تحقیقات در مورد استفاده از حساب کسری در تجزیه و تحلیل و پردازش در زمان واقعی سیگنال در بازار مالی سهام

در این مقاله ، نویسنده با تعبیه فرایند حالت پایدار به شدت افزایش یافته به عنوان متغیر زمان در حرکت براون با شرایط رانش ، یک نوسانات تصادفی بازار مالی سهام جدید و قیمت گذاری سهام را بر اساس فرمول تیلور پیشنهاد می کند. استفاده از واریانس گاما و توزیع معکوس بالا با پایین ، اشکال ویژه توزیع NTS ، همراه با روشهای اصلی تجزیه و تحلیل مؤلفه (PCA) و روشهای شبکه عصبی مصنوعی (ANN) ، برای سری زمانی مالی پیچیده غیرخطی و چند مقیاس در بازارهای مالی است. این مدل ساخته و پیش بینی شده است و پیش بینی و محاسبه شاخص بورس سهام و نرخ ارز خارجی تحقق می یابد. از طریق محاسبه و تحقیق ، این مدل می تواند خالی از تحقیقات مدل سری زمانی پیچیده در بازار مالی را پر کند. تجزیه و تحلیل سیگنال سهام مبتنی بر معادله حساب کسری ارائه شده در پایان نامه بر اساس ایده تجزیه و تحلیل بازسازی-ادغام است که می تواند دقت پیش بینی مدل را برای مدل مالی ترکیبی سری زمانی بهبود بخشد. شاخص شانگهای و شنژن 300 و نرخ ارز انتخاب شده توسط این مقاله از داده های واقعی بازار گرفته شده است و مدل پیش بینی اسکلت ایجاد شده است. این می تواند روند کوتاه مدت را پس از بسته شدن بازار سهام پیش بینی کند ، تأیید صحت پیش بینی غیرخطی ، چند مقیاس و غیر ثابت روش پیش بینی دنباله پی در پی سری زمانی مالی به طور مؤثر بهبود یافته است ، و مؤلفه اصلی و شبکه عصبی مصنوعیروش برای فشرده سازی داده های اضافی و کوتاه کردن زمان پیش بینی استفاده می شود.

معرفی

در کشورهای توسعه یافته غربی ، توسعه بازار اوراق بهادار سابقه صدها سال دارد. صدها روش و قانون برای مطالعه قانون تغییرات قیمت سهام وجود دارد [1]. با این حال ، از آنجا که این روش ها فقط با تجزیه و تحلیل منحنی قیمت سهام شروع می شوند ، استفاده از بسیاری از روش ها محدودیت هایی دارد ، که برای استفاده افراد برای استفاده از جهانی مناسب نیست و به دلیل این روش ها ، فقط تغییر منحنی قیمت سهاممورد مطالعه قرار می گیرد و سهام تحت تأثیر قرار نمی گیرد. برخی از عوامل کلان حرکات قیمت اضافه می شوند [2] ، بنابراین این روش ها به ناچار از انحراف واقعی دور هستند. بنابراین ، تا اواسط قرن بیستم ، اقتصاددانان به این نتیجه رسیدند که نوسانات قیمت سهام مطابق با جنبش براون ، یعنی نوسانات نامنظم است. براساس این نتیجه گیری ، مردم ریسک موجود در بورس را به عنوان واریانس قیمت سهام تعریف می کنند ، یعنی قیمت سهام از قیمت متوسط منحرف می شود. هرچه واریانس بزرگتر باشد ، خطر بیشتر خواهد بود. هرچه واریانس کوچکتر باشد ، خطر کوچکتر خواهد بود.

قطعه قطعه

تجزیه مدل شبکه عصبی جدا از هم جدا

تمام اشکال اطلاعات پیچیده را می توان با استفاده از مدلهای یادگیری تجربی برای به دست آوردن تعداد محدودی از توابع Eigenmode (IMF) تجزیه کرد ، که می تواند داده های توالی اصلی را در یک منطقه زمانی خاص بازیابی و توصیف کند. الگوی نوسان کننده عملکرد تبدیل خوبی دارد و می تواند برای به دست آوردن ویژگی های ویدیوی انرژی هیلبرت استفاده شود.

سیگنال اصلی را روی S (T) تنظیم کنید ، سپس عملکرد EigenMode K-Level (IMF) پس از تجزیه حالت ویژه زمان مالی به دست می آید

مدل حساب کسری بر اساس تجزیه و تحلیل سیگنال سهام

قیمت بورس با توجه به زمان تصادفی است و هیچ رابطه ای خطی ندارد ، نوسان پایدار نیست و ویژگی های چند مقیاس را ارائه می دهد ، که مشکلات بسیاری را برای پیش بینی قیمت بورس به ارمغان می آورد. روش پیش بینی کلی نمی تواند به نوسانات و روندهای بازار سهام پیچیده و بی ثبات برسد ، به دست آوردن پیچیدگی و ویژگی های نوسانات داده و کاهش دقت پیش بینی قیمت سهام دشوار است. برای این منظور ، بازار سهام را پیدا کنید

تجزیه و تحلیل و بحث در مورد نتایج تجربی شاخص شانگهای و شنژن 300 بر اساس مدل پیش بینی شبکه عصبی چند زمان

در این مقاله ، داده ها و 15 دقیقه از داده ها به طور همزمان به شبکه عصبی وارد می شوند و مدل پیش بینی چند مقیاس شاخص سهام 15 دقیقه پیش بینی می شود. این مدل به صورت سریال 15 دقیقه از داده ها با داده های روزانه وارد می کند: در مرحله اول ، 15 دقیقه از داده ها را در یک روز معاملاتی جمع می کند ، سپس داده های روزانه مربوطه را وارد می کند ، و سپس تمام 15 دقیقه از داده ها و داده های روزانه روز معاملاتی بعدی را دنبال می کند. این روش تا زمانی که تمام داده ها وارد شوند وارد می شوند [9].

داده های روزانه CSI

نتیجه

مقاله با ایجاد یک مدل پیش بینی حساب کسری ، قوانین زیر را به دست آورده است. اول ، الگوریتم تجزیه سری زمانی بازار مالی می تواند عملکرد پیش بینی شده شبکه های عصبی را بهبود بخشد. در عین حال ، داده های شاخص بازار سهام به توالی داده های معین تجربی از فرکانس بالا تا فرکانس پایین تجزیه می شوند. سری زمانی را می توان از جهات و مقیاس های مختلف درک کرد و شاخص سهام را می توان تجزیه و تحلیل کرد. قانون ذاتی داده ها. دوم ،

سپاسگزاریها

حمایت مالی از این مقاله با تشکر از بورس تحصیلی دولت جیانگسو برای تحصیل در خارج از کشور 2018 ، پروژه اصلی صندوق ملی علوم اجتماعی چین (17 و ZDA037) ، صندوق تحقیقات استانی جیانگسو برای فلسفه و علوم اجتماعی در دانشگاه ها و دانشکده ها (2018sja0245) ،و صندوق تحقیقات استانی جیانگسو برای علوم طبیعت در دانشگاه ها و دانشکده ها (18KJB120003)