یک رویکرد همجوشی اطلاعات تجزیه و تحلیل فنی برای تجزیه و تحلیل قیمت سهام و مدل سازی

در این مقاله ، ما به مسئله همجوشی اطلاعات تجزیه و تحلیل فنی در بهبود پیش بینی سطح شاخص بورس می پردازیم. ما یک رویکرد برای تجزیه و تحلیل رفتار قیمت بازار سهام بر اساس دسته های مختلف معیارهای تحلیل فنی و یک سیستم پیش بینی کننده چندگانه ارائه می دهیم. از هر دسته از اقدامات تجزیه و تحلیل فنی برای توصیف حرکات قیمت بازار سهام استفاده می شود. سیستم پیش بینی ارائه شده مبتنی بر یک گروه از شبکه های عصبی (NN) همراه با هوش swarm ذرات برای بهینه سازی پارامترها است که در آن هر شبکه عصبی منفرد با یک دسته خاص از اقدامات تجزیه و تحلیل فنی آموزش دیده است. ارزیابی تجربی در سه شاخص بین المللی بازار سهام و سه سهام انفرادی نشان می دهد که سیستم فیوژن فنی مبتنی بر گروه ارائه شده به طور قابل توجهی دقت پیش بینی را در مقایسه با NN مجرد بهبود می بخشد. همچنین ، از شبکه عصبی کلاسیک که با مقادیر تاخیر در سطح شاخص آموزش دیده است و NN با جزئیات تبدیل موجک ثابت و ضرایب تقریبی آموزش دیده است ، بهتر است. در نتیجه ، همجوشی اطلاعات فنی در معماری گروه NN به بهبود دقت پیش بینی کمک می کند.

ارتباط توسط Fabrizio Lillo

منابع

• 1. M. Jin ، X. Zhou ، Z. M. Zhang and M. M. Tentzeris ، پیش بینی بار قدرت کوتاه مدت با استفاده از مدل سازی مسابقه همبستگی خاکستری ، Syst Expert. کاربرد39 (2012) 773-779. Crossref ، ISI ، Google Scholar
• 2. J. Wang ، P. Shang and X. Zhao ، یک روش جدید پیش بینی سرعت ترافیک مبتنی بر تشخیص دو الگوی ، نوسان. LOIDE LETT. 10 (2011) 59-75. پیوند ، ISI ، Google Scholar
• 3. M. S. K. Awan و M. M. Awais ، پیش بینی وقایع آب و هوایی با استفاده از سیستم مبتنی بر قانون فازی ، کاربرد. رایانه نرم11 (2011) 56-63. Crossref ، ISI ، Google Scholar
• 4. M. Mirmomeni ، C. Lucas ، B. Moshiri and B. N. Araabi ، معرفی مدل سازی نوروفیزی تطبیقی با روش یادگیری آنلاین برای پیش بینی شاخص های فعالیت خورشیدی و ژئومغناطیسی متغیر ، Syst Expert. کاربرد37 (2010) 8267-8277. Crossref ، ISI ، Google Scholar
• 5. D. Niu ، D. Liu و D. D. Wu ، یک سیستم محاسبات نرم برای پیش بینی قیمت برق در روز ، Appl. رایانه نرم10 (2010) 868-875. Crossref ، ISI ، Google Scholar
• 6. S. Lahmiri ، پیش بینی قیمت سهام Intraday بر اساس تجزیه حالت متغیر ، J.comput. علمی12 (2016) 23-27. Crossref ، ISI ، Google Scholar
• 7. S. Lahmiri ، سیستم های ترکیبی برای پیش بینی داده های نوسانات برنت: یک مطالعه مقایسه ای ، مدیریت زنجیره تأمین نامشخص. 1 (2013) 145-152. گوگل دانشکده
• 8. S. Lahmiri ، یک سیستم EGARCH-BPNN برای تخمین و پیش بینی نوسانات بازار سهام در مراکش و عربستان سعودی: تأثیر حجم معاملات ، مدیریت. علمیکاهنده2 (2012) 1317-1324. Crossref ، Google Scholar
• 9. S. Lahmiri و M. Boukadoum ، یک سیستم گروهی مبتنی بر Hybrid Egarch-A با فرضیات توزیع متفاوت برای پیش بینی نوسانات داخل S& P00 ، نوسان. LOIDE LETT. 14 (2015) 1550001. لینک ، ISI ، Google Scholar
• 10. H. Hassani ، A. Soofi و M. S. Avazalipour ، پیش بینی تولید ناخالص داخلی با داده های جمع شده و بخش ، نوسان. LOIDE LETT. 10 (2011) 249-265. پیوند ، ISI ، Google Scholar
