توصيفگر ها :
يادگيري عميق , شبكه‌هاي عصبي گراف , شبكه‌هاي عصبي بازگشتي , گراف‌هاي زماني-مكاني , بازار تبادل ارز
چكيده فارسي :
بازارهاي مالي يكي از عوامل تأثير‌گذار روي اقتصاد هر كشور است. در هر كشور بازارهاي مالي معتبر متفاوتي با توجه به نوع كالايي كه معامله مي‌شود، نظير سهام، ارز، طلا و ... وجود دارد. بازار تبادل ارز يكي از بازارهاي مالي است، كه مي‌توان در آن واحد پول كشور‌هاي مختلف را با يكديگر مبادله كرد. اين بازار از نظر نقدينگي و حجم بالاي معاملات در هر روز، از بزرگ‌ترين بازارهاي مالي جهان محسوب مي‌شود. مسئله‌ي مهم در بازار تبادل ارز يافتن روشي براي پيش‌بيني صحيح روند حركت قيمت در آينده، براي كمك به تصميم صحيح خريد يا فروش و كسب سود است. به همين دليل پيش‌بيني داده‌هاي سري زماني قيمت در بازار تبادل ارز يكي از مباحث مورد توجه است. ولي با توجه به اينكه، نوسانات قيمت ارز به عوامل مختلفي وابسته است، اين مسئله جزء موارد چالش‌برانگيز قرار مي‌گيرد. داده‌هاي سري زماني بازار تبادل ارز به صورت دنباله‌اي از قيمت هستند كه در بعد زمان به يكديگر وابسته‌اند. از طرفي قيمت در اين بازار به صورت نسبت دو ارز مختلف (جفت‌ارز) بيان مي‌شود. به دليل وجود ارز مشترك بين جفتارزها، در چگونگي تغيير قيمت يك جفت‌ارز نسبت به ديگري همبستگي وجود دارد. گراف ابزاري است كه مي‌توان براي مدل‌سازي روابط پيچيده و داده‌هاي نامنظم به كار گرفت. در اين پايان‌نامه براي طراحي روابط وابستگي زماني و همبستگي بين جفتارزها از گراف‌هاي زماني-مكاني استفاده مي‌شود.
مدل طراحي شده در اين پايان‌نامه، داده‌هاي متوالي قيمت و ارتباط بين جفتارزها را دريافت و سپس روند حركت قيمت در آينده را پيش‌بيني مي‌كند. براي بررسي چنين داده‌هايي (گراف‌هاي زماني-مكاني) از يك روش تركيبي شامل شبكه‌هاي عصبي گراف و شبكه‌هاي عصبي بازگشتي استفاده شده است. براي استخراج روابط همبستگي بين جفتارزها، از شبكه‌هاي عصبي گراف استفاده مي‌شود، سپس ويژگي‌هاي سطح بالاي توليد شده، براي مدل‌سازي وابستگي‌هاي زماني بين داده‌هاي قيمتي در هر جفت‌ارز به شبكه‌هاي عصبي بازگشتي ارسال مي‌گردد. در اين پايان‌نامه علاوه بر تعريف همبستگي بين جفتارزها بر اساس قيمت بسته شدن در نمودار شمعي، يادگيري روابط بين جفتارزها با استفاده از فرآيند توجه نيز مورد بررسي قرار گرفته است. همچنين نرمال‌سازي داده‌هاي ورودي به دو روش مختلف، نرمال‌سازي روي كل مجموعه داده (عمومي) و نرمال‌سازي روي هر داده‌ي سري زماني (محلي) بيان شده است. نكته‌ي مهم ديگر در بازار تبادل ارز روش برچسب‌گذاري داده‌ها است كه دو روش برچسب‌گذاري بازه‌هاي زماني و برچسب‌گذاري تيك طراحي شده است. مد‌ل‌هاي پيشنهادي با هدف پيش‌بيني روند حركت قيمت در آينده با استفاده از روش‌هاي مختلف نرمال‌سازي و برچسب‌گذاري براي سه كلاس افزايش (خريد)، كاهش (فروش) و بدون تغيير آموزش ديده است. نتايج به دست آمده نشان مي‌دهد، وارد كردن اطلاعات گرافي و بررسي همبستگي بين جفتارزها در جهت يافتن راهكار مناسبي براي پيش‌بيني داده‌هاي سري زماني بازار تبادل ارز، تأثير مثبتي دارد.
چكيده انگليسي :
Financial markets are one of the influencing factors on the economy of any country. In each country, there are different valid financial markets according to the type of goods that are traded, such as stocks, currency, gold, etc. The currency exchange market is one of the financial markets, where the currency of different countries can be exchanged with each other. This market is one of the largest financial markets in the world in terms of liquidity and high volume of trades every day. The important issue in the currency exchange market is to find a way to correctly predict the price movement in the future, to help make the right decision to buy or sell and make a profit. For this reason, the prediction of price time series data in the currency exchange market is one of the topics of attention. But considering that currency price fluctuations are dependent on various factors, this is one of the most challenging issues. The time series data of the currency exchange market is a sequence of prices that are interdependent in the time dimension. On the other hand, the price in this market is expressed as a ratio of two different currencies (currency pairs). Due to the existence of a common currency between currency pairs, there is a correlation in how the price of one currency pair changes compared to the other. A graph is a tool that can be used to model complex relationships and irregular data. In this thesis, spatio-temporal graphs are used to design time dependence and correlation between currency pairs.
The model designed in this thesis receives sequential price data and the relationship between currency pairs and then predicts the price movement in the future. To examine such data (spatio-temporal graph), a hybrid method including graph neural networks and recurrent neural networks has been used. Graph neural networks are used to extract correlation relationships between currency pairs, then the generated high-level features are sent to recurrent neural networks to model temporal dependencies between price data in each currency pair. In this thesis, in addition to defining the correlation between currency pairs based on the closing price in the candlestick chart, learning the relationship between currency pairs using the attention process has also been investigated. Also, input data normalization is expressed in two different ways, normalization on the entire data set (global) and normalization on each time series data (local). Another important point in the currency exchange market is the data labeling method, which is designed with two methods labeling time frame and tick labeling. The proposed models are trained with the aim of predicting the price movement in the future using different normalization and labeling methods for three classes increase (buy), decrease (sell), and no change. The obtained results show that entering graph information and examining the correlation between currency pairs to find a suitable solution for forecasting the time series data of the currency exchange market has a positive effect.
