پیش بینی قیمت نزدیک با استفاده از فیلتر تطبیقی هسته آنلاین

این هشدار با موفقیت اضافه شده است و به شما ارسال می شود: هر زمان که رکوردی که انتخاب کرده اید استناد شده است ، به شما اطلاع داده می شود.

برای مدیریت تنظیمات برگزیده هشدار خود ، روی دکمه زیر کلیک کنید. هشدارهای من را مدیریت کنید

هشدار استناد جدید!

لطفا وارد حساب کاربری خود شوید

صرفه جویی در اتصال

نام

IC3 '21: 2021 سیزدهمین کنفرانس بین المللی محاسبات معاصر (IC3-2021)

پیش بینی قیمت نزدیک با استفاده از فیلتر تطبیقی هسته آنلاین

صفحات 217-222

خلاصه

پیش بینی قیمت سهام یک کار چالش برانگیز و خسته کننده است. اگرچه روشهای مختلفی برای مسئله ایجاد شده است ، بررسی در مورد روشهای دقیق و کم تأخیر مورد توجه زیادی قرار نمی گیرد. علاوه بر این ، روشهای رگرسیون و طبقه بندی سنتی نیاز به آموزش دسته ای و مستقل دارد. بنابراین ، آنها برای پیش بینی قیمت سهام مناسب نیستند زیرا داده هایی که ما با آنها کار می کنیم غیر ثابت با بسیاری از عوامل تلاقی است. در این مقاله ، ما یک روش فیلتر تطبیقی هسته مبتنی بر یادگیری آنلاین را برای پیش بینی قیمت سهام پیشنهاد می کنیم. به طور خاص ، ما با ده الگوریتم فیلتر هسته مختلف کار می کنیم و روشی را برای پیش بینی قیمت بسته شدن بعدی پیشنهاد می کنیم. این ایده در پنجاه سهام شاخص NSE با نه ویندوز زمانی مختلف مانند یک دقیقه ای ، پنج دقیقه ، ده دقیقه ، پانزده دقیقه ، بیست دقیقه ، سی دقیقه ، یک ساعت و یک روز آزمایش می شود. برای این کار ، باید در اینجا ذکر کرد که این مقاله اولین بار است که در آن سهام با نگاه به این پنجره های زمانی متفاوت مورد تجزیه و تحلیل قرار می گیرد. علاوه بر این ، نتایج تجربی نشان می دهد که فیلتر تطبیقی هسته ابزاری کارآمد برای تجارت با فرکانس بالا نیز هست. کار ارائه شده در اینجا توانایی پیش بینی و برتری کلاس فیلتر تطبیقی هسته الگوریتم ها را نسبت به روشهای رگرسیون کلاسیک و طبقه بندی نشان می دهد.

