یک روش برچسب زدن برای پیش بینی سری زمانی مالی بر اساس روندها

دانشکده علوم و فناوری کامپیوتر ، انستیتوی فناوری هاربین ، شنژن 518055 ، چین ؛moc. kooltuo@gnimgniduw_zstih (D. W.) ؛nc. ude. tih@gnoygnijus (J. S.) ؛nc. ude. tih@uohzubgnat (B. T.) ؛moc. liamg@3102gnocoahsuw (S. W.)

* مکاتبات: nc. ude. tih@zsgnawlx دریافت 2020 سپتامبر 23 ؛پذیرفته شده 2020 اکتبر 13. کپی رایت © 2020 توسط نویسندگان.

مجوز MDPI ، بازل ، سوئیس. این مقاله یک مقاله دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC توسط) توزیع شده است (http://creativeecommons. org/licenses/by/4. 0/).

خلاصه

پیش بینی سری زمانی در برنامه هایی از قبیل قیمت بازار سهام و پیش بینی قیمت کالا به طور گسترده ای برای صنعت مالی اعمال شده است. روشهای یادگیری ماشین در سالهای اخیر به طور گسترده در پیش بینی سری زمانی مالی مورد استفاده قرار گرفته است. نحوه برچسب زدن داده های سری زمانی مالی برای تعیین صحت پیش بینی مدل های یادگیری ماشین و متعاقباً تعیین بازده سرمایه گذاری نهایی یک موضوع داغ است. روشهای برچسب زدن موجود از سری زمانی مالی عمدتاً با مقایسه داده های فعلی با اطلاعات مربوط به یک دوره زمانی کوتاه در آینده ، داده ها را برچسب گذاری می کنند. با این حال ، داده های سری زمانی مالی به طور معمول با تصادفی کوتاه مدت آشکار غیر خطی هستند. بنابراین ، این روش های برچسب زدن ویژگی های روند مداوم داده های سری زمانی مالی را ضبط نکرده و منجر به تفاوت بین نتایج برچسب زدن آنها و روند واقعی بازار می شود. در این مقاله ، یک روش برچسب زدن جدید به نام "برچسب زدن به روند مداوم" برای رفع مشکل فوق ارائه شده است. در مرحله پیش پردازش ویژگی ، این مقاله یک روش جدید را ارائه می دهد که می تواند از مشکل تعصب نگاه در فرآیندهای استاندارد سازی یا عادی سازی داده های سنتی جلوگیری کند. سپس ، یک توضیح منطقی دقیق ارائه شد ، تعریف برچسب زدن به روند مداوم ارائه شد و همچنین یک الگوریتم برچسب زدن خودکار برای استخراج ویژگی های روند مداوم داده های سری زمانی مالی ارائه شده است. آزمایشات مربوط به شاخص کامپوزیت شانگهای و شاخص مؤلفه شنژن و برخی از سهام چین نشان داد که روش برچسب زدن ما از نظر دقت طبقه بندی و برخی از معیارهای ارزیابی طبقه بندی ، روش بسیار پیشرفته ای است. نتایج این مقاله همچنین ثابت کرد که مدل های یادگیری عمیق مانند LSTM و GRU برای مقابله با پیش بینی داده های سری زمانی مالی مناسب تر هستند.

کلمات کلیدی: سری زمانی مالی ، پیش بینی سهام ، یادگیری ماشین ، روش برچسب زدن ، یادگیری عمیق

