基于人工神经网络的股票交易系统

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《An Artificial Neural Network-based Stock Trading System Using Technical
  Analysis and Big Data Framework》
---
作者：
O.B. Sezer, M. Ozbayoglu, E. Dogdu
---
最新提交年份：
2017
---
英文摘要：
  In this paper, a neural network-based stock price prediction and trading system using technical analysis indicators is presented. The model developed first converts the financial time series data into a series of buy-sell-hold trigger signals using the most commonly preferred technical analysis indicators. Then, a Multilayer Perceptron (MLP) artificial neural network (ANN) model is trained in the learning stage on the daily stock prices between 1997 and 2007 for all of the Dow30 stocks. Apache Spark big data framework is used in the training stage. The trained model is then tested with data from 2007 to 2017. The results indicate that by choosing the most appropriate technical indicators, the neural network model can achieve comparable results against the Buy and Hold strategy in most of the cases. Furthermore, fine tuning the technical indicators and/or optimization strategy can enhance the overall trading performance.
---
中文摘要：
本文提出了一种基于神经网络的股票价格预测与交易系统，该系统采用技术分析指标。开发的模型首先使用最常用的首选技术分析指标将金融时间序列数据转换为一系列买入卖出持有触发信号。然后，在学习阶段对1997年至2007年间所有Dow30股票的日股价训练多层感知器（MLP）人工神经网络（ANN）模型。培训阶段使用Apache Spark大数据框架。然后使用2007年至2017年的数据对训练后的模型进行测试。结果表明，通过选择最合适的技术指标，神经网络模型可以在大多数情况下取得与买入并持有策略相当的结果。此外，微调技术指标和/或优化策略可以提高整体交易绩效。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> An_Artificial_Neural_Network-based_Stock_Trading_System_Using_Technical_Analysis.pdf (340.08 KB)

2022-6-2 19:58:30 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：人工神经网络 神经网络 人工神经 交易系统 股票交易

一个基于人工神经网络的股票交易系统，使用技术分析和大数据框架。Mer Berat SezerTOBB经济技术大学Yankara，Turkeyoberatsezer@etu.edu.trA.Murat OzbayogluTOBB经济技术大学Yankara，Turkeymozbayoglu@etu.edu.trErdogan佐治亚州立大学坎卡亚大学，Turkeyedogdu@cankaya.edu.trABSTRACTIn本文提出了一种基于神经网络的股票价格预测与交易系统，该系统采用技术分析指标。首先开发的模型使用最常用的首选技术分析指标，将金融时间序列数据转换为一系列买入卖出持有触发信号。然后，在1997年至2007年间，针对所有道琼斯30只股票的每日股价，在学习阶段训练多层感知器（MLP）人工神经网络（ANN）模型。培训阶段使用Apache Spark大数据框架。然后使用2007年至2017年的数据对训练后的模型进行测试。结果表明，通过选择最合适的技术指标，神经网络模型可以在大多数情况下取得与买入并持有策略相当的结果。此外，调整技术指标和/或优化策略可以提高整体交易绩效。通用术语算法交易、交易策略、机器学习、神经网络、股市技术分析关键词股市、人工神经网络、多层感知器、算法交易、技术分析1。股票市场预测和开发可预测的交易模型一直吸引着研究人员和从业者[2]。

然而，要想开发出在不同的市场条件下可靠工作的amodel是一项非常具有挑战性的工作。在过去的几十年里，由于计算机和通信技术的进步，计算智能模型开始成为传统决策支持系统的可行替代方案。以前的模型大多基于静态规则和分析，因此可能已经过时。同时，由于过度。手动交互，这些模型无法免受人类情绪的影响，导致不一致、低回报。另一方面，计算智能模型，如神经网络[8、5、7]、神经模糊模型[9]、支持向量机（SVM）[4]和基于遗传算法的系统[1]，表现出良好的性能。Creamer利用机器学习算法开发有效的交易策略，并相应地构建了自动交易代理。他们开发的代理使用Logitboost方法产生了比简单的“买入并持有”策略更高的回报率[3]。但他们的实验非常有限。2009年3月，他们对两个欧洲股指期货（FESX和FDAX）进行了21个交易日的测试。随着使用大数据实现机器学习模型成为主流，此类模型开始成为算法交易系统的一部分，现在在纽约证券交易所执行的所有交易中，算法交易系统占据了绝大多数。在本文中，我们旨在使用技术分析指标作为神经网络模型的特征，创建这样一个可预测模型。第2节解释了模型和我们使用的特性，第3节介绍了方法，第4.2节对结果进行了评估。模型特征技术分析指标已用于确定交易模型的适当出入点。

