نظریه موج الیوت و مدل توالی خاکستری فیبوناچی و کاربرد آنها در بازار سهام چین

این هشدار با موفقیت اضافه شد و به این آدرس ارسال خواهد شد: هر زمان که سابقه ای که انتخاب کرده اید ذکر شد به شما اطلاع داده می شود.

برای مدیریت تنظیمات برگزیده هشدار، روی دکمه زیر کلیک کنید. مدیریت هشدارهای من

هشدار نقل قول جدید!

لطفا وارد حساب کاربری خود شوید

ذخیره در Binder

نام

مجله سیستم های هوشمند و فازی: کاربردها در مهندسی و فناوری

خلاصه

تئوری موج الیوت دارای مزایای جهانی بودن و دقت است. این به طور دقیق نحوه عملکرد بازار سهام را به تصویر می کشد و به یک ابزار مهم در مدل سازی بازار اوراق بهادار تبدیل شده است. نظریه موج الیوت شامل پنج موج افزایشی و سه موج نزولی است که دارای ویژگی های کمی مهم مربوط به سری فیبوناچی و نسبت طلایی است. در عین حال، شاخص ترکیبی شانگهای چین ریسک سیستماتیک بازار سهام را تا حدی منعکس می کند. اگر بتوان شاخص ترکیبی شانگهای چین را به دقت پیش بینی کرد، می توانیم اقدامات احتیاطی لازم را برای جلوگیری از خطر در سیستم انجام دهیم. بنابراین، این مقاله از ویژگی های مدل خاکستری استفاده می کند که بسیار سازگار هستند و می توانند تغییرات پارامتر را مدیریت کنند. داده های مقطعی نقاط عطف خط موج الیوت به عنوان داده های اصلی انتخاب می شوند تا با تعداد نمونه کوچک مورد نیاز برای مدل سازی خاکستری مطابقت داشته باشند. با توجه به رابطه نگاشت ویژه بین تئوری موج الیوت و دنباله فیبوناچی، با ترکیب خواص مهم دنباله فیبوناچی و نسبت طلایی، مقدار پس زمینه مدل خاکستری GM (1، 1) بهینه می شود، مدل های جدید F₁- جنرال موتورز و اف₂- GM ارائه شده و ویژگی های مهم مدل های جدید مورد مطالعه قرار می گیرد. در نهایت، خط موج الیوت با استفاده از شاخص ترکیبی شانگهای چین ترسیم می شود و از داده های نقطه عطف برای کل موج، امواج افزایشی و امواج نزولی خط موج به عنوان داده های تجربی استفاده می شود. نتایج نشان می دهد که مدل جدید می تواند مدل بهینه را با توجه به ویژگی های داده ها انتخاب کند و کارایی بیشتری دارد. مدل جدید همچنین می تواند اطلاعات جدیدی برای پیش بینی شاخص های قیمت سهام فراهم کند و کمک و مرجعی برای پیش بینی شاخص های قیمت سهام باشد.

