یادگیری ماشین برای شبکه های امنیتی و ارتباطی

تحقیقات در مورد پیش بینی شاخص سهام بازار بر اساس امنیت شبکه و یادگیری عمیق

چکیده

به عنوان یکی از محبوب ترین روش های مدیریت مالی ، سهام سرمایه گذاران بیشتری را برای شرکت در آن جذب کرده است. خطرات سرمایه گذاری سهام نسبتاً زیاد است. نحوه کاهش خطرات و افزایش سود به بیشترین مسئله برای سرمایه گذاران تبدیل شده است. مدل های پیش بینی سهام سنتی از مدل های پیش بینی بر اساس تجزیه و تحلیل سری زمانی سهام استفاده می کنند ، اما مدل های سری زمانی نمی توانند تأثیر احساسات سرمایه گذار را در تغییرات بازار سهام در نظر بگیرند. به منظور استفاده از اطلاعات مربوط به احساسات سرمایه گذار برای پیش بینی دقیق تر بازار سهام ، این مقاله پیش بینی شاخص سهام و مدل امنیت شبکه را بر اساس سری زمانی و یادگیری عمیق ایجاد می کند. بر اساس مدل سری زمانی ، پیشنهاد می شود از CNN برای استخراج اطلاعات عاطفی عمیق برای جایگزینی ویژگی های اصلی عاطفی سطح استخراج عاطفی استفاده شود. در سطح منبع داده ، سایر منابع اطلاعاتی ، مانند ویژگی های اساسی ، برای بهبود بیشتر عملکرد پیش بینی مدل معرفی می شوند. نتایج نشان می دهد که این الگوریتم امکان پذیر و مؤثر است و می تواند تغییرات در شاخص سهام بازار را بهتر پیش بینی کند. این همچنین ثابت می کند که چندین منبع اطلاعاتی می توانند دقت پیش بینی مدل را به طور مؤثرتر از یک منبع اطلاعاتی واحد بهبود بخشند.

1. مقدمه

امور مالی رقابت مهم اصلی یک کشور است و نسبت آن در اقتصاد ملی سال به سال در حال افزایش است [1]. به عنوان بخش مهمی از سیستم خدمات مالی که از اقتصاد واقعی حمایت می کند ، بورس سهام نیز به بخشی از رقابت اصلی کشور تبدیل می شود [2]. با توسعه شدید اقتصاد ملی ، پشتیبانی از سیاست های قوی و بهبود تدریجی آگاهی مردم از مدیریت مالی ، بیشتر و بیشتر نهادها و افراد به طور فعال در معاملات بورس سهام شرکت می کنند [3 ، 4]. تقاضا برای خدمات مالی مرتبط نیز دنبال شده است ، بنابراین پیش بینی قیمت سهام به موضوعی تبدیل شده است که تحلیلگران حرفه ای و سرمایه گذاران اهمیت زیادی به آن می دهند [5]. با افزایش تأثیر بازار سهام بر روندهای اقتصادی ، پیش بینی روند سهام به یک موضوع داغ در تحقیقات تبدیل شده است. بسیاری از محققان تحقیقات علمی و دقیق در مورد بازار سهام انجام داده اند و سعی در تدوین قوانینی برای عملکرد بازار سهام دارند. با این حال ، نتایج این تحقیق نشان داده است که به نظر می رسد تغییرات در بورس اوراق بهادار بی ارتباط است [6 ، 7].

نظریه فرضیه بازار کارآمد ارائه شده توسط شهرت یوجین ، توضیحی معتبرتر در محافل مالی فعلی برای مطالعه قانون تغییرات بازار سهام است. در این تئوری ، قیمت سهام عمدتاً تحت تأثیر اطلاعات آینده ، یعنی اخبار قرار می گیرد ، نه اینکه توسط قیمت های فعلی یا گذشته هدایت شود [8-10]. به عنوان یک نگرانی بلند مدت از بازار سرمایه ، پیش بینی بازار سهام افراد را به دلیل بازده قابل پیش بینی و سخاوتمندانه ، از استفاده از روش های مختلف برای تحقیقات مرتبط استفاده می کند. بهبود روشهای پیش بینی باعث بهبود نتایج پیش بینی شده است [11].

