امروزه معاملات الگوریتمی استفاده گستردهای در مدیریت معاملات دارد. سبد گردانی الگوریتمی نوع جدیدی از این سامانههاست که از طریق آن سبد گردان با استفاده از ابزارهای الگوریتمی به بالا بردن کیفیت سود و کاهش ریسکهای سبد خود کمک میکند. هدف از پژوهش حاضر طراحی سیستم معاملا أکثر
امروزه معاملات الگوریتمی استفاده گستردهای در مدیریت معاملات دارد. سبد گردانی الگوریتمی نوع جدیدی از این سامانههاست که از طریق آن سبد گردان با استفاده از ابزارهای الگوریتمی به بالا بردن کیفیت سود و کاهش ریسکهای سبد خود کمک میکند. هدف از پژوهش حاضر طراحی سیستم معاملاتی الگوریتمیک بر پایه یادگیری تقویتی عمیق به کمک شبکه عصبی است. در این رویکرد عامل یا معاملهگر در فضای جستجو برای یافتن پاداش بیشتر که همان بازده بیشتر میباشد، به جستجو میپردازد. عامل معاملهگر با سیگنالهای تکنیکی شامل شاخص قدرت نسبی، نوسانگر تصادفی، نشانگر همکرایی-واگرایی و قیمتهای کمینه، بیشینه، بسته شدن و باز شدن مواجه میشود. یادگیری تقویتی عمیق جدول تابع ارزش یا کیفیت Q را با یک شبکه عصبی جایگزین میکند. شبکه عصبی مذکور درنهایت با دریافت ورودی حالت، یکی از سه عمل فروش، خرید و نگهداری را پیشنهاد میکند. این پیشنهاد بهصورت سه احتمال با مجموع یک میباشد و پیشنهاد با حداکثر احتمال مورد پیادهسازی قرار میگیرد. نتیجه پیادهسازی سیستم معاملاتی یادگیری تقویتی عمیق بر روی شاخص کل بورس اوراق بهادار تهران در بازه 1391 تا 1400 نشان میدهد که سیستم پژوهش در میانگین و شاخص همگراییی-واگرایی دارای تفاوت معناداری با سه سیستم دیگر داشت. همچنین نسبت شارپ سیستم پژوهش نسبت به سه مدل دیگر رشد حداقل 4/1 برابری را نشان داد.
تفاصيل المقالة
معامله گران در بازار سهام به هنگام تصمیم گیری در مورد خرید یا فروش سهم علاوه بر اطلاعات روز جاری سهم، اطلاعات سهم در روزهای گذشته را نیز در نظر می گیرند. به منظور تقلید از نحوه ی تصمیم گیری معامله گران در امر سرمایه گذاری در سهام، الگوریتم قهرمانی در لیگ ورزشی مجهز به ت أکثر
معامله گران در بازار سهام به هنگام تصمیم گیری در مورد خرید یا فروش سهم علاوه بر اطلاعات روز جاری سهم، اطلاعات سهم در روزهای گذشته را نیز در نظر می گیرند. به منظور تقلید از نحوه ی تصمیم گیری معامله گران در امر سرمایه گذاری در سهام، الگوریتم قهرمانی در لیگ ورزشی مجهز به تیم هایی با ساختار شبکه ای به جهت استخراج قواعد چند مرتبه، توسعه داده شده است. قوانین چند مرتبه توسط الگوریتم استخراج می شوند که در آن هر قاعده علاوه بر اطلاعات روز جاری، حاوی اطلاعات روزهای گذشته نیز می باشد بنابراین یک حافظه به منظور ذخیره اطلاعات مفید در هر یک از قوانین ایجاد شده است. به منظور ارزیابی و بررسی عملکرد مدل ارائه شده از 20 سهم از شرکت ها در بخش های مختلف صنعتی بازار بورس تهران استفاده شده است. در شبیه سازی سرمایه گذاری، مدل ارائه شده سود بیشتر یا ضرر کمتری را نسبت به مدل خرید و نگهداری و مدل برنامه نویسی شبکه ژنتیک ایجاد کرده است.
