Forecasting stock market crisis events using deep and statistical machine learning techniques

این کار کمک به این بحث در حال انجام در مورد ماهیت و ویژگی های کانال های تبلیغاتی وقایع تصادف در بازارهای سهام بین المللی است. به طور خاص، ما بررسی مکانیزم های انتقال در بازارهای سهام همراه با اثرات از بازارهای اوراق قرضه و ارز. رویکرد ما شامل مکانیزم پیش بینی جامد احتمال وقوع تصادف بازار سهام در فریم های مختلف می باشد. رویکرد توسعه ترکیبی از الگوریتم های مختلف یادگیری ماشین است که با داده های روزانه سهام، اطلاعات اوراق وجوه از 39 کشور که طیف وسیعی از اقتصادها را پوشش می دهند، ارائه می شود. به طور خاص، ما توانایی های یک سری تکنیک های از قبیل طبقه بندی درختان، پشتیبانی از ماشین های بردار، جنگل های تصادفی، شبکه های عصبی، تقویت گرادیان افراطی و شبکه های عصبی عمیق را داریم. برای کسب اطلاعات بیشتر، این اولین بار است که رویکردهای عمیق یادگیری و تقویت در ادبیات به عنوان وسیله پیش بینی بحران های بازار سهام مورد توجه قرار گرفته است. متغیرهای مستقل که در داده های ما حاوی اطلاعات مربوط به هر دو کانال پیوند پیوندی است که می توان از طریق آن می توان از خطرات مالی شروع کرد: بازده و نوسان. ما مجموعه ای از الگوریتم های یادگیری ماشین را برای انتخاب مناسب ترین متغیرها از یک مجموعه بزرگ از پیشنهادات استفاده می کنیم. در نهایت، نمونه برداری از بوت استرپ برای تنظیم طبیعت نامتعادل از مجموعه داده های موجود قابل استفاده است. نتایج تجربی ما شواهد قوی نشان می دهد که بحران های بازار سهام تمایل دارند تا پایداری را نشان دهند. ما همچنین شواهد قابل توجهی از وابستگی متقابل و اثرات متقابل در بازارهای سهام، اوراق قرضه و ارز را پیدا می کنیم. در نهایت، ما نشان می دهیم که استفاده از شبکه های عمیق عصبی به طور قابل توجهی دقت طبقه بندی را افزایش می دهد، در حالیکه یک روش قوی برای ایجاد یک ابزار هشدار دهنده سیستماتیک جهانی که بیشتر کارآمد و حساس به حساسیت نسبت به آنهایی است که در حال حاضر تاسیس شده است. بنابراین، بانک های مرکزی می توانند از این ابزار برای تسریع سیاست پولی خود به منظور تضمین ثبات مالی استفاده کنند.