برنامه های یادگیری ماشین در اقتصاد پیچیده و شبکه های مالی

پیش بینی نوسانات ارزی با استفاده از تکنیک های عمیق AutoEncoder-LSTM

انتزاعی < Pan> پیچیدگی

برنامه های یادگیری ماشین در اقتصاد پیچیده و شبکه های مالی

پیش بینی نوسانات ارزی با استفاده از تکنیک های عمیق AutoEncoder-LSTM

انعطاف پذیری

برنامه های یادگیری ماشین در اقتصاد پیچیده و شبکه های مالی

پیش بینی نوسانات ارزی با استفاده از تکنیک های عمیق AutoEncoder-LSTM

خلاصه

از زمان تجزیه سیستم برتون وودز در اوایل دهه 1970 ، بازار ارزی (FX) به تمرکز مهمی در تحقیقات دانشگاهی و عملی تبدیل شده است. دلایل زیادی وجود دارد که FX مهم است ، اما یکی از مهمترین جنبه ها ، تعیین ارزش های سرمایه گذاری خارجی است. بنابراین ، FX به عنوان ستون فقرات سرمایه گذاری های بین المللی و تجارت جهانی عمل می کند. علاوه بر این ، از آنجا که نوسانات در FX بر ارزش کالاها و خدمات وارداتی و صادر شده تأثیر می گذارد ، چنین نوسانات تأثیر مهمی بر رقابت اقتصادی شرکتها و کشورهای چند ملیتی دارد. بنابراین ، نوسانات نرخ FX یک نگرانی اساسی برای محققان و پزشکان است. پیش بینی نوسانات FX یک مشکل مالی مهم است که براساس پیامدهای متنوع آن ، توجه قابل توجهی را به خود جلب می کند. به تازگی ، مدل های مختلف یادگیری عمیق مبتنی بر شبکه های عصبی مصنوعی (ANN) به طور گسترده در امور مالی و اقتصاد به ویژه برای پیش بینی نوسانات به کار گرفته شده است. هدف اصلی این مطالعه پیش بینی نوسانات FX به طور مؤثر با استفاده از مدل های ANN بود. برای این منظور ، ما یک مدل ترکیبی را پیشنهاد می کنیم که ترکیب حافظه کوتاه مدت (LSTM) و AutoEncoder را ترکیب می کند. این مدل های یادگیری عمیق شناخته شده است که در پیش بینی سری زمانی برای پیش بینی نوسانات FX عملکرد خوبی دارند. بنابراین ، ما انتظار داریم که رویکرد ما برای پیش بینی نوسانات FX مناسب باشد زیرا شایستگی این دو مدل را ترکیب می کند. از نظر روش شناختی ، ما از شاخص نوسانات ارز (FXVIX) به عنوان معیار نوسانات FX استفاده می کنیم. به طور خاص ، سه شاخص اصلی FXVIX (EUVIX ، BPVIX و JYVIX) از سال 2010 تا 2019 در نظر گرفته شده است ، و ما قیمت های آینده را با استفاده از مدل ترکیبی پیشنهادی پیش بینی می کنیم. مدل ترکیبی ما از یک مدل LSTM به عنوان رمزگذار و رمزگشایی در داخل یک شبکه AutoEncoder استفاده می کند. علاوه بر این ، ما شاخص های FXVIX را از طریق تجزیه و تحلیل Subperiod بررسی می کنیم تا بررسی کنیم که چگونه عملکرد پیش بینی مدل پیشنهادی تحت تأثیر توزیع داده ها و خارج از کشور قرار دارد. بر اساس نتایج تجربی ، می توان نتیجه گرفت که روش ترکیبی پیشنهادی ، که ما آن را مدل AutoEncoder-LSTM می نامیم ، از روش LSTM سنتی بهتر است. علاوه بر این ، توانایی یادگیری میزان گسترش داده ها و تکین ها ، صحت پیش بینی های انجام شده با استفاده از مدل های یادگیری عمیق را تعیین می کند. به طور خلاصه ، این مطالعه نشان داد که نوسانات FX با استفاده از ترکیبی از مدلهای یادگیری عمیق قابل پیش بینی است.