منابع

1. [1] Prechter R. and Forst A.، اصل موج الیوت: کلید رفتار بازار، کتابخانه کلاسیک جدید (1998). Google Scholar
2. [2] ژو سی، دنباله فیبوناچی-لوکاس و کاربرد آن، چاپ علم و فناوری هونان 1993. Google Scholar
3. [3] دانلپ R. A., نسبت طلایی و اعداد فیبوناچی , انتشارات علمی جهانی , سنگاپور , 1997 . Google Scholar
4. [4] Bunyamin Y.، در روش جستجوی فیبوناچی با اعداد k-Lucas، ریاضیات کاربردی و محاسبات 143 (2003)، 29 - 32. Google Scholar
5. [5] Murat S.، Necmettin Y. and Bunyamin Y.، بهبود روش جستجوی فیبوناچی در نظریه بهینه سازی، ریاضیات کاربردی و محاسبات 147 (2004)، 893-901. Google Scholar
6. [6] Yahya T.، Omar D. and Mohammad H.، رویکرد تعادل بار چند مسیری مبتنی بر توالی فیبوناچی برای شبکه های موقت موبایل، شبکه های Ad Hoc 16 (2014)، 237-246. Google Scholar
7. [7] Farina A.، Fantacci C. and Frasca M.، فیلتر تصادفی یک دنباله فیبوناچی تصادفی: نظریه و کاربردها، پردازش سیگنال 104 (2014)، 212-224. کتابخانه دیجیتالی Google Scholar
8. [8] زو F. L.، برخی از نسبت ها در شاخص ترکیبی شانگهای، انجمن علم و فناوری 12 (2010)، 139 - 140. Google Scholar
9. [9] وانگ L. X.، تجزیه و تحلیل تجربی نظریه موج الیوت در بازار آتی چین، سرمایه گذاری خارجی چین 4 (2012)، 253-254. Google Scholar
10. [10] Wan L. X., تحقیقات تئوری موج الیوت , شانگهای : دانشگاه فودان , 2000 . Google Scholar
11. [11] Atsalakis G. and Zopounidis C.، پیش بینی نقاط عطف در قیمت بازار سهام با استفاده از یک مدل عصبی فازی، مجله بین المللی مهندسی و مدیریت 1 (2009)، 19-28. Google Scholar
12. [12] جورج اس، امانویل ام و کنستانتینوس دی، نظریه الیوت ویس و سیستم های فازی عصبی، در پیش بینی بازار سهام، سیستم WASP، سیستم های خبره با کاربردها 38 (8) (2011)، 9196 - 9206. Google Scholar
13. [13] Wen J. X و Li W. Z.، همبستگی خودکار بازده سهام و قابلیت پیش بینی در بازار سهام چین - شواهدی از مدل های خودرگرسیون چندک آستانه، مدل سازی اقتصادی 60 (2017)، 391-401. Google Scholar
14. [14] چنگ سی. اچ.، وانگ جی. و لی سی. اچ.، پیش بینی تعداد بازدیدهای سرپایی با استفاده از یک سری زمانی فازی جدید بر اساس ماتریس وزنی-انتقالی، Expert Syst Appl 34 (2008)، 2568 - 2575. کتابخانه دیجیتالی Google Scholar
15. [15] آبل آر، خوزه بی و انریکتا دی وی., بهبود پیش بینی های شاخص سهام با استفاده از روش سری های زمانی روند فازی وزنی جدید, سیستم های خبره با کاربردهای 76 (2017), 12 20. Google Scholar
16. [16] آدل H. M. و Fatemeh K. ، پسوند Topsis فازی برای تصمیم گیری گروهی با برنامه ای برای تغییر Tehran Stockex ، Computing Soft Computing 52 (2017) ، 1084 - 1097. گوگل دانشکده
17. [17] Gaxiola F. ، Melin P. ، Valdez F. and Castillo O. ، Interval Type-2 تنظیم وزن فازی برای شبکه های عصبی انتشار پشت با کاربرد در پیش بینی سری زمانی ، SCI 260 (2014) ، 1-14 را اطلاع دهید. کتابخانه Scholardigital Google
18. [18] Chen J. ، Jiang F. W. ، Liu Y. S. و Tu J. ، ریسک نوسانات بین المللی و پیش بینی سهام چین ، مجله بین المللی پول و دارایی 70 (2017) ، 183 - 203. گوگل دانشکده