• 11. T. Chen ، یک رویکرد غیرقانونی فازی با مکانیسم های همکاری برای پیش بینی عملکرد نیمه هادی ، Int. ج. inf. تکنول6 (2010) 17-33. Crossref ، Google Scholar
• 12. T. Chen ، یک قانون هموار سازی نوسان بهینه شده برای برنامه ریزی شغل در یک کارخانه ساخت ویفر ، Int. ج. inf. تکنول7 (2011) 47-64. Crossref ، Google Scholar
• 13. S. Lahmiri ، بهبود دقت پیش بینی جهت قیمت داخل روز S & P500 با استفاده از ضرایب کم و زیاد موجک ، نوسان. LOIDE LETT. 13 (2014) 1450008. لینک ، ISI ، Google Scholar
• 14. A. Lin ، P. Shang ، G. Feng and B. Zhong ، کاربرد تجزیه حالت تجربی همراه با رویکرد همسایگان K-Nearest در پیش بینی سری زمانی مالی ، نوسان. LOIDE LETT. 11 (2012) 1250018. لینک ، ISI ، Google Scholar
• 15. B. Wang ، H. Huang and X. Wang ، یک مدل MSM مبتنی بر دستگاه بردار پشتیبانی برای پیش بینی نوسانات کوتاه مدت مالی ، رایانه عصبی. کاربرد22 (2013) 21-28. Crossref ، ISI ، Google Scholar
• 16. W. Li ، Y. Luo ، Q. Zhu ، J. Liu و J. Le ، برنامه های AR*-GRNN برای پیش بینی سری زمانی مالی ، رایانه عصبی. کاربرد17 (2008) 441-448. Crossref ، ISI ، Google Scholar
• 17. G. D. Da ، S. Gomes ، T. B. Ludermir و L. M. M. R. Lima ، مقایسه توابع فعال سازی جدید در شبکه عصبی برای پیش بینی سری زمانی مالی ، رایانه عصبی. کاربرد20 (2011) 417-439. Crossref ، ISI ، Google Scholar
• 18. J. P. Donate ، X. Li ، G. G. Sanchez و A. S. De Miguel ، پیش بینی سری زمانی با تکامل شبکه های عصبی مصنوعی با الگوریتم های ژنتیکی ، تکامل دیفرانسیل و تخمین الگوریتم توزیع ، رایانه عصبی. کاربرد22 (2013) 11-20. Crossref ، ISI ، Google Scholar
• 19. S. Lahmiri ، یک رویکرد تجزیه و تحلیل حالت متنوع برای تجزیه و تحلیل و پیش بینی سری زمانی اقتصادی و مالی ، Syst Expert. کاربرد55 (2016) 268 273. Crossref ، ISI ، Google Scholar
• 20. S. Lahmiri و M. Boukadoum ، سیستم پیش بینی گروه هوشمند از نوسانات بازار سهام بر اساس توابع موجک تقارن و نامتقارن ، نوسان. LOIDE LETT. 14 (2015) 1550033. لینک ، ISI ، Google Scholar
• 21. P. C. Chang and C. H. Liu ، یک سیستم مبتنی بر قانون فازی از نوع TSK برای پیش بینی قیمت سهام ، Syst Expert. کاربرد34 (2008) 135 144. Crossref ، ISI ، Google Scholar
• 22. G. S. Atsalakis و K. P. Valavanis ، بررسی تکنیک های پیش بینی بازار سهام - قسمت دوم: روشهای محاسبات نرم ، سیستم متخصص. کاربرد36 (2009) 5932-5941. Crossref ، ISI ، Google Scholar
• 23. A. Gorgulho ، R. Neves و N. Horta ، با استفاده از هسته GA در بهینه سازی قوانین تحلیل فنی برای انتخاب سهام و ترکیب نمونه کارها ، Syst Expert. کاربرد38 (2001) 14072-14085. گوگل دانشکده
• 24. T. Chavaakul and D. Enke ، نمودار مبتنی بر تجزیه و تحلیل فنی مبتنی بر تجزیه و تحلیل فنی برای تجارت سهام با استفاده از شبکه های عصبی ، Syst Expert. کاربرد34 (2008) 1004-1017. Crossref ، ISI ، Google Scholar
• 25. P. C. Chang ، C. H. Liu ، J. L. Lin ، C. Y. Fan and C. S. P. Ng ، یک شبکه عصبی با یک پنجره پویا مبتنی بر مورد برای پیش بینی معاملات سهام ، Syst Expert. کاربرد36 (2009) 6889-6898. Crossref ، ISI ، Google Scholar
• 26. R. Majhi ، G. Panda and G. Sahoo ، توسعه و ارزیابی عملکرد مدل مبتنی بر FLANN برای پیش بینی بازار سهام ، Syst Expert. کاربرد36 (2009) 6800-6808. Crossref ، ISI ، Google Scholar