یافته های ما پیامدهای مهمی برای پزشکان دارد. از آنجا که پیش بینی نوسانات یک کار اساسی برای تصمیم گیری مالی است ، این مطالعه به معامله گران و سیاست گذاران این امکان را می دهد تا بتوانند به صورت کارآمد سرمایه گذاری یا سرمایه گذاری کنند و بر اساس پیش بینی نوسانات تصمیم گیری های سیاسی را انجام دهند.

1. معرفی

در میان بازارهای مختلف دارایی مالی ، بازار ارزی (FX) طی یک دهه گذشته به طور فزاینده ای بی ثبات و روان شده است. براساس داده های منتشر شده توسط BIS (بانک برای تسویه حساب بین المللی) در آوریل سال 2019 ، حجم تجارت جهانی بازارهای کالا FX 6. 6 تریلیون دلار در روز بود که نشان دهنده افزایش 30 درصدی در مقایسه با آوریل 2016 (5. 1 تریلیون دلار) بود. با ظهور جهانی سازی و افزایش تقاضا برای سرمایه گذاری در خارج از کشور ، تعداد معاملات FX بر اساس سرمایه گذاری در شرکت های کشورهای مختلف به سرعت افزایش یافته است. علاوه بر این ، نرخ FX به طور قابل توجهی بر برآورد خطرات و سودهای ارز برای معاملات بین المللی تأثیر می گذارد. دولت ها و سیاست گذاران برای انجام مدیریت ریسک ، از نوسانات FX مراقب هستند. بنابراین ، FX مهمترین شاخص مالی برای بازارهای پولی بین المللی محسوب می شود (هوانگ و همکاران [1]).

علاوه بر نرخ FX ، نوسانات FX همچنین منبع قابل توجهی برای پزشکان بوده است. نوسانات FX با نوسانات در نرخ FX تعریف می شود ، بنابراین به عنوان اندازه گیری خطر FX نیز شناخته می شود. از آنجا که ریسک FX به طور مستقیم با هزینه های معاملات مربوط به تجارت بین المللی در ارتباط است ، برای شرکت های چند ملیتی ، موسسات مالی و بازرگانانی که مایل به محافظت از ریسک های ارزی هستند ، از اهمیت زیادی برخوردار است. در همین راستا ، نوسانات FX بر رقابت بخش خارجی تجارت بین المللی و اقتصاد جهانی تأثیر گذاشته است.

به طور خاص ، نوسانات قیمت دارایی مالی یک نگرانی اساسی برای محققان ، سرمایه گذاران و سیاست گذاران است. این امر به این دلیل است که نوسانات برای قیمت گذاری مشتق ، پرچین ، انتخاب نمونه کارها و مدیریت ریسک مهم است (به Vasilellis and Meade [2] ، Knopf et al. [3] ، Brownlees and Gallo [4] ، Gallo and Otranto [5] ، مراجعه کنید. Bollerslev و همکاران [6]). بنابراین ، پیش بینی و مدل سازی نوسانات اخیراً به کانون بسیاری از مطالعات تجربی و تحقیقات نظری در آکادمی شده است. پیش بینی نوسانات دقیق یک چالش مهم برای محققان است.