تفاصيل المقالة
اینترنت اشیاء داده بسیاری را تولید می کند و پردازش حجم زیادی از این اطلاعات در مراکز داده ابری صورت می گیرد. انتقال داده ها به ابر، منجر به ایجاد تاخیر بسیاری در سرویس های اینترنت اشیاء می شود. بنابراین، به جهت افزایش سرعت در ارائه سرویس ها، باید منابع تا جای ممکن أکثر
اینترنت اشیاء داده بسیاری را تولید می کند و پردازش حجم زیادی از این اطلاعات در مراکز داده ابری صورت می گیرد. انتقال داده ها به ابر، منجر به ایجاد تاخیر بسیاری در سرویس های اینترنت اشیاء می شود. بنابراین، به جهت افزایش سرعت در ارائه سرویس ها، باید منابع تا جای ممکن نزدیک به کاربران قرار داده شوند. در این مقاله، یک چارچوب محاسبات مفهومی مبتنی بر میان افزار کنترل ابر-مه بهمنظورمکان یابی بهینه سرویس های اینترنت اشیاء پیشنهاد می شود. در روش پیشنهادی با در نظر گرفتن ناهمگن بودن برنامه ها و منابع، یک مدل برنامهریزی خودمختار برای مدیریت درخواست های سرویس با توجه به برخی محدودیت ها به روش تحلیلی ارائه می شود. برای حل مسئله مکان یابی سرویس های اینترنت اشیاء، یک رویکرد تکاملی خودمختار مبتنی بر رویکردهای یادگیری تقویتی با هدف استفاده حداکثر از منابع مه و بهبود کیفیت سرویس پیشنهاد می شود. لذا از الگوریتم رویکرد یادگیری تقویتی جدید با هدف حداکثرسازی پاداش تجمعی بلندمدت استفاده شده است. مطالعات تجربی بر روی یک محیط مصنوعی شبیه سازی شده بر اساس فاکتورهای ارزیابی مختلف شامل استفاده از مه، هزینه سرویس، زمان پاسخ و تاخیر سرویس انجام شده است. به طور میانگین، نتایج روش پیشنهادی نسبت به روش های FSP-ODMA، SPP-GWO، CSA-FSPP و GA-FSP به ترتیب 4.6%، 2.4%، 3.4% و 1.1% برتری را نشان می دهد.
تفاصيل المقالة
الگوریتم کلونی زنبور عسل مصنوعی (ABC) در بسیاری از مسائل بهینه سازی پیچیده نتایج مطلوبی را کسب کرده است، اما از مشکلاتی نیز رنج میبرد که از آنجمله میتوان به عدم قدرت کافی در استخراج جوابهای پیرامون جوابهای قبلی، اشاره نمود. همین مسئله باعث شده که ABC نسبت به سایر ال أکثر
الگوریتم کلونی زنبور عسل مصنوعی (ABC) در بسیاری از مسائل بهینه سازی پیچیده نتایج مطلوبی را کسب کرده است، اما از مشکلاتی نیز رنج میبرد که از آنجمله میتوان به عدم قدرت کافی در استخراج جوابهای پیرامون جوابهای قبلی، اشاره نمود. همین مسئله باعث شده که ABC نسبت به سایر الگوریتمهای تکاملی سرعت همگرایی کمتری داشته باشد. برای حل این مشکل یکی از مناسب ترین راهکارها استفاده از یادگیری تقویتی (RL) است که بوسیله آن میتوان در هر موقعیت، استراتژی بهینه را برای هر زنبور عسل تعیین نمود. از این رو، در این مقاله یک الگوریتم ممتیک ABC ارائه شده است که در آن از تعدادی عبارات بروز رسانی استفاده میشود، به طوری که هر یک از این عبارات به میزان مختلفی از خواص اکتشاف و استخراج برخوردار هستند. سپس RL سیاستی را ارائه مینماید که توسط آن، هر زنبور عسل میتواند در هر زمان، عملیات بهینه را از میان عملیاتهای مذکور انتخاب نماید. جهت بررسی عملکرد روش پیشنهادی و مقایسه آن با سایر الگوریتمهای تکاملی، از آنها در بهینه سازی توابع معیار متعددی استفاده شده است که نتیجه آزمایشات بیانگر قدرت روش پیشنهادی در مقایسه با سایر الگوریتم های تکاملی است