1. معرفی

یک سری زمانی مجموعه ای از مشاهدات است که هرکدام در یک زمان خاص ضبط می شوند [1]. پیش بینی داده های سری زمانی یک کار نسبتاً پیچیده است. از آنجا که عوامل زیادی بر داده های سری زمانی تأثیر می گذارد ، پیش بینی روند دقیق داده های سری زمانی دشوار است. پیش بینی سری زمانی با هدف حل مشکلات مختلف ، به ویژه در زمینه مالی [2]. در دوره توسعه بازار مالی ، تعداد زیادی از مطالعات نشان داده اند که بازار غیرخطی و هرج و مرج است [3،4،5] ، به ویژه برای داده های سری زمانی مالی مانند ارزش سهام ، صرافی های خارجی وکالاهای موجود در بازار مالی که به تأثیر خارجی حساس هستند و تمایل به نوسان خشونت دارند. چنین داده های سری زمانی اغلب دارای ویژگی های غیر خطی قوی هستند [6]. چگونگی پیش بینی بهتر روند بازار مالی برای کاهش ریسک سرمایه گذاری و تصمیم گیری های مالی از اهمیت زیادی برخوردار است.

مطالعات زیادی در مورد پیش بینی بازار مالی انجام شده است. به طور خاص ، ما بر فرضیه بازار کارآمد تمرکز می کنیم [7]. مطالعات زیادی در مورد کارآیی بازار وجود دارد [8]. سیگاکی و همکاران. استفاده از آنتروپی و پیچیدگی آماری در برابر بازده های زمان کشویی از ورود به سیستم برای کمیت کارایی پویا بازار [9]. برخی از مطالعات اشاره کرده اند که بازار سهام چین نسبتاً ناکارآمد است [10،11]. سپس پیش بینی بازار ناکارآمد با استفاده از داده های معاملات سهام چین امکان پذیر است.

روشهای سنتی تجزیه و تحلیل پیش بینی بازار مالی عمدتاً شامل تجزیه و تحلیل فنی و تجزیه و تحلیل اساسی است. تجزیه و تحلیل فنی به روش های تصمیم گیری در مورد معاملات مالی سهام و مشتقات با استفاده از رفتارهای بازار به عنوان هدف قضاوت در جهت بازار اشاره دارد. به طور خاص ، در بازار مالی ، محققان معتقدند که داده های قیمت و حجم می تواند به عنوان شاخص های تغییر قیمت آینده مورد استفاده قرار گیرد و از این رو می تواند اطلاعات مهمی را برای ارتقاء بازده ارائه دهد [12]. تجزیه و تحلیل بنیادی ، همچنین به عنوان تجزیه و تحلیل اساسی شناخته می شود ، بر اساس ارزش ذاتی اوراق بهادار است. هنگامی که با داده های صنعت و اقتصادی ترکیب شود ، تجزیه و تحلیل اساسی بر تجزیه و تحلیل عوامل مختلف مؤثر بر قیمت و روند اوراق بهادار برای تعیین ارزش ذاتی شرکت ها و شناسایی اوراق بهادار با قیمت های نادرست ، به منظور تعیین اوراق بهادار بالقوه برای سرمایه گذاری متمرکز است [13]. همچنین ، برخی از مطالعات سری زمانی در مورد اخبار و عوامل محور رویداد وجود دارد [14].< pan> روشهای سنتی تجزیه و تحلیل پیش بینی بازار مالی عمدتاً شامل تجزیه و تحلیل فنی و تجزیه و تحلیل اساسی است. تجزیه و تحلیل فنی به روش های تصمیم گیری در مورد معاملات مالی سهام و مشتقات با استفاده از رفتارهای بازار به عنوان هدف قضاوت در جهت بازار اشاره دارد. به طور خاص ، در بازار مالی ، محققان معتقدند که داده های قیمت و حجم می تواند به عنوان شاخص های تغییر قیمت آینده مورد استفاده قرار گیرد و از این رو می تواند اطلاعات مهمی را برای ارتقاء بازده ارائه دهد [12]. تجزیه و تحلیل بنیادی ، همچنین به عنوان تجزیه و تحلیل اساسی شناخته می شود ، بر اساس ارزش ذاتی اوراق بهادار است. هنگامی که با داده های صنعت و اقتصادی ترکیب شود ، تجزیه و تحلیل اساسی بر تجزیه و تحلیل عوامل مختلف مؤثر بر قیمت و روند اوراق بهادار برای تعیین ارزش ذاتی شرکت ها و شناسایی اوراق بهادار با قیمت های نادرست ، به منظور تعیین اوراق بهادار بالقوه برای سرمایه گذاری متمرکز است [13]. همچنین ، برخی از مطالعات سری زمانی در مورد اخبار و عوامل محور رویدادها وجود دارد [14]. روشهای سنتی تجزیه و تحلیل پیش بینی بازار مالی عمدتاً شامل تجزیه و تحلیل فنی و تجزیه و تحلیل اساسی است. تجزیه و تحلیل فنی به روش های تصمیم گیری در مورد معاملات مالی سهام و مشتقات با استفاده از رفتارهای بازار به عنوان هدف قضاوت در جهت بازار اشاره دارد. به طور خاص ، در بازار مالی ، محققان معتقدند که داده های قیمت و حجم می تواند به عنوان شاخص های تغییر قیمت آینده مورد استفاده قرار گیرد و از این رو می تواند اطلاعات مهمی را برای ارتقاء بازده ارائه دهد [12]. تجزیه و تحلیل بنیادی ، همچنین به عنوان تجزیه و تحلیل اساسی شناخته می شود ، بر اساس ارزش ذاتی اوراق بهادار است. هنگامی که با داده های صنعت و اقتصادی ترکیب شود ، تجزیه و تحلیل اساسی بر تجزیه و تحلیل عوامل مختلف مؤثر بر قیمت و روند اوراق بهادار برای تعیین ارزش ذاتی شرکت ها و شناسایی اوراق بهادار با قیمت های نادرست ، به منظور تعیین اوراق بهادار بالقوه برای سرمایه گذاری متمرکز است [13]. همچنین ، برخی از مطالعات سری زمانی در مورد اخبار و عوامل محور رویداد وجود دارد [14].

