همان است در مورد چارچوب ساده GAN محاسبه می شود. ضرر تبعیض آمیز (_^

  $$_^<mathrm>=-_<mathrm>+_<mathrm>) در چارچوب WGAN با استفاده از الگوریتم WGAN-GP که توسط Gulrajani و همکاران تهیه شده است.(2017). گرادیان L2 هنجار از عملکرد ضرر تبعیض آمیز در چارچوب WGAN استفاده می کند. بنابراین ، (_^<(<Vert <abla>__<mathrm>>__<mathrm>>Vert>_-1)>^$$

  ) به شرح زیر ارائه شده است:<mathrm>>+ lambda<mathrm>>جایی که ( lambda ) وزن مجازات را در خروجی نشان می دهد (__<mathrm>) ، و ( lambda ) روی 0. 1 تنظیم شده است. (__<mathrm>) خروجی تبعیض آمیز در چارچوب WGAN است و با وارد کردن قیمت سهام واقعی ( overline ) و دنباله عمل معاملات مختلط (_ به دست می آید.

  $$_<mathrm>)از روش وزنی برای به دست آوردن توالی عمل معاملات مخلوط استفاده می شود (_) ، که شامل ( widetilde ) و (y ) است:

  = epsilon سمت چپ (y راست)+ سمت چپ (1- epsilon راست) سمت چپ ( widetilde

  راست) ، 0 le epsilon le 1 $ $

  جایی که ( epsilon ) یک مقدار تصادفی از 0 تا 1 را نشان می دهد.>3. 3. 4 توابع از دست دادن چارچوب های H-LSTM ، GAN-S ، LSGAN-S و WGAN-S

  $$_>=sum_^sum_^_^mathrm(>_^)$$ $$_^<mathrm-S>,_^<mathrm-S>ضرر تبعیض آمیز (_^<mathrm) همگرایی مدل ژنراتورهای هر چارچوب مبتنی بر GAN را تقویت می کند. عملکرد از دست دادن مدل H-LSTM از عملکرد متقاطع طبقه بندی شده به شرح زیر است:<mathrm>= frac_>>$$

  سمت چپ ( 1-_

  $$_^<mathrm-S>ضرر تبعیض آمیز (_^<<(_<mathrm>-1)>^+_>>$$

  در این حالت ، وزن متوسط هر دو مدل H-LSTM و مدل های مبتنی بر GAN در نظر گرفته شده است. عملکرد از دست دادن ژنراتور مدل LSGAN-S به شرح زیر است:

  There are three indicators such as CR , SR , and WPCT to evaluate predicting performance for each framework. The probabilities that the daily predicted trading actions (widetilde) = ([>_,>_,dots ,>= frac