19. [19] Peters G. and Weber R. ، DCC: چارچوبی برای خوشه بندی گرانول پویا ، محاسبات گرانول 1 (1) (2016) ، 1 - 11. Google Scholarcross Ref
20. [20] Livi L. and Sadeghian A. ، محاسبات گرانول ، هوش محاسباتی و تجزیه و تحلیل فضاهای ورودی غیر جلومتریک ، محاسبات گرانول 1 (1) (2016) ، 13-20. گوگل دانشکده
21. [21] Antonelli M. ، Ducange P. ، Lazzerini B. and Marcelloni F. ، طراحی تکاملی چند منظوره طبقه بندی کننده های مبتنی بر قاعده گرانول ، محاسبات گرانول 1 (1) (2016) ، 37-58. Google Scholarcross Ref
22. [22] Lingras P. ، Haider F. و Triff M. ، متا خوشه بندی گرانول مبتنی بر اتصالات سلسله مراتبی ، شبکه و زمانی ، محاسبات گرانول 1 (1) (2016) ، 71-92. Google Scholarcross Ref
23. [23] Skowron A. ، Jankowski A. and Dutta S. ، محاسبات دانه ای تعاملی ، محاسبات گرانول 1 (2) (2016) ، 95 - 113. Google Scholarcross Ref
24. [24] Dubois D. و Prade H. ، شکاف های پل بین چندین شکل محاسبات دانه ای ، محاسبات دانه ای 1 (2) (2016) ، 115 - 126. Google Scholarcross Ref
25. [25] Yao Y. ، یک تئوری سه گانه محاسبات دانه ای ، محاسبات دانه ای 1 (2) (2016) ، 145 - 157. Google Scholarcross Ref
26. [26] Ciucci D. ، ارتوپرها و محاسبات گرانول ، محاسبات گرانول 1 (3) (2016) ، 159 - 170. Google Scholarcross Ref
27. [27] Min F. and Xu J. ، اکتشافی نیمه سبز برای انتخاب ویژگی با محدودیت هزینه های آزمایش ، محاسبات گرانول 1 (3) (2016) ، 199-211. Google Scholarcross Ref
28. [28] Maciel L. ، Ballini R. and Gomide F. ، تحول گرانول در حال تحول برای پیش بینی سری زمانی فاصله ، محاسبات دانه ای 1 (4) (2016) ، 213 - 224. Google Scholarcross Ref
29. [29] Apolloni B. ، Bassis S. ، Rota J. ، Galliani G. L. ، Gioia M. and Ferrari L. ، یک الگوریتم نورو فازی برای یادگیری از گرانول های پیچیده ، محاسبات گرانول 1 (4) (2016) ، 225 - 246. Google Scholarcross Ref
30. [30] Song M. و Wang Y. ، مطالعه محاسبات دانه ای در دستور کار رشد شبکه های عصبی مصنوعی ، محاسبات دانه ای 1 (4) (2016) ، 247 - 257. Google Scholarcross Ref
31. [31] Chen M. Y. و چن B. T.، یک مدل سری زمانی فازی ترکیبی مبتنی بر محاسبات دانه ای برای پیش بینی قیمت سهام ، علوم اطلاعات 294 (2015) ، 227 - 241. کتابخانه Scholardigital Google
32. [32] Narayan P. K. و Bannigidadmath D. ، بازده سهام هند قابل پیش بینی هستند ، J Bank Financy 58 (2015) ، 506 - 531. گوگل دانشکده
33. [33] ژانگ G. W.، Xu L. Y. و Xue Y. L.، مدل و پیش بینی رفتار بورس سهام یکپارچه سازی تجزیه و تحلیل احساسات سرمایه گذار و داده های معامله ، محاسبات خوشه ای- مجله ابزارها و برنامه های نرم افزاری شبکه ها 20 (1) (2017) ، 789- 803. کتابخانه Scholardigital Google
34. [34] Nuno O. ، Paulo C. و Nelson A. ، تأثیر داده های میکرو وبلاگ نویسی برای پیش بینی بازار سهام: استفاده از توییتر برای پیش بینی بازده ، نوسانات ، حجم معاملات و شاخص های احساسات نظرسنجی ، سیستم های خبره با برنامه های 73 (2017) ،125 - 144. Google Scholarcross Ref
