طبقه بندی روند بازار سهام با پیش بینی های انتخابی مبتنی بر اعتماد به نفس

پیش بینی روند حرکت قیمت سهام به طور دقیق به سرمایه گذاران این امکان را می دهد تا سود خود را از سرمایه گذاری به حداکثر برسانند. با این حال ، به دلیل پیچیدگی داده های سهام ، طبقه بندی کننده ها اغلب خطایی ایجاد می کنند ، که باعث می شود سرمایه گذاران از سرمایه گذاری های ناکام پول خود را از دست بدهند. این مطالعه با تمرکز بر روی موارد آسان طبقه بندی که بیشترین شانس موفقیت را دارند ، سعی در کاهش چنین خطرات دارد. بنابراین ، ما روشی را پیشنهاد می کنیم که فقط پیش بینی هایی را انتخاب می کند که بیشترین اعتماد به نفس را دارند. در یک آزمایش در 50 سهام ، هر مدل یادگیری بر روی هر داده سهام آموزش داده می شود و بر اساس صحت طبقه بندی از طریق یک پنجره زمانی متحرک ارزیابی می شود. مدلهایی که بیشترین اعتماد به نفس را دارند ، برای پیش بینی روند آن سهام روز بعد انتخاب می شوند. نتایج آزمایش نشان می دهد که هنگام استفاده از 10 ٪ برتر پیش بینی ها ، دقت طبقه بندی به طور قابل توجهی بهبود یافته است.

کلید واژه ها

• پیش بینی قیمت سهام
• طبقه بندی سری زمانی
• روشهای گروهی

این پیش نمایش محتوای اشتراک ، دسترسی از طریق موسسه شما است.

گزینه های خرید

29. 95 یورو قیمت شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب الکترونیکی 56. 70 یورو شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب Softcover 67. 99 یورو از مالیات بر ارزش افزوده (فدراسیون روسیه) مستثنی است

یادداشت

قیمت سهام را می توان از Finance Yahoo در http://www. finance. yahoo. com/ بارگیری کرد.