از آنجا که بسیاری از دانشگاهیان و پزشکان علاقه مند به نوسانات هستند ، مطالعات زیادی در مورد پیش بینی نوسانات گزارش شده است. در این مطالعات ، رویکردهای زیادی برای پیش بینی استفاده شده است. ناهمگونی مشروط مشروط (ARCH) و مدل های قوس عمومی (GARCH) که توسط بولرزلف [7] ارائه شده است ، عمدتاً برای پیش بینی نوسانات استفاده می شود (Vee et al. [8] ، Dhamija و Bhalla [9] ، Bala and Asemota [10] ، Kambouroudisiss. و همکاران [11] ، و Köchling و همکاران [12]). خصوصیات مختلف نوسانات ، مانند اثرات اهرم ، خوشه بندی نوسانات و تداوم (Cont [13] و Cont [14]) دلایل اصلی استفاده از مدلهای مبتنی بر GARCH است. بر اساس توسعه اخیر مدل های شبکه عصبی مصنوعی (ANN) ، استفاده از روش های ANN برای پیش بینی نوسانات افزایش یافته است (Pradeepkumar و Ravi [15] ، Liu [16] ، Ramos-Pérez et al. [17] و Bucci [18]). مطالعات قبلی از مدل های مختلف ANN ، مانند جنگل تصادفی (RF) (Breiman [19]) ، دستگاه بردار پشتیبانی (SVM) (Cortes and Vapnik [20]) و حافظه کوتاه مدت طولانی (LSTM) استفاده کرده است (Hochreiter واشمیتوب [21]). مطالعات متعددی نشان داده اند که روشهای ANN از مدل های مبتنی بر GARCH برای پیش بینی سری زمانی بهتر است (به Pradeepkumar و Ravi [15] ، Liu [16] و Bucci [18] مراجعه کنید). علاوه بر این ، مدل های هیبریدی مبتنی بر مدل های ANNS و GARCH از نوع معرفی شده اند (حاجیزاد و همکاران [22] ، کریستجانپولر و همکاران [23] ، کریستجانپولر و مینتولو [24] ، کیم و برنده [25] ، بافور و همکاران.[26] ، و هو و همکاران [27]). گزارش شده است که چنین مدل هایی در مقایسه با استفاده از مدل های ANNS یا GARCH به تنهایی مزایایی دارند. ادبیات اضافی در مورد این موضوع در بخش 2 پوشش داده می شود.

بر اساس بحث فوق ، ما بر پیش بینی نوسانات بر اساس نوسانات FX تمرکز می کنیم. به عنوان اقدامات نوسانات FX ، ما سه شاخص نوسانات FX (FXVIXS) را اتخاذ می کنیم ، یعنی شاخص نوسانات یورو FX (EUVIX) ، شاخص نوسانات پوند انگلیس FX (BPVIX) و شاخص نوسانات FX ین (JYVIX) ، که دارای شاخص های یکسان هستنداز 30 روز روز مبادله گزینه Chicago Board (CBOE) به ترتیب خواندن نوسانات برای یورو (EUR) ، پوند استرلینگ (GBP) و ین ژاپنی (JPY). از آنجا که سه جفت ارز از یورو/دلار ، USD/JPY و GBP/USD سه جفت ارز به شدت معامله شده در بازار FX هستند ، ما سه شاخص FXVIX مربوطه را انتخاب کردیم. علاوه بر این ، این شاخص ها روندهای اقتصادی جهانی را منعکس می کنند (به Ishfaq و همکاران [28] ، Dicle و Dicle [29] و Pilbeam [30] مراجعه کنید). همانطور که قبلاً ذکر شد ، پیش بینی نوسانات در بازار FX برای شرکت های جهانی ، موسسات مالی و بازرگانانی که مایل به محافظت از خطرات ارزی هستند مهم است (به Guo et al. [31] ، Abdalla [32] ، و Menkhoff et al. 33]).

از نظر عملی ، بازار FX از سه مؤلفه مرتبط تشکیل شده است: معاملات Spot ، معاملات رو به جلو و قراردادهای مشتق (بافور و همکاران [26]). علاوه بر این ، از آنجا که FX در ابتدا توسط دو ارز تعریف شده بود ، FX عوامل قابل مشاهده تری دارد که در مقایسه با سایر شاخص های مالی بر تغییرات تأثیر می گذارد. علاوه بر این ، طبق گفته لیو و همکاران.[34] ، ویژگی های دوره ای بازار FX برخی از دلایل اصلی پیش بینی تغییرات در بازار FX دشوار است. بنابراین ، ما از مدل های ANN به عنوان روش های داده محور ، به جای روش های مدل محور مانند مدل های نوع GARCH ، برای پیش بینی سه FXVIX های فوق استفاده می کنیم. به طور خاص ، ما از مدل های LSTM و AutoEncoder (Rumelhart و همکاران [35]) به عنوان تکنیک های ANN استفاده می کنیم. ما یک مدل شبکه عصبی ترکیبی را بر اساس این دو مدل پیشنهاد می کنیم. برای ترکیب یک AutoEncoder با LSTM ، LSTM را به عنوان رمزگذار و رمزگشایی برای داده های توالی در داخل یک شبکه AutoEncoder اعمال می کنیم. بنابراین ، مدل ترکیبی پیشنهادی می تواند از مزایای AutoEncoder و LSTM استفاده کند. بحث مفصل در مورد این موضوع در بخش 3 ارائه شده است.