با ظهور هوش مصنوعی ، رشته های بیشتر و بیشتر توسط هوش مصنوعی از جمله تجزیه و تحلیل زیاد و کار تصمیم گیری در زمینه مالی دگرگون می شوند. نحوه استفاده از فناوری هوش مصنوعی برای پیش بینی دقیق سهام در داده های تاریخی جهت جدیدی از فناوری هوش مصنوعی است. در حال حاضر ، مدل های یادگیری ماشین به طور فزاینده ای در تجزیه و تحلیل داده های سری زمانی مالی [15] ، تجزیه و تحلیل خوشه ای [16] ، تحقیق طبقه بندی و تجزیه و تحلیل رگرسیون ، به ویژه تجزیه و تحلیل رگرسیون بازگشت [17] و همچنین پیش بینی مدل های ترکیبی ، استفاده می شود. و تحقیقات نقدینگی بازار مالی [18]. امور مالی رفتاری بر رابطه بین رفتار معامله و قیمت و غیره متمرکز است [19]. واسیک و همکاران. مدلی را مطالعه کرد که شبکه های عصبی و تجارت با فرکانس بالا را ترکیب می کند [20،21]. نحوه ارزیابی عملکرد پیش بینی یک مدل یادگیری ماشین در بازار مالی نیز موضوعی داغ است. نوسانات بورس سهام سازگار نیست و دوره هایی از نوسانات کم و زیاد وجود دارد ، مانند دوره ای که یک بحران مالی رخ می دهد. عملکرد پیش بینی مدل در دوره های جایگزین متفاوت است و حتی در بازارهای مالی بالغ و بازارهای نوظهور ، اثرات پیش بینی نیز متفاوت است [22]. طبق مطالعه Cerqueira و همکاران ، نتیجه گیری شد که اعتبار سنجی متقاطع معمولاً مؤثرترین روش برای ارزیابی عملکرد مدل است [23]. Siriopoulos و همکاران. عملکرد شبکه های عصبی مصنوعی در سرمایه گذاری سهام [24] را مورد مطالعه قرار داد ، و همچنین کاربرد شبکه های عصبی مصنوعی و بازارهای نوظهور را در سال 1995 مورد تجزیه و تحلیل قرار داد [25]. سامیتاس و همکاران. یک سیستم مبتنی بر شبکه های مالی ساخت یافته به نام "سیستم های هشدار دهنده اولیه" را مورد مطالعه قرار داد که برای هشدار خطرات مسری مورد استفاده قرار گرفت و نتایج بسیار خوبی به دست آمد ، که از نظر اهمیت برای عملکرد مدل های یادگیری ماشین در مواقع بحران اقتصادی است [26]بشرگالیسیا و همکاران. مدل های گروه پیشنهادی برای پیش بینی سری زمان داده های بزرگ با درختان تصمیم گیری ، افزایش درختان شیب و جنگل تصادفی ، و نتیجه پیش بینی نسبت به مدل واحد برتر بود [27]. والنسیا و همکاران. تغییر قیمت را با ترکیب با تجزیه و تحلیل احساسات و یادگیری ماشین مورد مطالعه قرار داد [28]. مطالعات در مورد ترکیب یادگیری ماشین و بازارهای مالی متنوع شده است و پیش بینی قیمت سهام یک زمینه داغ است. راه حل های متنوعی تهیه و کاربردی شده است [29،30،31].