منابع

1. Barak ، S. ، Arjmand ، A. ، Ortobelli ، S: Fusion of چندین پیش بینی کننده متنوع در بازار سهام. inf. فیوژن 36 ، 90-102 (2017). https://doi. org/10. 1016/j. inffus. 2016. 11. 006crossrefgoogle Scholar
2. Breiman ، L: رگرسیون انباشته. ماچفرا گرفتن. 24 (1) ، 49-64 (1996). https://doi. org/10. 1007/bf00117832crossrefmathgoogle Scholar
3. Breiman ، L: جنگل های تصادفی. ماچفرا گرفتن. 45 (1) ، 5-32 (2001). https://doi. org/10. 1023/A:101010933404324CROSSREFMATHGOOGLE SCHINCE
4. Chen ، Y. ، Feng ، M. Q: تکنیکی برای بهبود تجزیه حالت تجربی در تبدیل هیلبرت-هونگ. Earthqمهندسمهندسلرزان2 (1) ، 75-85 (2003). https://doi. org/10. 1007/bf02857540crossrefgoogle Scholar
5. Cortes ، C. ، Vapnik ، V: شبکه های پشتیبانی-بردار. ماچفرا گرفتن. 20 (3) ، 273 297 (1995). https://doi. org/10. 1007/bf00994018crossrefmathgoogle Scholar
6. Darbellay ، G. A. ، Slama ، M: پیش بینی تقاضای کوتاه مدت برای برق: آیا شبکه های عصبی شانس بهتری دارند؟int. پیش بینی J. 16 (1) ، 71-83 (2000). https://doi. org/10. 1016/S0169-2070(99)00045-xcrossrefgoogle Scholar
7. Ding ، X. ، Zhang ، Y. ، Liu ، T. ، Duan ، J: Leaing Deep برای پیش بینی سهام محور رویداد. در: IJCAI ، صص 2327 2333 (2015) Google Scholar
8. Drucker ، H. ، Burges ، C. J. ، Kaufman ، L. ، Smola ، A. J. ، Vapnik ، v .: دستگاه های رگرسیون بردار پشتیبانی. در: پیشرفت در سیستم های پردازش اطلاعات عصبی ، صص 155-161 (1997) Google Scholar
9. Grossmann ، A. ، Morlet ، J: تجزیه عملکرد هاردی به موج های یکپارچه مربع از شکل ثابت. SIAM J. MATH. مقعد15 (4) ، 723-736 (1984). https://doi. org/10. 1137/0515056crossrefmathscinetmathgoogle Scholar
10. Guan ، C. ، Luh ، P. B. ، Michel ، L. D. ، Wang ، Y. ، Friedland ، P. B: پیش بینی بار بسیار کوتاه مدت: شبکه های عصبی موجک با داده های پیش از فیلم. IEEE ترانس. نیروگاه قدرت. 28 (1) ، 30-41 (2013). https://doi. org/10. 1109/tpwrs. 2012. 2197639crossrefgoogle Scholar
11. He ، K. ، Zha ، R. ، Wu ، J. ، Lai ، K. K: مدل سازی و پیش بینی چند متغیره مبتنی بر EMD و پیش بینی قیمت نفت خام. پایداری 8 (4) (2016). https://doi. org/10. 3390/su8040387CrossRefGoogle Scholar
12. هینتون ، G. E. ، Salakhutdinov ، R. R: کاهش ابعاد داده ها با شبکه های عصبی. Science 313 (5786) ، 504-507 (2006). https://doi. org/10. 1126/science. 1127647crossrefmathscinetmathgoogle Scholar
13. Hochreiter ، S. ، Schmidhuber ، J: حافظه کوتاه مدت. رایانه عصبی. 9 (8) ، 1735-1780 (1997). https://doi. org/10. 1162/neco. 1997. 9. 8. 1735crossrefgoogle Scholar
14. هولت ، C. C: پیش بینی فصلی ها و روندها با میانگین های متحرک با وزنه برداری. int. پیش بینی J. 20 (1) ، 5-10 (2004). https://doi. org/10. 1016/j. ijforecast. 2003. 09. 015crossrefgoogle Scholar
15. Hooshmand ، R. A. ، Amooshahi ، H. ، Parastegari ، M: یک الگوریتم هوشمند هوشمندانه مبتنی بر رویکرد پیش بینی بار کوتاه مدت. int. J. Elect. انرژی انرژی. 45 (1) ، 313-324 (2013). https://doi. org/10. 1016/j. ijepes. 2012. 09. 002CrossrefGoogle Scholar
16. هوانگ ، N. E. ، و همکاران: تجزیه حالت تجربی و طیف هیلبرت برای تجزیه و تحلیل سری زمانی غیرخطی و غیر ثابت. در: مجموعه مقالات انجمن سلطنتی لندن A: علوم ریاضی ، فیزیکی و مهندسی ، جلد. 454 ، صص 903-995. انجمن سلطنتی (1998) Google Scholar
17. JANACEK ، G: پیش بینی و کنترل سریال زمان. J. Time Ser. مقعد31 (4) ، 303-303 (2010). https://doi. org/10. 1111/j. 1467-9892. 2009. 00643. xcrossrefgoogle Scholar
18. Kara ، Y. ، Boyacioglu ، M. A. ، Baykan ، O. K: پیش بینی جهت حرکت شاخص قیمت سهام با استفاده از شبکه های عصبی مصنوعی و دستگاه های بردار پشتیبانی: نمونه بورس سهام استانبول. سیستم متخصصکاربرد38 (5) ، 5311-5319 (2011). https://doi. org/10. 1016/j. eswa. 2010. 10. 027CrossRefGoogle Scholar
19. Kiplangat ، D. C. ، Asokan ، K. ، Kumar ، K. S: پیش بینی های بهبود یافته در هفته سرعت باد با استفاده از مدلهای خطی ساده با تجزیه موجک. تجدیدانرژی 93 ، 38-44 (2016). https://doi. org/10. 1016/j. renene. 2016. 02. 054crossrefgoogle Scholar