• 27. Y. Chen ، S. Mabu ، K. Shimada and K. Hirasawa ، یک برنامه نویسی شبکه ژنتیکی با رویکرد یادگیری برای مدل پیشرفته تجارت سهام ، Syst Expert. کاربرد36 (2009) 12537 12546. Crossref ، ISI ، Google Scholar
• 28. Q. Wen ، Z. Yang ، Y. Song and P. JIA ، سیستم پشتیبانی خودکار خودکار سهام مبتنی بر تئوری جعبه و الگوریتم SVM ، Syst Expert. کاربرد37 (2010) 1015-1022. Crossref ، ISI ، Google Scholar
• 29. S. Lahmiri ، شاخص های تجزیه و تحلیل فنی مبتنی بر آنتروپی برای پیش بینی نوسانات CAC40 با استفاده از ماشین های بردار پشتیبانی ، نوسان. LOIDE LETT. 13 (2014) 1450013. لینک ، ISI ، Google Scholar
• 30. K.-J. کیم و دبلیو ب. لی ، پیش بینی بازار سهام با استفاده از شبکه های عصبی مصنوعی با تغییر ویژگی بهینه ، رایانه عصبی. کاربرد13 (2004) 255-260. Crossref ، ISI ، Google Scholar
• 31. K. Schierholt و C. H. Dagli، پیش بینی بازار سهام با استفاده از معماری های طبقه بندی شبکه های عصبی مختلف، Proc. محاسبات IEEE. هوشمندمالیمهندس(1996) 72-78. Google Scholar
• 32. E. W. Saad, D. V. Prokhorov and D. C. Wunsch, مطالعه تطبیقی پیش بینی روند سهام با استفاده از تاخیر زمانی, شبکه های عصبی تکراری و احتمالی, IEEE Trans. شبکه عصبی9 (1998) 1456-1470. Crossref، ISI، Google Scholar
• 33. م. مهرآرا، ع. معینی، م. احراری و ع. غفاری، استفاده از تحلیل تکنیکال با شبکه عصبی برای پیش بینی شاخص قیمت سهام در بورس اوراق بهادار تهران، امور مالی و اقتصاد خاورمیانه (Euro Jouals Publishing Inc, 2010). Google Scholar
• 34. س. لهمیری، الگوریتم پس انتشار ارتجاعی، تحلیل تکنیکال و پیش بینی پذیری سری های زمانی در صنعت مالی، دسیس. علمیLett. 1 (2012) 47-52. Google Scholar
• 35. S. Lahmiri, Antropy-LVQ system for S& P500 downward shifts forecasting, Manag. علمیLett. 2 (2012) 21-28. Crossref، Google Scholar
• 36. L. Yu، S. Wang و K. K. Lai، پیش بینی قیمت نفت خام با الگوی یادگیری مجموعه شبکه عصبی مبتنی بر EMD، Energy Econ. 30 (2008) 2623-2635. Crossref، ISI، Google Scholar
• 37. F. Chen و F. Li، مقایسه مدل های امتیازدهی اعتباری ترکیبی بر اساس طبقه بندی کننده های مختلف، بین المللی. جی. اینتل. آگاه کردن. تکنولوژی6 (2010) 56-74. Crossref، Google Scholar
• 38. Y. Qi، M. Song، S. Yoon و L. deVersterre، ترکیب تکنیک های یادگیری نظارت شده برای استخراج عبارت کلیدی برای متن کامل زیست پزشکی، Int. جی. اینتل. Inf. تکنولوژی7 (2011) 33-44. Crossref، Google Scholar
• 39. T. M. Gasmelseid، مفاهیم اجتماعی مواد سیستم های کار مشترک با پشتیبانی چند عامل، بین المللی. جی. اینتل. Inf. تکنولوژی8 (2012) 1-16. Crossref، Google Scholar
• 40. S. Lahmiri، مجموعه ای با تابع پایه شعاعی شبکه های عصبی برای پیش بینی بازده بازار سهام کازابلانکا، 2014 دومین کنفرانس جهانی. سیستم پیچیده10 12 نوامبر 2014، اگادیر، مراکش، صفحات 469-474. Google Scholar
• 41. C.-S. لین، اس.-اچ. چانه و T.-Y. Lin، حداقل مربعات مبتنی بر تجزیه حالت تجربی از رگرسیون برداری برای پیش بینی نرخ ارز خارجی پشتیبانی می کند، Econ. مدل. 29 (2012) 2583-2590. Crossref، ISI، Google Scholar
• 42. B. Wu و J.-B. Yu، یک مدل مجموعه شبکه عصبی برای نظارت بر خط میانگین فرآیند و تغییرات واریانس در فرآیندهای همبسته، Expert Syst. Appl. 37 (2010) 4058-4065. Crossref، ISI، Google Scholar