تفاصيل المقالة
هدف این مقاله کاربرد معاملات الگوریتمی با تمرکز بر رویکرد یادگیری تقویتی برای بهینهسازی پرتفوی سهامهای منتخب است. این پژوهش از حیث هدف، کاربردی و از نظر نوع داده، کمّی و از لحاظ روش، توصیفی - اکتشافی و از منظر طرح تحقیق، پسرویدادی است. جامعه آماری این پژوهش، 672 شرک أکثر
هدف این مقاله کاربرد معاملات الگوریتمی با تمرکز بر رویکرد یادگیری تقویتی برای بهینهسازی پرتفوی سهامهای منتخب است. این پژوهش از حیث هدف، کاربردی و از نظر نوع داده، کمّی و از لحاظ روش، توصیفی - اکتشافی و از منظر طرح تحقیق، پسرویدادی است. جامعه آماری این پژوهش، 672 شرکت بورسی است که از این تعداد، دادههای پنج شرکت (نمونه آماری) طی دوره زمانی 1396-1400 بررسی شده است. یافتههای تحقیق در دورههای صعودی و نزولی بازار نشان داد که رویکرد یادگیری تقویتی در بازارهای صعودی و نزولی به صورت معناداری بر رویکرد خرید و نگهداری برتری دارد و عملکرد بهتری ارائه داده است و نتایج با عملکرد الگوریتمها در بازارهای بورس سازگار است. نتایج آشکار کرد که از دیدگاه سودآوری، رویکرد یادگیری تقویتی نسبت به رهیافت خرید و نگهداری، عملکرد بهتر و موثرتری داشته است؛ بنابراین، بهکارگیری روش یادگیری تقویتی پیشنهاد میشود.
تفاصيل المقالة
تصاویر درموسکپی یکی از ابزارهای اصلی مورد استفاده در تشخیص ملانوما و دیگر عارضه های رنگی پوست به شمار میرود. به علت سختی و عوامل ادراکی در تشخیصهای انسانی، تحلیل کامپیوتری تصاویر درموسکپی یک زمینه جدید تحقیقاتی را به روی محققین گشوده است. یکی از مراحل اصلی در تحلیل ای أکثر
تصاویر درموسکپی یکی از ابزارهای اصلی مورد استفاده در تشخیص ملانوما و دیگر عارضه های رنگی پوست به شمار میرود. به علت سختی و عوامل ادراکی در تشخیصهای انسانی، تحلیل کامپیوتری تصاویر درموسکپی یک زمینه جدید تحقیقاتی را به روی محققین گشوده است. یکی از مراحل اصلی در تحلیل این تصاویر، آشکارسازی خودکار مرز عارضه میباشد. یافتن یک آستانه بهینه برای بخش بندی تصاویر دیجیتالی یک کار دشوار در پردازش تصویر میباشد. در این تحقیق یک روش آستانهگذاری جدید مبتنی بر روشهای آستانهگذاری مطرح و الگوریتم یادگیری تقویتی جهت بخشبندی تصاویر درموسکپی ارائه میگردد. در این روش، عامل تقویتی الگوریتم یادگیری، وزنهای بهینه مربوط به آستانههای مختلف را آموزش میبیند و تصویر را توسط آستانه بهینه بخشبندی میکند. یک تابع پاداش برای محاسبه میزان شباهت بین تصویر باینری خروجی و تصویر سطح خاکستری اصلی به کار برده میشود تا میزان پاداش یا جریمه را به عامل تقویتی اعمال کند. از سه روش آستانهگذاری Otsu، Kittler و Kapur جهت ترکیب در عامل تقویتی استفاده میگردد. نتایج بخشبندی با استفاده از اندازهگیری خطا براساس تصاویری که توسط متخصصین پوست بخشبندی شدهاند، مقایسه میگردند. مقایسه نتایج حاصل با روشهای خودکار ارائه شده در مقالات، بیانگر بهبود دقت و کاهش خطا در آشکارسازی مرز عارضه در تصاویر درموسکپی است.