20. Krizhevsky ، A. ، Sutskever ، I. ، Hinton ، G. E: طبقه بندی Imagenet با شبکه های عصبی عمیق. در: Pereira ، F. ، Burges ، C. J. C. ، Bottou ، L. ، Weinberger ، K. Q.(ویرایش.) پیشرفت در سیستم های پردازش اطلاعات عصبی ، جلد. 25 ، صص 1097 1105. Curran Associates ، Inc. (2012) Google Scholar
21. Pao ، Y. H. ، Park ، G. H. ، Sobajic ، D. J: ویژگی های یادگیری و تعمیم NET وکتور عملکردی وکتور تصادفی. Neurocomputing 6 (2) ، 163-180 (1994). https://doi. org/10. 1016/0925-2312(94)90053-1. Backpropagation ، قسمت چهارم CrossRefGoogle Scholar
22. Pao ، Y. H. ، Phillips ، S. M. ، Sobajic ، D. J: محاسبات عصبی و کنترل هوشمند سیستم ها. int. J. Control 56 (2) ، 263 289 (1992). https://doi. org/10. 1080/00207179208934315CROSSREFMATHSCINETMATHGOOGLE SCHINCE
23. Papalexopoulos ، A. D. ، Hesterberg ، T. C: یک رویکرد مبتنی بر رگرسیون به پیش بینی بار سیستم کوتاه مدت. IEEE ترانس. نیروگاه قدرت. 5 (4) ، 1535-1547 (1990). https://doi. org/10. 1109/59. 99410crossrefgoogle Scholar
24. Percival ، D. B. ، Walden ، A. T: روش های موجک برای تجزیه و تحلیل سری زمانی ، جلد. 4. انتشارات دانشگاه کمبریج ، کمبریج (2006) Scholar Mathgoogle
25. Percival ، D. B. ، Wang ، M. ، Overland ، J. E: مقدمه ای برای تجزیه و تحلیل موجک با برنامه های کاربردی در سری زمانی پوشش گیاهی. ارتباطECOL5 (1) ، 19-30 (2004) Crossrefgoogle Scholar
26. Qiu ، X. ، Zhang ، L. ، Ren ، Y. ، Suganthan ، P. N. ، Amaratunga ، G: گروه یادگیری عمیق برای رگرسیون و پیش بینی سری زمانی. در: 2014 سمپوزیوم IEEE در مورد هوش محاسباتی در یادگیری گروه (CIEL) ، صص 1 6 ، دسامبر 2014. https://doi. org/10. 1109/ciel. 2014. 7015739
27. Qiu ، X. ، Ren ، Y. ، Suganthan ، P. N. ، Amaratunga ، G. A: گروه تجربی تجزیه و تحلیل مبتنی بر یادگیری عمیق برای پیش بینی سری زمان تقاضای بار. کاربردرایانه نرم54 ، 246-255 (2017). https://doi. org/10. 1016/j. asoc. 2017. 01. 015crossrefgoogle Scholar
28. Qiu ، X. ، Suganthan ، P. N. ، Amaratunga ، G. A. J: همجوشی شاخص های متعدد با تکنیک های یادگیری افزایشی گروه برای پیش بینی قیمت سهام. J. Bank. مالی. تکنول(2019). https://doi. org/10. 1007/S42786-018-00006-2CrossRefGoogle Scholar
29. Qiu ، X. ، Suganthan ، P. N. ، Amaratunga ، G. A: Ensemble Leaing Leaing Link Link Link Link Link Link برای پیش بینی بار برقی کوتاه مدت. دانش مبتنی بر دانش. 145 ، 182-196 (2018). https://doi. org/10. 1016/j. knosys. 2018. 01. 015crossrefgoogle Scholar
30. Ren ، Y. ، Suganthan ، P. ، Srikanth ، N. ، Amaratunga ، G: شبکه پیوند عملکردی وکتور تصادفی برای پیش بینی تقاضای بار برق کوتاه مدت. inf. علمی367-368 ، 1078-1093 (2016). https://doi. org/10. 1016/j. ins. 2015. 11. 039crossrefgoogle Scholar
31. Ren ، Y. ، Zhang ، L. ، Suganthan ، P. N: طبقه بندی گروه و پیشرفت های رگرسیون ، برنامه ها و مسیرهای آینده. IEEE COMP. int. مگس11 (1) ، 41-53 (2016) Crossrefgoogle Scholar
32. Schmidt ، W. F. ، Kraaijveld ، M. A. ، Duin ، R. P. W: شبکه های عصبی Feedforward با وزن تصادفی. در: یازدهمین کنفرانس بین المللی IAPR در مورد تشخیص الگوی ، مجموعه مقالات. کنفرانس B: روش و سیستم تشخیص الگوی ، جلد. دوم ، صص 1-4 ، اوت 1992. https://doi. org/10. 1109/icpr. 1992. 201708
33. Sokolova ، M. ، Lapalme ، G: تجزیه و تحلیل سیستماتیک از اقدامات عملکرد برای کارهای طبقه بندی. inf. روند. مدیر. 45 (4) ، 427-437 (2009). https://doi. org/10. 1016/j. ipm. 2009. 03. 002crossrefgoogle Scholar
34. Wu ، Z. ، Huang ، N. E: گروه تجزیه حالت تجربی: یک روش تجزیه و تحلیل داده های کمک به سر و صدا. مشاورسازگار شدن. داده های مقعد. 01 (01) ، 1-41 (2009). https://doi. org/10. 1142/s17935369090000000047CrossRefGoogle Scholar
35. ژانگ ، L. ، Suganthan ، ص: ارزیابی جامع شبکه های پیوند عملکردی بردار تصادفی. inf. علمی367-368 ، 1094 1105 (2016). https://doi. org/10. 1016/j. ins. 2015. 09. 025crossrefgoogle Scholar

اطلاعات نویسنده

نویسندگان و وابستگی ها

1. دانشکده مهندسی برق و الکترونیک ، دانشگاه فناوری نانیانگ ، خیابان 50 نانیانگ ، سنگاپور ، 639798 ، سنگاپور ون شین چنگ ، P. N. Suganthan ، Xueheng Qiu & Rakesh Katuwal

1. ون شین چنگ