尽管有100多个不同的指标，但其中一些指标的使用频率高于其他指标，主要是因为其可行性和/或有效性。三个最常用的技术指标是RSI、MACD和Williams%R。这些是我们选择在神经营养模型中使用的特征，因为它们被广泛接受。下面我们简要解释了这些指标。2.1相对强弱指数（RSI）相对强弱指数（RSI）是一种显示股票价格历史强弱的技术指标。它还比较了特定时间段内的损失和收益，如下所示。RSI=100（1+RS）（1）RS=AverageGainAverageLoss（2）2.2移动平均收敛和发散（MACD）图1：使用WindowMACD标记点是一个说明股价趋势的技术指标。它等于12天指数移动平均值（EMA）和26天指数移动平均值的差值。MACD=（12DaysEMA- 26DaysEMA）（3）2.3威廉姆斯%R威廉姆斯%R是基于动量的技术指标，显示股票价格的超买和超卖情况。%R=（最高位- 电流关闭）（最高位- 下）x- 100 (4)3. 大数据分析方法，常用的开源工具是Apache Hadoop和Apache Spark。在我们的工作中，我们使用了Spark。Apache Spark有一个名为MLlib的内置机器学习库，它实现了许多算法。一般来说，文献中使用递归神经网络（RNN）来分析时间序列数据和预测问题。同时，当进行适当的特征处理时，多层感知器（MLP）也可用于时间序列预测。为此，在我们的研究中，我们使用上述技术指标结果作为模型特征。

此外，我们使用Spark MLlib库的MLPclassi fier分析时间序列数据。在我们的方法中，我们的目标是使用MLP arti-ficial neuralnetwork预测股票价格的买入和卖出（入口-出口）点。在我们的模型中，有三个主要阶段可以从股票价格预测买卖点。还有一个额外的第4阶段用于计算系统的效率，但这不是交易模型的一部分。算法1显示所有阶段的步骤。在我们的研究中，道琼斯30指数股票的每日股价，来自金融。雅虎。com，用作培训和测试数据集。在第一阶段，获得每只股票的开盘价和收盘价、每日高价和低价值。然后，对于每一天，通过自动分析峰值和谷点，将所有每日收盘价标记为“持有”、“买入”或“卖出”，表示特定时期的最高点和最低点。峰值点标记为“卖出”，谷点标记为“买入”，剩余点标记为“持有”（图1）。http://hadoop.apache.orghttp://spark.apache.orgBase图表改编自https://investing.comTable1：预测的WMT（WalmartStock）混淆矩阵0 1实际0 889 429 8681 41 110 42 21 0 139表2：WMTClass 0 1类2精度评估0.93 0.20 0.14召回0.41 0.71 0.87F1得分0.57 0.32 0.24在第二阶段，计算每个日股价的RSI、WilliamR和MACD值。在我们的框架中，我们使用TA4J（Java技术分析）库来计算每日价格的RSI、WilliamR和MACD。然后，对相应的标签值、收盘价、RSI、WilliamRand MACD值进行归一化，以适合学习阶段。此外，在第二阶段，还解决了数据不平衡问题。