فرایند استفاده از یادگیری ماشین در پیش بینی روند مالی عمدتاً به مدلهای ایجاد شده پس از پردازش ویژگی های داده های تاریخی مربوطه بستگی دارد ، که پس از آموختن الگوهای مربوطه با مدل تطبیق برای پیش بینی بازار استفاده می شوند. نکته اصلی شناسایی ویژگی های مهم و استفاده از آنها به عنوان ورودی است و همه ویژگی ها نمی توانند دقت پیش بینی مدل پیش بینی را بهبود بخشند [32]. بعضی اوقات ، ویژگی ها بسیار همبسته هستند ، و سپس کاهش ابعاد داده مورد نیاز است ، که به الگوریتم PCA [33] اشاره دارد ، یا داده ها حاوی نویز بیش از حد هستند و داده ها باید از بین بروند ، که به الگوریتم تبدیل موجک اشاره دارد [34]. در حال حاضر ، دو نوع روش بیان برای ویژگی های داده های سری زمانی در دسترس است. یکی بر اساس ویژگی های آماری داده های سری زمانی و دیگری بر اساس ویژگی های آنتروپی است. ویژگی های آنتروپی سری زمانی معمولاً در سه دسته زیر پوشش داده می شود: آنتروپی بنفش [35] ، آنتروپی تقریبی [36] و آنتروپی نمونه [37]. Miśkiewicz یک روش مبتنی بر فاصله همبستگی آنتروپی (ECDM) را پیشنهاد کرد ، که برای چندین سری زمانی اعمال شد ، و نتایج ثابت کرد که اندازه گیری فاصله همبستگی آنتروپی در تشخیص تغییرات قابل توجهی در سری زمانی مناسب تر است [38] ، که می تواند مورد استفاده قرار گیرد. برای آزمایش برخی از فرآیندهای جهانی سازی اقتصاد [39]. یادگیری ماشین می تواند ویژگی های مختلف را بهتر اندازه گیری کند ، تصمیمات کمی بگیرد و به سرعت به اطلاعات بازار پاسخ دهد و می تواند سریعتر تغییرات روند را پیش بینی کند ، در نتیجه تصمیم گیرندگان را برای انجام کنترل ریسک مربوطه و تصمیم گیری در مورد سرمایه گذاری راهنمایی می کند. به طور خاص ، یادگیری عمیق که در سالهای اخیر توسعه یافته است ، ویژگی های توانایی یادگیری بدون نظارت را دارد [40]. به منظور پیش بینی داده های سری زمانی ، تعداد زیادی از محققان از تجزیه و تحلیل فنی ، تجزیه و تحلیل اساسی ، تجزیه و تحلیل سری زمانی ، یادگیری ماشین و سایر تکنیک ها برای پیش بینی روند آینده بازارهای مالی استفاده کرده اند [41].