منابع

1. Badong Chen ، Songlin Zhao ، Pingping Zhu و Jose C Principe. 2011. هسته کمترین میانگین الگوریتم مربع. معاملات IEEE در شبکه های عصبی و سیستم های یادگیری 23 ، 1 (2011) ، 22-32. Google Scholarcross Ref
2. You-Shyang Chen ، Ching-Hsue Cheng و Wei-Lun Tsai. 2014. مدل سازی الگوهای سری زمانی فازی مبتنی بر عملکرد مناسب برای پیش بینی شاخص سهام. اطلاعات کاربردی 41 ، 2 (2014) ، 327-347. گوگل دانشکده
3. مایکل P کلمنتس ، فیلیپ هانس فرانس و نورمن آرسون. 2004. پیش بینی سری زمانی اقتصادی و مالی با مدل های غیرخطی. مجله بین المللی پیش بینی 20 ، 2 (2004) ، 169-183. Google Scholarcross Ref
4. یوجین اف فاما. 1970. بازارهای کارآمد سرمایه: مروری بر تئوری و کار تجربی. مجله مالی 25 ، 2 (1970) ، 383-417. Google Scholarcross Ref
5. عیسی فرناندز-بس ، ویکتور الویرا و استیون ون ویرنبرگ. 2015. فیلتر احتمالی حداقل میانگین مربعات. در سال 2015 کنفرانس بین المللی IEEE در مورد آکوستیک ، پردازش گفتار و سیگنال (ICASSP). IEEE ، 2199 2203. Google Scholarcross Ref
6. Sergio Garcia-Vega ، Xiao-Jun Zeng و John Keane. 2019. یادگیری از جریان داده ها با استفاده از هسته حداقل متوسط مربع با اندازه چندین هسته و اندازه گام سازگار. Neurocomputing 339 (2019) ، 105-115. کتابخانه Scholardigital Google
7. Sergio Garcia-Vega ، Xiao-Jun Zeng و John Keane. 2020. پیش بینی سهام با استفاده از فیلتر تطبیقی هسته در یک رویکرد وابستگی متقابل بازار سهام. سیستم های خبره با برنامه های 160 (2020) ، 113668. Google Scholarcross Ref
8. Tian Guo ، Zhao Xu ، Xin Yao ، Haifeng Chen ، Karl Aberer و Koichi Funaya. 2016. پیش بینی سری زمانی آنلاین قوی با شبکه های عصبی مکرر. در سال 2016 کنفرانس بین المللی IEEE در مورد علوم داده و تجزیه و تحلیل پیشرفته (DSAA). IEEE ، 816-825. Google Scholarcross Ref
9. Ehsan Hoseinzade و Saman Haratizadeh. 2019. CNNPRED: پیش بینی بازار سهام مبتنی بر CNN با استفاده از مجموعه متنوعی از متغیرها. سیستم های خبره با برنامه های 129 (2019) ، 273-285. کتابخانه Scholardigital Google
10. Shian-Chang Huang ، Chei-Chang Chiou ، Jui-Te Chiang و Cheng-Feng Wu. 2020. یک سیستم پیش بینی قیمت و معاملات گزینه هوشمند جدید توسط فیلترهای سازگار چندین هسته. J. Comput. کاربردریاضی. 369 (2020) ، 112560. کتابخانه Google Scholardigital
11. Teng-Chieh Huang ، Razieh Nokhbeh Zaeem و K Suzanne Barber. 2019. این یک برابر است که به همه اعتماد کنید و به هیچ کس اعتماد کنید: پیش بینی قیمت سهام با استفاده از فیلترهای اعتماد و احساسات کاربر پیشرفته در توییتر. معاملات ACM در فناوری اینترنت (TOIT) 19 ، 4 (2019) ، 1-20. کتابخانه Scholardigital Google
12. مانیش کومار و م. 2014. پیش بینی شاخص سهام با استفاده از مدل های ترکیبی جنگل ARIMA-SVM ، ARIMA-ANN و ARIMA-RANDOM. مجله بین المللی بانکی ، حسابداری و امور مالی 5 ، 3 (2014) ، 284-308. Google Scholarcross Ref
13. مارکو لیپی ، ماتئو برتینی ، و پائولو فرسکونی. 2013. پیش بینی جریان ترافیک کوتاه مدت: مقایسه تجربی تجزیه و تحلیل سری زمانی و یادگیری نظارت. معاملات IEEE در سیستم های حمل و نقل هوشمند 14 ، 2 (2013) ، 871-882. کتابخانه Scholardigital Google
14. ویفنگ لیو ، پارک ایل و خوزه سی پرینپپ. 2009. یک رویکرد نظری اطلاعاتی در طراحی فیلترهای تطبیقی هسته پراکنده. معاملات IEEE در شبکه های عصبی 20 ، 12 (2009) ، 1950-1961. گوگل دانشکده
