|
Title
|
پیش بینی هم روندی سری های زمانی مالی با استفاده از نمودارهای تکرار حالت متقاطع و یادگیری عمیق
|
|
Type of Research
|
Thesis
|
|
Keywords
|
نمودار تکرار حالت متقاطع، هم روندی، شبکه های عصبی کانولوشنی، سری های زمانی مالی، یادگیری عمیق، تصویرسازی از سری زمانی
|
|
Abstract
|
این پژوهش با هدف پیش بینی وضعیت همروندی سری های زمانی مالی، چارچوبی نوآورانه مبتنی بر تحلیل تصویرسازی سری های زمانی و نمودارهای تکرار حالت متقاطع ارائه می دهد. ابتدا داده های مالی شامل حجم معاملات و قیمت های تعدیل شده بسته شده از سهام شرکت های منتخب گردآوری شده و سپس با استفاده از بازسازی فضای فازی و تعیین تأخیر زمانی، الگوهای غیرخطی موجود در سری های زمانی شناسایی می گردند. نمودارهای تکرار حالت متقاطع به عنوان ابزار کلیدی در استخراج ویژگی های مربوط به همروندی دو سری زمانی مورد استفاده قرار گرفته و تصاویر تولیدشده از این نمودارها به شبکه های عصبی کانولوشنی منتقل می شوند. این مدل با بهره گیری از معماری های پیشرفته شبکه های عصبی، روابط پیچیده و دینامیک های مشترک میان سری های زمانی را تحلیل کرده و پیش بینی دقیقی از وضعیت همروندی آن ها در دوره های آینده ارائه می دهد. نتایج پژوهش نشان می دهد که ترکیب روش های تصویرسازی سری زمانی با نمودارهای تکرار حالت و یادگیری عمیق، دقت پیش بینی را نسبت به روش های سنتی بهبود می بخشد و می تواند در تصمیم گیری های مالی مؤثر باشد.
|
|
Researchers
|
meysam javadzadeh (Student)، Hossein Abbasimehr (Primary Advisor)، Jalil Ghavidel Neycharan (Advisor)
|