روشهای پیش بینی داده های سری زمانی مورد استفاده در یادگیری ماشین به طور عمده شامل رگرسیون و طبقه بندی است که از جمله الگوریتم رگرسیون برای پیش بینی ارزش مطلق افزایش و در حال کاهش قیمت استفاده می شود. در پیشرفت آموزش مدل ، لازم نیست که داده ها را برچسب بزنید ، اگرچه الگوریتم طبقه بندی اغلب نیاز به برچسب داده ها برای آموزش مدلهای طبقه بندی دارد.

به منظور تسهیل مقایسه نتایج ، این مقاله ادبیات مربوط به تجزیه و تحلیل رگرسیون و تحقیقات طبقه بندی را برای پیش بینی داده های سری زمانی انجام می دهد. تجزیه و تحلیل رگرسیون به طور گسترده در تجزیه و تحلیل سری زمانی و پیش بینی استفاده شده است. چنو همکاراناز داده های معاملاتی برای پیش بینی قیمت های بسته شدن در روز بعد ، 3 روز آینده ، 5 روز آینده و 10 روز آینده و غیره استفاده می شود. معیارهای ارزیابی آنها MAPE و RMSE بود [42]. Talavera-Lames و همکاران. یک الگوریتم جدید برای پیش بینی سری داده های Big Data معرفی کرد. تازگی اصلی آن در توانایی آن در مقابله با داده های چند متغیره با معیارهای ارزیابی MRE و MMRE نهفته است [43]. مطالعات زیادی در مورد تجزیه و تحلیل رگرسیون و پیش بینی بازار وجود دارد از جمله اما محدود به مطالعات شرح داده شده در [44،45،46،47،48،49].< Pan> به منظور تسهیل مقایسه نتایج ، این مقاله به بررسی ادبیات در مورد تجزیه و تحلیل رگرسیون و تحقیقات طبقه بندی انجام شده برای پیش بینی داده های سری زمانی پرداخته است. تجزیه و تحلیل رگرسیون به طور گسترده در تجزیه و تحلیل سری زمانی و پیش بینی استفاده شده است. چنو همکاراناز داده های معاملاتی برای پیش بینی قیمت های بسته شدن در روز بعد ، 3 روز آینده ، 5 روز آینده و 10 روز آینده و غیره استفاده می شود. معیارهای ارزیابی آنها MAPE و RMSE بود [42]. Talavera-Lames و همکاران. یک الگوریتم جدید برای پیش بینی سری داده های Big Data معرفی کرد. تازگی اصلی آن در توانایی آن در مقابله با داده های چند متغیره با معیارهای ارزیابی MRE و MMRE نهفته است [43]. مطالعات زیادی در مورد تجزیه و تحلیل رگرسیون و پیش بینی بازار وجود دارد از جمله اما محدود به مطالعات شرح داده شده در [44،45،46،47،48،49]. در این مقاله برای تسهیل در مقایسه نتایج ، این مقاله به بررسی ادبیات می پردازد. در تجزیه و تحلیل رگرسیون و تحقیقات طبقه بندی برای پیش بینی داده های سری زمانی انجام شده است. تجزیه و تحلیل رگرسیون به طور گسترده در تجزیه و تحلیل سری زمانی و پیش بینی استفاده شده است. چنو همکاراناز داده های معاملاتی برای پیش بینی قیمت های بسته شدن در روز بعد ، 3 روز آینده ، 5 روز آینده و 10 روز آینده و غیره استفاده می شود. معیارهای ارزیابی آنها MAPE و RMSE بود [42]. Talavera-Lames و همکاران. یک الگوریتم جدید برای پیش بینی سری داده های Big Data معرفی کرد. تازگی اصلی آن در توانایی آن در مقابله با داده های چند متغیره با معیارهای ارزیابی MRE و MMRE نهفته است [43]. مطالعات زیادی در مورد تجزیه و تحلیل رگرسیون و پیش بینی بازار وجود دارد از جمله اما محدود به مطالعات شرح داده شده در [44،45،46،47،48،49].