به عنوان مثال ، لین و همکاران. یک شبکه عصبی ترکیبی پایان به پایان ، که از شبکه های عصبی حلقوی (CNN) برای استخراج ویژگی های داده استفاده می کند ، و از شبکه های عصبی مکرر حافظه طولانی مدت و کوتاه مدت برای ضبط وابستگی طولانی مدت در دنباله روند تاریخی استفاده می کند. سری زمانی برای یادگیری. ویژگی های متنی روند قیمت بازار سهام را پیش بینی می کند [12]. هو و همکاران. یک شبکه توجه ترکیبی (HAN) را برای پیش بینی روند سهام بر اساس توالی های خبری مرتبط طراحی کرده است [13]. لی و همکاران. یک شبکه عصبی مکرر چند وظیفه ای (RNN) و یک دامنه تصادفی Markov با مرتبه بالا برای پیش بینی جهت حرکت قیمت سهام ارائه داد [14]. از طریق یک چارچوب چند وظیفه ای RNN ، اطلاعات ویژگی از داده های اصلی بازار سهام جداگانه استخراج شد. اکثر تصمیمات سرمایه گذاری سرمایه گذاران صرفاً از طریق تجزیه و تحلیل فنی شرکتهای ذکر شده اتخاذ نمی شوند. بنابراین ، تجزیه و تحلیل فنی می تواند با اخبار موجود در اختیار سرمایه گذاران و احساسات در پاسخ به اخبار برای پیش بینی کمی روند قیمت سهام ترکیب شود [15]. مدل پیش بینی سهام سنتی مدل پیش بینی را بر اساس تجزیه و تحلیل سری زمانی سهام اتخاذ می کند ، اما مدل سری زمانی نمی تواند تأثیر احساسات سرمایه گذار را در تغییرات بازار سهام در نظر بگیرد. به منظور استفاده از اطلاعات مربوط به احساسات سرمایه گذار برای پیش بینی دقیق تر در مورد بازار سهام ، این مقاله یک مدل پیش بینی شاخص سهام را بر اساس سری زمانی و یادگیری عمیق ایجاد می کند. بر اساس مدل سری زمانی ، پیشنهاد می شود از CNN برای استخراج اطلاعات عاطفی عمیق برای جایگزینی ویژگی های عاطفی اساسی در سطح استخراج عاطفی استفاده شود.

2. بررسی اجمالی فناوری

2. 1نمای کلی امنیت شبکه

پیش بینی وضعیت امنیت شبکه به پیش بینی توالی زمان وضعیت امنیت شبکه در آینده برای یک دوره زمانی بر اساس وضعیت فعلی محیط شبکه همراه با داده های تاریخی وضعیت امنیت شبکه اشاره دارد ، به گونه ای که از قبل از حملات احتمالی شبکه جلوگیری می کند [[16]استخراج عناصر وضعیت اساس آگاهی از وضعیت امنیت شبکه است. جمع آوری داده های جامع و دقیق امنیت شبکه و اثربخشی سیستم شاخص وضعیت تعیین شده تضمین های مهمی برای صحت ارزیابی وضعیت است [17]. استخراج عناصر وضعیت مستلزم آن است که با توجه به سیستم شاخص وضعیت تعیین شده ، شاخص های وضعیت از محیط شبکه استخراج شوند [18 ، 19]. پس از یک سری پردازش فنی تمیز کردن ، ادغام ، کاهش ، تحول و همجوشی ، از آنها به عنوان عناصر وضعیت برای ارزیابی وضعیت بعدی استفاده می شود و برای پیش بینی وضعیت کاملاً آماده می شوند. فن آوری های مرتبط برای استخراج عناصر وضعیت شامل استخراج شاخص وضعیت و پیش پردازش داده ها است [20].

2. 2شاخص سهام بازار

روش های زیادی برای پیش بینی سهام وجود دارد. دو روش متداول ، تجزیه و تحلیل اساسی و تجزیه و تحلیل فنی هستند [21 ، 22]. دو روش به طور خلاصه در زیر شرح داده شده است. این مقاله یک رویکرد فنی را اتخاذ می کند ، بنابراین در این بخش ، بر وضعیت تحقیق روشهای تحلیلی بر اساس روشهای فنی متمرکز است. تجزیه و تحلیل بنیادی نیز به تجزیه و تحلیل کیفی گفته می شود [23]. تجزیه و تحلیل بنیادی یک روش تحلیل ذهنی است که به تجربه پزشکان مالی متکی است [24]. این روش براساس اطلاعات ماکرولول مانند شرایط مالی و عملیاتی شرکت است. کارشناسان برای تحقق پیش بینی و استنباط روند آینده سهام ، به این اطلاعات کلان ، همراه با تجربه و قضاوت شخصی متکی هستند [25-27].

روشهای متعارف شامل روش دلفی ، روش اصلی احتمال ، روش احتمال متقابل و روش شاخص پیشرو است. اثربخشی روشهای پیش بینی کیفی تا حد زیادی به دانش خود متخصص در مورد بازار سهام و توانایی و تجربه متخصص بستگی دارد. هنگامی که سطح دانش و تجربه کارشناس زیاد باشد ، پیش بینی بازار سهام دقیق خواهد بود ، اما اگر متخصص فاقد تجربه یا توانایی کافی باشد ، نتیجه پیش بینی کاملاً متفاوت از وضعیت واقعی خواهد بود [28]. این روش از عدم اطمینان و وابستگی ذهنی زیادی برخوردار است ، بنابراین نمی تواند بازار سهام را به صورت عینی به زبان دقیق و عینی توصیف کند. شکل 1 نقشه توزیع عوامل مؤثر در شاخص بازار مالی را نشان می دهد.