35. [35] Box G. و Jenkins G. ، تجزیه و تحلیل سری زمانی: پیش بینی و کنترل ، هولدن-روز ، سانفرانسیسکو ، 1976. گوگل دانشکده
36. [36] Engle R. F.، هترو اسکائراسیته شرطی خودجوش با برآورد واریانس تورم انگلستان ، اقتصاد سنجی 50 (1982) ، 987 - 1007. Google Scholarcross Ref
37. [37] Bollerslev T. ، Skedasticity Hetero Autoregressive تعمیم یافته ، J Econ 31 (1986) ، 307 - 327. Google Scholarcross Ref
38. [38] Jilani T. A. و برنی S. M. A.، پیش بینی سری زمانی فازی با مرتبه عالی برای داده های تصادفات جاده ای: تجزیه و تحلیل و طراحی سیستم های هوشمند با استفاده از تکنیک های محاسبات نرم ، ADV Soft Comput 41 (2007) ، 246-254. Google Scholarcross Ref
39. [39] Kayacan E. ، Ulutas B. and Kaynak O. ، مدلهای مبتنی بر تئوری سیستم خاکستری در پیش بینی سری زمانی ، سیستم های خبره با برنامه های 37 (2) (2010) ، 1784-1789. کتابخانه Scholardigital Google
40. [40] دنگ J. L. ، برآورد و تصمیم سیستم خاکستری ، انتشارات دانشگاه علوم و فناوری Huazhong ، ووهان ، 2002. گوگل دانشکده
41. [41] Xie N. M. و Liu S. F.، پیش بینی توالی تعداد خاکستری فاصله با استفاده از الگوی خاکستری گسسته ای گسسته غیر همگن ، مدل پیش بینی ، مجله مهندسی سیستم و الکترونیک 26 (1) (2015) ، 96-102. Google Scholarcross Ref
42. [42] Tseng F. M.، Yub H. C. و Tzeng G. H.، ترکیب مدل شبکه عصبی با مدل زمانی فصلی مدل ARIMA ، پیش بینی فن آوری SOC 69 (1) (2002) ، 71 - 87. Google Scholarcross Ref
43. [43] Wu L. F. ، Liiu S. F. و یانگ Y. J. ، یک مدل خاکستری با یک اپراتور تولید وزن متفاوت ، معاملات IEEE در سیستم های Cybeetics-Systems 46 (2016) ، 427-433. گوگل دانشکده
44. [44] Bezuglov A. and Comert G. ، پیش بینی پارامتر ترافیک آزاد مدت: کاربرد مدلهای تئوری سیستم خاکستری ، Syst AAPPL Expert Syst AAPPL 62 (2016) ، 284-292. کتابخانه Scholardigital Google
45. [45] Wu L. F. ، Liu S. F. و Yang Y. J. ، مدل صاف کننده نمایی دو برابر خاکستری و کاربرد آن در پیش بینی قیمت خوک در چین ، Applied Soft Computing 39 (2016) ، 117 - 123. کتابخانه Scholardigital Google
46. [46] Guo H. ، Xiao X. P. و فارست جی. ، تحقیق در مورد مدل پیش بینی خاکستری تطبیقی سازگار CAGM (1 ، N) ، Appl Math Comput 225 (2013) ، 216 - 227. کتابخانه Scholardigital Google
47. [47] Zeng B. and Li C. ، پیش بینی تقاضای گاز طبیعی در چین با استفاده از یک مدل خاکستری هوشمند خود سازگار ، انرژی 112 (2016) ، 810-825. Google Scholarcross Ref
48. [48] Wang Z. X.، مدل GM (1 ، N) با تأخیر زمان چند متغیره و کاربرد آن ، کنترل کنترل 32 (12) (2015) ، 2298-2304. گوگل دانشکده
49. [49] MAO S. H.، Gao M. Y.، Xiao X. P.، و همکاران.. ، یک مدل جدید سیستم خاکستری کسری و کاربرد آن ، Appl Math Model 40 (2016) ، 5063 - 5076. گوگل دانشکده
50. [50] Zeng B. ، Guo C. و Liu S. F.، یک مدل پیش بینی خاکستری فاصله جدید با توجه به اطلاعات نامشخص ، مجله موسسه فرانکلین 350 (2013) ، 3400 - 3416. Google Scholarcross Ref