اگر هدف پیش بینی جهت آینده داده های افزایش و سقوط داده های سری زمانی باشد ، به یک مشکل طبقه بندی پیش بینی عددی تبدیل می شود. ژانگ و همکاران. داده های ماهانه برای پیش بینی نرخ بازده ماه بعد با ایجاد یک مدل طبقه بندی استفاده می شود [50]. تحقیقات لئونگ و همکاران. نشان داد که مدل طبقه بندی در پیش بینی جهت بازار بورس و به حداکثر رساندن بازده معاملات سرمایه گذاری نسبت به مدل های تخمین سطح برتر است. اعتقاد بر این است که با استفاده از یک الگوریتم طبقه بندی برای ساخت یک مدل دستگاه ، می توان پیش بینی های بهتری را انجام داد. یک روش برچسب زدن داده قبلاً پیشنهادی ، برچسب زدن داده ها با مقایسه نرخ لگاریتمی بازده در روز بعد با نرخ لگاریتمی بازده در روز فعلی است [51]. چونگ و همکاران. الگوریتم های طبقه بندی استفاده شده برای مطالعه بازار در حال افزایش و در حال سقوط ، و نشان داده شد که مشکل پیش بینی بالا یا پایین اساساً یک مشکل طبقه بندی دو طبقه است ، که در آن y ule برچسب کلاس و y = 1 (یا −1) را نشان می دهدحرکت بالا (یا پایین) نرخ بازده بازار روز بعد [52]. وانگ و همکاران. قیمت افتتاح بازار سهام را در روز بعد مطالعه کرد. به نظر آنها ، جهت مثبت یا منفی بازده باز به جای ارزش مطلق بازده باز ، مهمترین علاقه به واقعیت است زیرا می تواند مشاوره ای در مورد جهت تجارت ارائه دهد. نویسندگان از صفر به عنوان نقطه برش استفاده کردند و y ∈ (که برچسب آن را نشان می دهد) به یک متغیر باینری تبدیل شده است [53]. Mojtaba Nabipour و همکاران. چهار گروه از مدل های یادگیری ماشین را با مقایسه داده های سهام در 1 ، 2 ، 5 ، 10 ، 15 ، 20 و 30 روز قبل آموزش داده است [54]. مطالعات دیگر در مورد پیش بینی جهت بازار اساساً با مقایسه قیمت یا نرخ بازده در دو نقطه زمانی مختلف از همان رویکرد استفاده کرده است [55،56،57،58،59].

از تحقیقات سنتی می توان نتیجه گرفت که ایده تجزیه و تحلیل رگرسیون و تجزیه و تحلیل طبقه بندی [60،61،62،63] مقایسه ارزشهای آینده و فعلی است. تفاوت این است که تجزیه و تحلیل رگرسیون بر پیش بینی ارزش آینده تأکید می کند در حالی که تحقیقات طبقه بندی بر جهت آینده افزایش و کاهش قیمت ها متمرکز است. روش های سنتی برچسب زدن داده ها بر پیش بینی سطح خرد افزایش و کاهش قیمت ها تأکید می کنند. بنابراین ، از روش برچسب زدن داده های مربوطه برای برچسب زدن داده ها از طریق تفاوت داده ها در نقاط زمانی مختلف استفاده می شود.