از نظر روش شناختی ، ما یک الگوریتم یادگیری ماشین (LSTM) را برای پیاده سازی یک مدل AutoEncoder-LSTM برای پیش بینی FXVIXS از سال 2010 تا 2019 اتخاذ می کنیم. ما الگوریتم های اتخاذ شده را با استفاده از یک روش جستجوی شبکه ارائه شده توسط پایتون کامل پشته بهینه می کنیم. آزمایش همچنین با استفاده از تجزیه و تحلیل زیر دوره انجام می شود تا بررسی کند که آیا انحراف داده ها و مسافت های خارج از آموزش بر آموزش مدل تأثیر می گذارد. چنین تجزیه و تحلیل زیر دوره ای معمولاً در مطالعات قبلی انجام شده است (شارما و همکاران [36] ، گارسیا و کریستجانپولر [37] ، راموس-پرز و همکاران [17] و چوی و هنگ [38]). به طور خاص ، ما کل دوره نمونه را به سه دوره زیر دوره به نام دوره 1 (ژانویه ، 2010 تا دسامبر 2015) ، دوره 2 (ژانویه ، 2016 تا دسامبر 2016) و دوره 3 (ژانویه ، 2017 تا دسامبر 2019) تقسیم کردیم. دوره 2 عدم اطمینان در بازار اروپا را بر اساس جنبش Brexit نشان می دهد. به این روش ، ما صحت پیش بینی و عملکرد مدل را با توجه به حالت های مختلف داده بررسی می کنیم.

دو جنبه اصلی این مطالعه وجود دارد که با مطالعات قبلی متفاوت است. اول ، ما از FXVIXS استفاده می کنیم که در بازار FX نقش های کلیدی ایفا می کنند. اگرچه مطالعات تجربی قبلی انواع مختلفی از نوسانات قیمت دارایی مالی را با استفاده از مدلهای مختلف پیش بینی کرده است ، تحقیقات در مورد پیش بینی FXVIXS کمیاب است. علاوه بر این ، تحقیقات در مورد پیش بینی قیمت FX و پیش بینی نوسانات با استفاده از رویکردهای مختلف انجام می شود ، اما تحقیقات در مورد پیش بینی FXVIX نسبتاً نادر است. بنابراین ، پیش بینی نوسانات FXVIX لازم است. دوم ، ما یک مدل ترکیبی را بر اساس یک AutoEncoder و LSTM پیشنهاد می کنیم تا سه FXVIX را پیش بینی کنیم. LSTM در سریال های زمانی پیش بینی خوب است (فیشر و کراوس [39] ، کومار و همکاران [40] ، و مظفر و افشاری [41]) و یکی از مزایای یک autoencoder این است که می تواند به طور خودکار ویژگی ها را استخراج کنداز داده های ورودی (Phaisangittisagul و Chongprachawat [42] ، ژانگ و همکاران [43] و Zeng و همکاران [44]). بنابراین ، تکنیک AutoEncoder به طور گسترده ای برای پیش بینی داده های سری زمانی مورد استفاده قرار گرفته است (Saha et al. [45] ، LV et al. [46] ، Sagheer and Kotb [47] و Boquet et al. [48]). مدل ترکیبی پیشنهادی از پتانسیل عالی به عنوان یک روش جدید برای پیش بینی سری FXVIX و زمان برخوردار است.