تفاصيل المقالة
هدف این مقاله بهینهسازی پرتفوی سهام با استفاده از استراتژی یادگیری تقویتی کیوعمیق مبتنی بر ماتریس حالت-عمل می باشد. بدین منظور، برای بهینهسازی و سودآوری پرتفویی متشکل از سهام، عملکرد استراتژی یادگیری تقویتی مبتنی بر الگوریتم کیو عمیق و استراتژی منفعل خرید و نگهداری در أکثر
هدف این مقاله بهینهسازی پرتفوی سهام با استفاده از استراتژی یادگیری تقویتی کیوعمیق مبتنی بر ماتریس حالت-عمل می باشد. بدین منظور، برای بهینهسازی و سودآوری پرتفویی متشکل از سهام، عملکرد استراتژی یادگیری تقویتی مبتنی بر الگوریتم کیو عمیق و استراتژی منفعل خرید و نگهداری در دو حالت بازارهای صعودی و نزولی طی دوره زمانی 1396-1400 مورد بررسی قرار گرفت. جامعه آماری 672 شرکت پذیرفته شده در بورس اوراق بهادار تهران بوده که از میان آنها تعداد 7 شرکت (نمونه آماری) مناسب دانسته شد. مقایسه دو استراتژی نشان میدهد استراتژی یادگیری تقویتی، در بازارهای صعودی و نزولی در مقایسه با روش معاملاتی خرید و نگهداری که منجر به زیان شده است، در عمل توان بالایی برای سودآوری در بازار بورس اوراق بهادار ایران دارد. براساس نتایج، پیشنهاد میشود کارگزاران و شرکتهای بورسی و تحلیلگران از راهبرد یادگیری تقویتی برای سودآوری و بهینهسازی پرتفوی سهام استفاده کنند. همچنین، مقایسه نتایج این دو رویکرد روشن میکند که کاربرد یادگیری تقویتی برای سرمایهگذارهایی که توان ریسکپذیری بالای رهیافت خرید و نگهداری را ندارند، مناسبتر است.
تفاصيل المقالة
چکیده
معمولاً در سیستمهای چندعاملی، تعاملات بین عاملها و تعاملات عاملها با محیط، به صورت انتخاب و اجرای عملهایی از بین مجموعهای محدود از اَعمال مشخص توسط عاملها حاصل میشود. بنابراین نوع و میزان پیچیدگی رفتارهای پیدایشی حاصل از این تعاملات نیز به نحوه اجرا و تعدا أکثر
چکیده
معمولاً در سیستمهای چندعاملی، تعاملات بین عاملها و تعاملات عاملها با محیط، به صورت انتخاب و اجرای عملهایی از بین مجموعهای محدود از اَعمال مشخص توسط عاملها حاصل میشود. بنابراین نوع و میزان پیچیدگی رفتارهای پیدایشی حاصل از این تعاملات نیز به نحوه اجرا و تعداد رفتارهای قابل اجرا توسط عاملها وابسته است. در این پژوهش سعی شد با توسعه مدل کسب و انتقال تجربه و اضافه کردن قابلیت یادگیری به عاملها، تاثیر یادگیری در بهبود رفتار عاملها در انتخاب روش (راهبرد) های انتقال تجربه و در بهبود شاخصهای رفاهی در جامعه مصنوعی مورد مطالعه قرار گیرد. روش یادگیری پیشنهاد شده در پژوهش برای افزایش دامنه تواناییهای عاملها، یادگیری تقویتی4 بود. با استفاده از این روش، عاملها به مرور زمان یاد گرفتند که چگونه در مواجهه با شرایط مختلف محیطی، رفتارهای مناسبتری را انتخاب و اجرا کنند تا به اهداف فردی و اجتماعی نزدیکتر شوند. نتایج حاصل از شبیهسازی و انجام آزمایشها نشان داد که اِعمال فرآیند یادگیری میتواند منجر به بهبود رفتار عاملها و بهبود شاخصهای رفاهی جامعه مصنوعی شود.
تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications