A comparative study of deep learning model with binary and multiple classification to predict stock market trends by detecting fractal patterns based on Elliott wave theory.

Subject Areas : Financial Economics

Masoud Nadem ¹ , Yahya Kamyabi ² , Esfandiar Malekian ³

1 - Department of Accounting, Faculty of Economics and Administrative Sciences, University of Mazandaran, Babolsar, Iran.
2 - Department of Accounting, Faculty of Economics and Administrative Sciences, University of Mazandaran, Babolsar, Iran. (corresponding author)
3 - Department of Accounting, Faculty of Economics and Administrative Sciences, University of Mazandaran, Babolsar, Iran

Received: 2023-12-11 Accepted : 2024-02-02 Published : 2024-03-20

Keywords: Fractal, deep learning, M31, Elliott Waves, Keywords: wave patterns, binary classification, multiple classification JEL Classification: G170,

Abstract :

Abstract One of the popular but complicated methods in technical analysis is the Elliott wave method. In this method, the most important part is to recognize the main trend patterns of the market, which is a difficult task due to the fractal structure of the market. But like other fields, the use of artificial intelligence in the field of financial forecasts has also become widespread. Therefore, it seems that the use of artificial intelligence in Elliott wave analysis is attractive. Therefore, in the current research, by introducing a deep learning model to predict the market through the detection of Elliott wave patterns, it has been investigated and compared the power of the model in two modes of binary and multiple classification. In this research, for 15 considered patterns, 1002 examples of stock price charts of companies present in the Iranian stock market in the 11-year period from 1390 to 1400 were collected and labeled, and finally for recognition as input to the deep learning algorithm with Recurrent neural network model was used in binary and multiple classification modes. In this research, RapidMiner 9.9 software was used to design and implement the model, and accuracy criteria were used to determine the power of the model. The results show 18% accuracy in pattern recognition in multiple classification mode and 61% accuracy in binary classification mode. Therefore, the power of the deep learning model in detecting the fractal patterns of Elliott waves and as a result predicting the market trend is significantly higher in the binary classification mode than in the multiple classification mode. Therefore, the present study recommends the use of deep learning model with binary classification to detect fractal patterns of Elliott waves.

References:

فهرست منابع

• آسیابی اقدم، لیلا، رحیم زاده، اشکان، و رجائی، یداله (1401). اثر متغیرهای اقتصادی بر رفتار قیمت سهام شرکتهای پذیرفته شده در بورس اوراق بهادار. فصلنامـه اقتصاد مالی، دوره ی 16، شماره ی 2 (پیاپی 59)، تابستان 1401، صص 125-105.doi: 10.30495/fed.2022.1933380.2445


• دانایی فرد، حسن، الوانی، سید­مهدی، و آذر، عادل (1394). روش­شناسی پژوهش کمی در مدیریت: رویکردی جامع. چاپ دهم، انتشارات صفار، تهران .


• - داوودی، سید محمدرضا، عبدالباقی عطاآبادی، عبدالمجید، و یوسفی، جواد (1401). سودمندی راهبردهای سرمایه گذاری مبتنی بر تناوب زمانی در بورس اوراق بهادارتهران: تحلیل محتوایی نوسانگرهای هارمونیک و تناوب موج. فصلنامـه اقتصاد مالی، دوره ی 16، شماره ی 1 (پیاپی 58)، بهار 1401، صص 151-129.    doi: 10.30495/fed.2022.691504


• دولو، مریم، و حیدری، تکتم (1396). پیش بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک. فصلنامه اقتصاد مالی، سال یازدهم، شماره 40. doi: 1001.1.25383833.1396.11.40.1.6


• ذوالفقاری، مهدی، سحابی، بهرام، و بختیاران، محمدجواد (1399). طراحی مدلی جهت پیش­بینی بازده­ی شاخص کل بورس اوراق بهادار )با تأکید بر مدل­های ترکیبی شبکه­ی یادگیری عمیق و مد­ل­های خانواده­ی GARCH). فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره چهل و دوم، بهار doi: 20.1001.1.22519165.1399.11.42.6.7


• زنگنه، امیر (1398). مرجع تحلیل تکنیکال کاربردی. چاپ دوم، تهران، آراد کتاب.


• زینی وند، محمد، جنانی، محمدحسن، همت فر، محمود، و ستایش، محمد رضا (1400). سوگیری های رفتاری و تصمیمات سرمایه گذاران حقیقی و حقوقی مبتنی بر اطلاعات تکنیکال در بورس اوراق بهادار تهران. فصلنامـه اقتصاد مالی، دوره ی51، شماره ی 4 (پیاپی 15)، زمستان 1400، صص 325-315. doi: 10.30495/fed.2021.687929


• سیف، سمیرا، جمشیدی نوید، بابک، قنبری، مهرداد و اسماعیل پور، منصور (1400). پیش­بینی روند بورس سهام ایران با استفاده از نوسان­نمای امواج الیوت و شاخص قدرت نسبی. نشریه تحقیقات مالی، پیاپی 61 ، بهار 1400. doi: 22059/frj.2020.310664.1007072


• شریف فر، امیر، خلیلی عراقی، مریم، رئیسی وانانی، ایمان، و فلاح، میرفیض (1400). ارزیابی و اعتبارسنجی معماری بهینه­ی یادگیری عمیق در پیش­بینی قیمت سهام (رویکرد الگوریتم حافظه­ی کوتاه­مدت ماندگار LSTM). فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره چهل و هشتم، پائیز doi: 20.1001.1.22519165.1400.12.48.16.6


• محمدشریفی، ابوصالح، خلیلی دامغانی، کاوه، عبدی، فرشید، و سردار، سهیلا (1400). پیش­بینی قیمت بیت­کوین با استفاده از مدل ترکیبی ARIMA و یادگیری عمیق. فصلنامة مطالعات مدیریت صنعتی، دوره­ی نوزدهم، شماره 16، تابستان doi: 10.22054/jims.2021.52374.2488


• معمارزاده، سیده فائزه، خسروی فارسانی، هادی، و جاودانی گندمانی، تقی. (1401). ارائه یک روش مبتنی بر یادگیری عمیق جهت پیش بینی قیمت سهام. کنفرانس بین المللی وب پژوهی. https://sid.ir/paper/902028/fa

میرزایی، مهدی (1397). مبانی اصول امواج الیوت. چاپ دوم، تهران، آراد کتاب

• Aggarwal, A., Gupta, I., Garg, N., & Goel, A. (2019). Deep Learning Approach to Determine the Impact of Socio Economic Factors on Bitcoin Price Prediction. Twelfth International Conference on Contemporary Computing (IC3). (pp: 1-5). doi:1109/IC3.2019.8844928


• Atsalakis, George., Dimitrakakis, Emmanouil .M., & Zopounidis, Constantinos. D. (2011). Elliott Wave Theory and neuro-fuzzy systems, in stock market prediction: The WASP system. Expert Systems with Applications, No 38, 9196–9206. doi: 10.1016/j.eswa.2011.01.068


• Cohen, N., Sharir, O., & Shashua, A. (2016). On the expressive power of deep learning: A tensor analysis. COLT, vol 49,1–31. JMLR: Workshop and Conference Proceedings


• Dixit, A., Tiwari, M., Pathak, H., & Astya, R. (2018). An Overview of Deep Learning Architectures, Libraries and Its Applications Areas. International Conference on Advances in Computing, Communication Control and Networking (ICACCCN), Greater Noida (UP), India, 293-297. doi: 1109/ICACCCN.2018.8748442


• Elliott, R. N. (1938). The wave principle, reprinted. In: Prechter RR Jr (ed) 1994. R. N, Elliott’s Masterworks.


• Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. Journal of Finance .15 (2),383 - 417. doi:10.2307/2325486


• Frost, J., & Prechter, Robert. R. Jr.(2001). Elliott Wave Principle: Key to Market Behavior. Published by Wiley.


• Hiransha M. E. A., Gopalakrishnan, Vijay., Krishna, Menon., & K.P, Soman. (2018). NSE stock market prediction using deep-learning models. Procedia Computer Science, 132, 1351–1362. doi: 1016/j.procs.2018.05.050


• Kyu, Beom. Lee., & Hyu, Soung. Shin. (2019). An Application of a Deep Learning Algorithm for Automatic Detection of Unexpected Accidents Under Bad CCTV Monitoring Conditions in International Conference on Deep Learning and Machine Learning in Emerging Applications (Deep-ML). doi: 10.1109/Deep-ML.2019.00010


• Liu, Qingfu., Tao, Zhenyi., Yiuman, Tse., & Wang, Chuanjie. (2022). Stock market prediction with deep learning: The case of China. Finance Research Letters. Volume 46, Part A. doi: 1109/Deep-ML.2019.00010


• Mustafa, Andy Ali., Ching-Yang, Lin., Makoto, Kakinaka. (2022). Detecting market pattern changes: A machine learning approach. Finance Research Letters. Vol, 47. doi: 1016/j.frl.2021.102621


• Obaid, Khaled., Pukthuanthong, Kuntara. (2020). A Picture is Worth a Thousand Words: Measuring Investor Sentiment by Combining Machine Learning and Photos from News. Journal of Financial Economics. Volume 144, Issue 1, pp 273-297. doi: 1016/j.jfineco.2021.06.002


• Poser, S. (2003). Applying Elliott Wave Theory Profitably. Wiley. ISBN-10: 0471420077.


• Roychowdhury, S., Sun, D., Bihis, M., Ren, J., Hage, P., Rahman, H. H. (2017). Computer Aided Detection of Anemia-like Pallor. Computer Science, Computer Vision and Pattern Recognition, Vol, 32. No, 8, PP: 128-139. doi: 48550/arXiv.1703.05913


• Sezer, O.B., & Ozbayoglu, A.M. (2018). Algorithmic Financial Trading with Deep Convolutional Neural Networks: Time Series to Image Conversion Approach. Applied Soft Computing Journal. doi: 1016/j.asoc.2018.04.024


• Volna, Eva., Kotyrba, Martin., & Jarusek, Robert. (2013). Multi-Classifier Based on Elliott Wave’s Recognition. Computers and Mathematics with Applications, Vol 66, 213–225. doi: 1016/j.camwa.2013.01.012


• Volna, Eva., Kotyrba, Martin., Kominkova Oplatkova, Zuzana., & Senkerik, Roman. (2016). Elliott waves classification by means of neural and pseudo neural Springer, Published Online, 3 march. doi: 10.1007/s00500-016-2097-y


• Wu, Chih-Hung., & Fang, Wen-Chang. (2011). Combining the Fuzzy Analytic Hierarchy Process and the fuzzy Delphi method for developing critical competences of electronic commerce professional managers. Qual Quant, Vol, 45, 751–768. doi: 1007/s11135-010-9425-6


• Wu, Jibin., Chenglin, Xu., Xiao, Han., Daquan, Zhou., Malu, Zhang., Haizhou, Li., & Kay, Chen. Tan. (2022). Progressive Tandem Learning for Pattern Recognition With Deep Spiking Neural Networks. Transaction on Pattern Analysis and Machine Intelligence. Vol, 44. No, 11. doi: 10.1109/TPAMI.2021.3114196.


• Zhang, C., Xu, L., Li, X., & Wang, H. (2018). A Method of Fault Diagnosis for Rotary Equipment Based on Deep Learning. Prognostics and System Health Management Conference (PHM-Chongqing), Chongqing, China, pp: 958-962. doi: 10.1109/PHM-Chongqing.2018.00171


• Zhong, G., Cheriet, M. (2014). Large Margin Low Rank Tensor Analysis. Neural Computation, 26 (9), 761–780. doi: 1162/NECO_a_00570