سهم اصلی این مقاله را می توان به شرح زیر خلاصه کرد: اول ، ما با پیش بینی FXVIX با استفاده از مدل های ANN ، مطالعات قبلی را گسترش می دهیم. آزمایشات ما با این مشاهده انگیزه داده شد که مطالعات قبلی در مورد بازار FX عمدتاً بر نرخ FX ، نوسانات بازده یا نوسانات تاریخی متمرکز شده است. به طور خاص ، fxvix ها اقدامات ریسک آینده FX را برای شرکت کنندگان در بازار نشان می دهند. بنابراین ، یافته های ما پیامدهای مهمی برای پزشکان مدیریت قرار گرفتن در معرض خطر FX دارد. دوم ، ما یک مدل Hybrid ANN را بر اساس یک AutoEncoder و LSTM پیشنهاد می کنیم. نتایج پیش بینی عملکرد نشان می دهد که مدل ترکیبی پیشنهادی از مدل های سنتی LSTM بهتر است. در نتیجه ، این مطالعه با معرفی یک مدل ترکیبی جدید به ادبیات در مورد توسعه مدل های ANN کمک می کند. سومین سهم عمده ما بهینه سازی عملکرد پیش بینی مدل از طریق تجزیه و تحلیل زیر دوره است. بر اساس نتایج تجربی تجزیه و تحلیل زیر دوره ، می توان نتیجه گرفت که توزیع گسترده داده های ورودی و تعداد قابل قبولی از مسافت ها عملکرد پیش بینی را بهبود می بخشد.

باقیمانده این مقاله به شرح زیر سازماندهی شده است. بخش 2 یک بررسی کوتاه ادبیات در مورد نوسانات FX و مطالعات با استفاده از یادگیری ماشین در امور مالی ارائه می دهد. بخش 3 داده ها و روش های اتخاذ شده در این مطالعه را شرح می دهد. بخش 4 نتایج حاصل از تجزیه و تحلیل تجربی را برای دوره کامل نمونه و تجزیه و تحلیل زیر دوره ارائه می دهد. سرانجام ، ما اظهارات نتیجه گیری را در بخش 5 ارائه می دهیم.

2. بررسی ادبیات

ادبیات گسترده ای در مورد پیش بینی سری زمانی مالی وجود دارد. در این بخش ، ما تحقیقات قبلی را با توجه به تمرکز اصلی مقالات قبلی به نرخ FX و تحقیقات نوسانات FX تقسیم می کنیم. علاوه بر این ، ما همچنین در مورد ادبیات در مورد پیش بینی سری زمانی با استفاده از ANN ها بحث می کنیم.

اول ، از آنجا که نرخ FX مستقیماً بر درآمد بنگاه های چند ملیتی تأثیر می گذارد ، بسیاری از مطالعات بر پیش بینی نرخ FX متمرکز شده اند و بسیاری از مطالعات از مدل های ANN برای پیش بینی نرخ FX آینده استفاده کرده اند. به عنوان مثال ، لیو و همکاران.[34] نرخ EUR/USD ، GBP/USD و JPY/USD را با استفاده از یک مدل بر اساس یک شبکه عصبی حلقوی (CNN) پیش بینی کرد. آنها نشان دادند که چنین مدلی برای پردازش داده های نرخ ارز ساختاری 2D مناسب است. فو و همکاران.[49] مدل های رگرسیون پشتیبانی تکاملی (SVR) را برای پیش بینی چهار نرخ ارز Renminbi (RMB ، یوان چینی) (CNY در برابر USD ، EUR ، JPY و GBP) توسعه داد. آنها همچنین نشان دادند که مدل پیشنهادی از شبکه عصبی چند لایه Perceptron (MLP) ، شبکه عصبی Elman و مدل های SVR از نظر اقدامات دقت پیش بینی سطح بهتر عمل می کند. نویسندگان سان و همکاران.[50] یک رویکرد یادگیری عمیق گروه جدید مبتنی بر LSTM و یک استراتژی یادگیری گروهی را برای پیش بینی چهار ارز عمده (EUR/USD ، GBP/USD ، JPY/USD و USD/CNY) معرفی کرد. با توجه به نتایج تجربی آنها ، مدل پیشنهادی آنها دقت پیش بینی قابل توجهی را در مقایسه با یک مدل سنتی LSTM بهبود بخشیده است.

همانطور که در بخش قبلی مورد بحث قرار گرفت ، نوسانات FX برای بسیاری از دانشگاهیان و پزشکان نیز مهم است ، بنابراین بسیاری از مطالعات بر پیش بینی نوسانات FX متمرکز شده اند. به طور کلی ، از مدل های مبتنی بر GARCH در بسیاری از مطالعات برای پیش بینی نوسانات FX استفاده شده است. علاوه بر این ، برخی از مطالعات با ترکیب روشهای مختلف در مدل های GARCH برای بهبود قدرت پیش بینی ، نوسانات FX را پیش بینی کرده اند. به عنوان مثال ، نویسندگان Vilasuso [51] نوسانات مختلف نرخ FX (دلار کانادا ، فرانسوی فرانسوی ، مارک آلمانی ، لیر ایتالیایی ، ین ژاپنی و پوند انگلیس) را با استفاده از یک مدل گارچ یکپارچه (Figarch) پیش بینی کردند (Baillie et al. [[52]). نتایج تجربی مطالعه آنها نشان داد که مدل FIGARCH در ضبط ویژگی های نوسانات FX در مقایسه با مدل اصلی GARCH بهتر است. نویسندگان Rapach و Strauss [53] نشان دادند كه استراحت ساختاری در واریانس بی قید و شرط بازده نرخ FX می تواند با در نظر گرفتن بازده روزانه دلار آمریكا در برابر ارزهای ارز ، عملکرد پیش بینی GARCH (1،1) برای نوسانات FX را بهبود بخشد. کانادا ، دانمارک ، آلمان ، ژاپن ، نروژ ، سوئیس و انگلیس. Pilbeam و Langeland [54] بررسی کردند که آیا مدل های مختلف مبتنی بر GARCH می توانند به طور مؤثر نوسانات FX چهار جفت ارز یورو ، پوند ، فرانک سوئیس و ین را در برابر دلار آمریکا پیش بینی کنند. به طور خاص ، نتایج تجربی آنها نشان داد که مدل های GARCH در دوره هایی از نوسانات کم نسبت به دوره های نوسانات بالا عملکرد بهتری دارند. شما و لیو [55] از رویکرد Garch-Midas (Engle et al. [56]) استفاده کردید تا نوسانات کوتاه مدت شش نرخ FX را بر اساس اصول پولی پیش بینی کنید. آنها نشان دادند كه قدرت پیش بینی نوسانات روزانه FX با در نظر گرفتن نوسانات اساسی پولی ماهانه به طور قابل توجهی بهبود می یابد.

از مدل های مختلف یادگیری ماشین نیز برای پیش بینی سری های زمانی ناشی از زمینه های مختلف از جمله مهندسی و امور مالی استفاده شده است. در امور مالی ، بسیاری از مطالعات از یادگیری ماشین برای پیش بینی قیمت سهام آینده استفاده کرده اند. به عنوان مثال ، Trafalis و INCE [57] SVR را با بازگشت به یک شبکه عملکردی پایه شعاعی در وظیفه پیش بینی قیمت سهام روزانه مقایسه کردند. به همین ترتیب ، هنریک و همکاران.[58] از SVR و یک روش پیاده روی تصادفی (RW) برای پیش بینی قیمت سهام روزانه در سه بازار مختلف (برزیل ، آمریکایی و چینی) استفاده کرد. بر اساس مقایسه نتایج پیش بینی قیمت مدل های SVR و RW ، آنها تعیین کردند که مدل های SVR ممکن است از نظر عملکرد پیش بینی بهتر از مدل های RW عملکرد داشته باشند. اخیراً ، مطالعات مختلف با استفاده از روشهای یادگیری ماشین و روشهای یادگیری عمیق گزارش شده است. به عنوان مثال ، نویسندگان سلوین و همکاران.[59] از مدل های یادگیری عمیق ، یعنی یک شبکه عصبی مکرر (RNN) ، LSTM و CNN برای پیش بینی قیمت سهام دقایقی استفاده کرد. آنها مشخص کردند که الگوریتم CNN بهترین عملکرد را ارائه می دهد. چونگ و همکاران.[60] از یک AutoEncoder برای استخراج ویژگی ها از داده های سهام استفاده کرد و یک شبکه عصبی عمیق (DNN) را برای پیش بینی بازده سهام آینده ساخت. آنها مشخص کردند که می توان بدون تکیه بر دانش قبلی در مورد پیش بینی کننده ، ویژگی هایی را از مجموعه بزرگی از داده های خام استخراج کرد که یکی از اصلی ترین مزایای DNN ها است. Pradeepkumar و Ravi [15] یک RNN کمی بهینه سازی ذرات را برای پیش بینی نوسانات FX پیشنهاد کردند. مدل آنها عملکرد پیش بینی برتر را در مقایسه با مدل GARCH ارائه می دهد. در [16] و [18] ، از مدل های مختلف ANN برای پیش بینی نوسانات شاخص سهام S& P 500 استفاده شد. با توجه به یافته های این مطالعات ، مدل های ANN قادر به بهتر از روشهای سنتی اقتصاد سنجی ، از جمله مدلهای متوسط در حال حرکت GARCH و Autoregressive هستند. به طور خاص ، به نظر می رسد که مدل های LSTM دقت پیش بینی های نوسانات را بهبود می بخشند. علاوه بر این ، Ramos-Pérez و همکاران.[17] نوسانات شاخص S& P 500 را با استفاده از یک مدل ANN انباشته شده بر اساس مجموعه ای از تکنیک های مختلف یادگیری ماشین ، از جمله افزایش نزول شیب ، RF و SVM پیش بینی کرد. آنها نشان دادند که پیش بینی های نوسانات می تواند با استفاده از الگوریتم های یادگیری ماشین بهبود یابد. علاوه بر این ، صرف نظر از مدل نوسانات اتخاذ شده ، رژیم های با رونق بالا منجر به نرخ خطای بالاتر می شوند.

چندین مطالعه مدل های ترکیبی را بر اساس مدل های مبتنی بر GARCH و مدل های ANN پیشنهاد کرده اند. به عنوان مثال، مدل های مختلف مبتنی بر GARCH با شبکه های عصبی مصنوعی مبتنی بر MLP ترکیب شده اند و بسیاری از مدل های ترکیبی برای افزایش توانایی مدل های GARCH برای پیش بینی نوسانات سهام، طلا و بازده نرخ FX استفاده شده اند (حاجی زاده و همکاران [22).]، Kristjanpoller و همکاران [23]، Kristjanpoller و Minutolo [24] و Baffour و همکاران [26]. علاوه بر این، برخی مطالعات ترکیبی از مدل های LSTM و GARCH را پیشنهاد کرده اند و از چنین مدل هایی برای پیش بینی نوسانات دارایی های مالی استفاده کرده اند (کیم و وون [25] و هو و همکاران [27]). با توجه به نتایج تجربی، مدل های ترکیبی مبتنی بر تکنیک های GARCH و ANN عملکرد پیش بینی بهبود یافته ای را از نظر دقت نوسانات نشان می دهند.

به طور خاص، ما بر مطالعات با استفاده از روش های LSTM و رمزگذار خودکار برای پیش بینی سری های زمانی تمرکز می کنیم. LSTM که توسط Hochreiter و Schmidhuber [21] معرفی شد، به طور گسترده ای برای پیش بینی سری های زمانی در بسیاری از مطالعات پیش بینی استفاده شده است. این روش عمدتاً برای تجزیه و تحلیل داده های سری زمانی استفاده می شود زیرا می تواند داده های گذشته را ثبت کند. برخی از مطالعات LSTM را با روش های سنتی با استفاده از شبکه های عصبی مقایسه کرده اند یا با بازسازی هر دو نوع روش، چنین مدل هایی را بررسی کرده اند. همانطور که توسط سیامی نمینی و همکاران بحث شده است.[61] و Ohanyan [62]، با بهبود قدرت محاسباتی، پیاده سازی مدل های یادگیری عمیق کاربردی تر می شود و عملکرد آنها از مدل های سنتی فراتر می رود. علاوه بر این، دئوروخکار و همکاران.[63] نشان داد که مدل های شبکه عصبی همراه با میانگین متحرک یکپارچه اتورگرسیو یا مدل های LSTM دقت بیشتری نسبت به هر یک از مدل ها به صورت جداگانه ارائه می کنند. در [64]، روش اعمال قیمت سهام پیش پردازش شده به مدل LSTM با استفاده از تبدیل موجک برتر از روش های سنتی نشان داده شد.