با این حال ، تصادفی کوتاه مدت داده های سری زمانی آشکار است ، که تا حد زیادی تحت تأثیر عوامل مختلف قرار دارد. بیشتر مدل های پیش بینی سری زمانی موجود ، قوانین منطقی را بر اساس رابطه بین کشورهای مجاور دنبال می کنند و ناسازگاری نوسانات در دوره زمانی مربوطه در نظر گرفته نمی شود [64]. ژائو و همکاران. روش خود را در داده های پنج دقیقه ای با فرکانس بالا و داده های روزانه بازارهای سهام چینی به کار برد و نتایج نشان داد که تغییر لگاریتمی قیمت سهام (بازده لگاریتمی) امکان پیش بینی کمتری نسبت به نوسانات دارد [65]. استنباط می شود که یک مدل آموزش دیده بر اساس داده های برچسب خورده با مقایسه میزان بازده لگاریتمی نتایج پیش بینی خوبی نخواهد داشت. از آنجا که روند مداوم داده های سری زمانی اغلب تحت تأثیر عوامل ذاتی قرار می گیرد ، پایدارتر و قابل پیش بینی است. به عنوان مثال ، افزایش یا کاهش قیمت سهام اغلب تحت تأثیر ارزش ذاتی شرکت و محیط کلان اقتصادی شرکت است و پیش بینی افزایش و کاهش قیمت سهام در یک روز خاص دشوار است ، در حالی که پیش بینی روند مداوم نسبتاً قابل اعتماد است. افزایش و کاهش قیمت کالاها اغلب تحت تأثیر عوامل کلان اقتصادی و تقاضا قرار می گیرد و پیش بینی روندها امکان پذیر تر است. بازار ارزی تحت تأثیر نرخ بهره و محیط بین المللی است و روند آن اغلب تداوم زمان را نشان می دهد. عوامل ذاتی منجر به پایداری و پیش بینی روند می شوند و احتمال تغییر روند به دلیل عوامل تصادفی در کوتاه مدت نسبتاً کم است.

بنابراین ، این مقاله یک روش جدید برای تعریف ویژگی های استخراج شده از روندهای مداوم سری های زمانی ارائه می دهد ، با هدف تصمیم گیری های مربوطه با پیش بینی تغییرات روند سری زمانی. پیش بینی روندهای مداوم بیشتر مطابق با قوانین عملکرد داده های سری زمانی مالی ، بیشتر مربوط به پیش بینی تغییر روند و بیشتر مطابق با عادات سرمایه گذاری سرمایه گذاران فردی است. علاوه بر این ، یک الگوریتم برای برچسب زدن خودکار داده ها با توجه به یک پارامتر داده شده ارائه شده است تا به طور خودکار داده های مورد استفاده برای آموزش مدلهای یادگیری ماشین را برچسب گذاری کند. نتایج پیش بینی با نتایج به دست آمده توسط روش برچسب زدن داده های سری زمانی سنتی مقایسه شد. نتیجه طبقه بندی الگوریتم برچسب زدن خودکار به طور قابل توجهی بهتر از روش برچسب زدن سنتی بود. استراتژی های سرمایه گذاری ساخته شد و نتایج سرمایه گذاری مقایسه شد. روش ارائه شده در این مقاله به عملکرد بسیار بهتری دست یافت.

این مقاله به شرح زیر سازماندهی شده است: در بخش 1 ، روش برچسب گذاری ارائه شده در این مقاله در جزئیات به همراه توضیحات الگوریتم برچسب زدن خودکار توضیح داده شده است. در بخش 2 از مقادیر مختلف پارامتر ω برای برچسب زدن داده ها استفاده شد و نتایج پارامترهای مختلف در چهار گروه مورد بررسی قرار گرفت. در بخش 3 ، نتایج طبقه بندی شش مدل یادگیری ماشین تحت روش برچسب زدن مختلف مقایسه شد و استراتژی های سرمایه گذاری بر اساس روش برچسب زدن پیشنهادی برای مقایسه نتایج به دست آمده از روش برچسب زدن سنتی و استراتژی خرید و نگهدار ساخته شد. سرانجام ، یک بحث کوتاه در بخش 4 و نتیجه گیری در بخش 5 ارائه شده است. یک نمودار دقیق از مطالعه در شکل 1 نشان داده شده است.