15. ویفنگ لیو ، Puskal P Pokharel و Jose C Principe. 2008. الگوریتم حداقل میانگین هسته هسته. معاملات IEEE در پردازش سیگنال 56 ، 2 (2008) ، 543-554. کتابخانه Scholardigital Google
16. ویفنگ لیو ، خوزه سی پرینپپ و سیمون هایکین. 2011. فیلتر تطبیقی هسته: یک مقدمه جامع. جلد57. جان ویلی و پسران. گوگل دانشکده
17. Zongying Liu ، Chu Kiong Loo ، Kitsuchart Pasupa و Manjeevan Seera. 2020. هسته مکرر متا مکرر ، دستگاه یادگیری متوالی به صورت آنلاین با فیلتر تطبیقی هسته برای کنترل رانش مفهومی. برنامه های مهندسی اطلاعات مصنوعی 88 (2020) ، 103327. کتابخانه Google Scholardigital
18. ون لانگ ، ژیچن لو و لینگکسیائو کوی. 2019. مهندسی ویژگی مبتنی بر یادگیری عمیق برای پیش بینی حرکت قیمت سهام. سیستم های دانش بنیان 164 (2019) ، 163-173. Google Scholarcross Ref
19. امین Hedayati Moghaddam ، Moein Hedayati Moghaddam و Morteza esfandyari. 2016. پیش بینی شاخص بازار سهام با استفاده از شبکه عصبی مصنوعی. مجله اقتصاد ، امور مالی و علوم اداری 21 ، 41 (2016) ، 89-93. Google Scholarcross Ref
20. Anass Nahil و Abdelouahid Lyyhyaoui. 2018. پیش بینی قیمت سهام کوتاه مدت با استفاده از تجزیه و تحلیل مؤلفه اصلی هسته و دستگاه های بردار پشتیبانی: مورد بورس اوراق بهادار Casablanca. Procedia علوم کامپیوتر 127 (2018) ، 161-169. کتابخانه Scholardigital Google
21. خوان پاردو ، فرانسیسکو زامورا-مارتینز و پالوما باتلا-روکامورا. 2015. الگوریتم یادگیری آنلاین برای پیش بینی سری زمانی مناسب برای گره های شبکه های حسگر بی سیم کم هزینه. سنسورهای 15 ، 4 (2015) ، 9277-9304. Google Scholarcross Ref
22. الكساندر پیمنتا ، سینیرو المیتلا ، فردریکو G گیماراس و ادواردو ج كرانو. 2018. یک روش سرمایه گذاری خودکار برای بازار سهام بر اساس برنامه نویسی ژنتیکی چند منظوره. اقتصاد محاسباتی 52 ، 1 (2018) ، 125-144. کتابخانه Scholardigital Google
23. یو کیو، هائو یو یانگ، شان لو و وی چن. 2020. یک مدل ترکیبی جدید مبتنی بر شبکه های عصبی مکرر برای زمان بندی بازار سهام. محاسبات نرم (2020)، 1-18. Google Scholar
24. روئی رن، دشنگ داش وو و تیانشیانگ لیو. 2018. پیش بینی جهت حرکت بازار سهام با استفاده از تحلیل احساسات و ماشین بردار پشتیبان. IEEE Systems Joual 13, 1 (2018), 760 770. مرجع Google ScholarCross
25. ریتیکا سینگ و شاشی سریواستاوا. 2017. پیش بینی سهام با استفاده از یادگیری عمیق. ابزارها و برنامه های چند رسانه ای 76، 18 (2017)، 18569-18584. کتابخانه دیجیتالی Google Scholar
26. استیون ون ورنبرگ و ایگناسیو سانتاماریا. 1392. مطالعه تطبیقی الگوریتم های فیلتر تطبیقی هسته. در سال 2013 نشست آموزشی پردازش سیگنال دیجیتال و پردازش سیگنال IEEE (DSP/SPE). IEEE، 181-186. مرجع Google ScholarCross
27. زینگ وو، هائولی چن، جیانجیا وانگ، لوئیجی ترویانو، وینچنزو لویا و هامیدو فوجیتا. 2020. استراتژی های تطبیقی معاملات سهام با روش های یادگیری تقویتی عمیق. علوم اطلاعات 538 (2020)، 142-158. مرجع Google ScholarCross
28. ماساهیرو یوکاوا2012. فیلتر تطبیقی چند هسته ای. معاملات IEEE در پردازش سیگنال 60، 9 (2012)، 4672-4682. کتابخانه دیجیتالی Google Scholar
29. Ningning Zhang، Aijing Lin، و Pengjian Shang. 2017. مدل چند بعدی k-نزدیکترین همسایه بر اساس EEMD برای پیش بینی سری زمانی مالی. فیزیک الف: مکانیک آماری و کاربردهای آن 477 (2017)، 161-173. Google Scholar
30. سونگلین ژائو، بادونگ چن و خوزه سی پرنسیپ. 2011. فیلتر تطبیقی هسته با معیار حداکثر همسانی. در کنفرانس مشترک بین المللی شبکه های عصبی در سال 2011. IEEE، 2012 2017. مرجع Google ScholarCross