通常，“持有”标签的出现次数远远大于训练数据中“卖出”和“买入”标签的数量。这影响了学习阶段，因此模型只能更好地学习大多数类（保持），忽略了较小的类，从而导致分类错误和数据预测失误。对于这个问题，在文献中有不同的解决方案。我们倾向于对少数民族阶级进行抽样调查。换句话说，我们创建了“买”和“卖”标记数据的多个副本，并将它们引入到培训数据集中。因此，解决classimbalance问题时，三个类标签的数量大致相等。在第三阶段，使用Apache Spark将训练和测试数据反馈给多层感知器（MLP）。我们的MLP拓扑有四个层，包括输入层中的4个节点、第二层中的5个节点、第三层中的4个节点和第四层中的3个节点（每个outputclass购买、持有和出售一个）。MLP使用200个历元运行，以使用标记的训练数据来训练学习模型。图2以图形方式描述了整个过程。4、评估如第3节所述，我们使用算法的三个阶段来训练和测试模型，然后在第4阶段测量总体性能。30日获得的股票数据分为两组，训练数据为1997年1月1日至2006年12月31日期间的股票价格，测试数据为2007年1月1日至2017年1月1日期间的股票价格。我们用不同的标准分析了我们框架的性能。我们的重点是正确预测标签作为MLP模型的输出。沃尔玛（Walmart）的股票为评估提供了一个范例。表1显示了WMT的混淆矩阵，表2显示了精确度、召回率和F1分数。

WMT的总体预测准确率为65.52%。此外，我们基于suc评估了我们的系统cesshttps://github.com/mdeverdelhan/ta4jFigure2：我们算法的阶段算法1使用MLP1：过程AllPhases（）预测Dow30股票的标签2：P阶段1：3：数据集=读取（打开、关闭、高、低、调整关闭、卷）4：数据集。adjustRatio=数据集。关闭/数据集。adjustedClose5：使用adjustRatio6调整（dataset.open、dataset.close、dataset.high、dataset.low）6：计算标签（买入/卖出/持有）7：P阶段2：8：计算数据集中每一行的RSI、W illiamR、MACD 9：训练数据集，测试数据集=数据集。拆分（日期=1997年- 2006年，日期=2007年- 2016）10:TrainingDataSet=重采样（TrainingDataSet）11:P阶段3:12：模型=MLP（层=[4，5，4，3]，纪元=200，块大小=128，种子=1234L）13：模型。训练（训练数据集）14：模型。测试（testDataset）15:P阶段4:16：我们交易策略的评估结果（）。在我们的模型中，购买了一只股票，soldor根据其预测的标签结果持有该股票。例如，如果预测的标签等于“1”（买入），（相应的输出神经元被激活），则使用该特定点存在的资本购买股票。我们的总资本为10000美元。所有可用资金在每笔交易中使用。如果预测的标签等于“2”（卖出），则股票被卖出，我们回到全现金头寸。若预测标签等于“0”（保持），则系统不会执行任何操作。因此，在交易过程中，如果同一标签一个接一个地重复，只有第一个标签被标记，系统会忽略重复信号，直到标签改变。此外，在我们的场景中，我们使用了一个现实的交易环境，其中包括交易佣金（1 pertransaction，起始资本的0.001美元）。

我们的场景中也实现了止损情况（%5）。交易编号、间隔、收益、即时资本1。（21-25）=>-516.19资本：9481.81美元。。62.（831-836）=>-1532.45资本：19428.23美元。。168.（2463-2465）=>1061.5美元资本：49181.78以上方框显示了我们框架下的摩根大通交易样本。2007-2017年间，JMP共有168笔交易。2007年1月1日的起始资本为10000美元。期末资本达到49181.78美元。在同一测试期间，我们还将“买入并持有”（BaH）作为道琼斯30指数股票的基本策略。在BaH，股票在测试期开始时买入，在测试期结束时卖出。这是大多数长期投资者的首选策略，在牛市中效果很好，但在无趋势或熊市中效果不佳。表3显示了我们的模型对所有道琼斯30指数股票的BaH的比较表现。我们提出的框架的年均回报率为10.3%，BaH策略的年均回报率为13.83%。我们提出的策略的年化回报率在29个策略中只有9个比Bah策略的年化回报率表现更好（Visastock[V]在同一时期没有足够的数据点）。在我们的系统中，所有交易（先买后卖）的平均成功率为67.33%，表明每3笔交易中就有2笔交易会产生利润。通常，在如此长的时间内，很难击败买入和持有。然而，与BaH相比，我们的模型提供了好坏参半的结果（有时更好，有时更差）。这主要是因为对所有库存的选定技术参数使用相同的标准值。由于我们没有实施任何新的指标和/或参数优化，股票的表现也会相应变化。