• 43. M. B. Araújo و M. New ، پیش بینی گروه توزیع گونه ها ، روند Ecol. تحول22 (2007) 42-47. Crossref ، ISI ، Google Scholar
• 44. R. Fildes و N. Kourentzes ، اعتبار سنجی و دقت پیش بینی در مدل های تغییرات آب و هوایی ، int. پیش بینی J. 27 (2011) 968-995. Crossref ، ISI ، Google Scholar
• 45. G. Langella ، A. Basile ، A. Bonfante و F. Terribile ، تجزیه و تحلیل بارندگی فضا-با وضوح بالا با استفاده از سیستم های استنتاج ANN ، J. Hydrol. 387 (2010) 328-342. Crossref ، ISI ، Google Scholar
• 46. J. Keedy and R. C. Eberhart ، بهینه سازی Swarm ذرات ، IEEE Int. کنفرانسشبکه های عصبی ، پرت ، استرالیا ، 1942-1948 ، 1995. گوگل دانشکده
• 47. P.-F. Pai ، C.-T. چن ، Y.-M. آویز ، دبلیو. Hung و Y.-C. چانگ ، طبقه بندی کننده تصمیم گروهی با بهینه سازی swarm ذرات و درخت تصمیم گیری برای تجزیه و تحلیل دستاوردها در ریاضیات و علوم ، رایانه عصبی. کاربرد25 (2014) 2011 2023. Crossref ، ISI ، Google Scholar
• 48. A. R. Jordehi ، بهینه سازی Swarm ذرات برای مشکلات بهینه سازی پویا: یک بررسی ، رایانه عصبی. کاربرد25 (2014) 1507-1516. Crossref ، ISI ، Google Scholar
• 49. K.-W. هوانگ ، جی. ل. چن ، C.-S. یانگ و سی. Tsai ، یک الگوریتم بهینه سازی swarm ذرات برای حل مشکل مونتاژ قطعه DNA ، رایانه عصبی. کاربرد26 (2015) 495-506. Crossref ، ISI ، Google Scholar
• 50. S. Haykin ، شبکه های عصبی: یک بنیاد جامع ، edn 2.(Prentice-Hall ، USA ، 1999). گوگل دانشکده
• 51. G. Zhang ، B. E. Patuwo و M. Y. Hu ، پیش بینی با شبکه های عصبی مصنوعی: وضعیت هنر ، int. پیش بینی J. 14 (1998) 35-62. Crossref ، ISI ، Google Scholar
• 52. R. R. Yager ، یک رویکرد کلی برای تلفیق اطلاعات نادرست ، Int. ج. syst12 (1997) 1-29. Crossref ، ISI ، Google Scholar
• 53. R. R. Yager and F. E. Petry ، فیوز اطلاعات شیء و اطلاعات همسالان ، int. ج. syst16 (2001) 1419-1444. Crossref ، ISI ، Google Scholar
• 54. S. B. Achelis ، تجزیه و تحلیل فنی از A تا Z ، edn 2.(مک گرا هیل ، ایالات متحده ، 1995). گوگل دانشکده
• 55. D. E. Rumelhart ، G. E. Hinton and R. J. Williams ، بازنمایی های یادگیری با خطاهای پشتیبان ، طبیعت 323 (1986) 533-536. Crossref ، ISI ، Google Scholar
• 56. ریاضی. رایانه. 128 (2007) 1026-1037. Crossref ، ISI ، Google Scholar
• 57. http://financial. thomsonreuters.com/en.html. گوگل دانشکده
• 58. S. Lahmiri ، مدل سازی و پیش بینی نوسانات تاریخی در بازارهای نرخ ارز ، Physica A 471 (2017) 387-395. Crossref ، ISI ، Google Scholar
• 59. J. W. Lee ، J. Park ، J. Lee and E. Hong ، یک رویکرد چند منظوره برای یادگیری Q برای معاملات روزانه سهام ، IEEE Trans. systمرد. سایبرنA. Syst. انسان 37 (2007) 864-877. Crossref ، ISI ، Google Scholar
• 60. R. Dash and P. K. Dash ، یک چارچوب تجارت سهام ترکیبی که تجزیه و تحلیل فنی را با تکنیک های یادگیری ماشین ، J. مالی ادغام می کند. داده های علمی2 (2016) 42-57. Crossref ، Google Scholar

از این کتابهای جدید ریاضیات برای الهام بخش و آخرین اطلاعات در حوزه تحقیقاتی خود الهام بگیرید!< Pan> 57. http://financial. thomsonreuters.com/en.html. گوگل دانشکده