پیش بینی بازار سهام بر اساس قیمت های تاریخی و عناوین خبری

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

ICMLT '18: مجموعه مقالات کنفرانس بین المللی 2018 فن آوری های یادگیری ماشین

پیش بینی بازار سهام بر اساس قیمت های تاریخی و عناوین خبری

صفحات 29-34

خلاصه

پیش بینی روند قیمت سهام بورس یک کار بسیار چالش برانگیز است ، به این دلیل که بازارهای سهام پیچیده است و می تواند تحت تأثیر عوامل مختلفی قرار بگیرد. علیرغم مشکل بزرگ ، پیش بینی روند دقیق قیمت بورس بسیار معنی دار است و می تواند سود زیادی به همراه داشته باشد. در چند دهه گذشته ، مطالعات زیادی در مورد این مشکل انجام شده است. اما بیشتر روشها فقط داده های تاریخی را به عنوان ورودی می گیرند ، که برای چنین مشکل پیچیده ای کافی نیست. در این مقاله ، یک روش ترکیبی که هر دو قیمت تاریخی و اخبار را به عنوان ورودی ارائه می دهد. مدل ترکیبی بهترین دو نوع شبکه را ترکیب می کند-RNN-LSTM برای داده های سری زمانی و CNN برای داده های انتزاعی بالا. این دو نوع شبکه مختلف برای پیش بینی با هم ترکیب شده اند. مجموعه ای از آزمایشات برای نشان دادن عملکرد روش پیشنهادی انجام شده است. نتیجه به دست آمده امیدوار کننده است ، و روش پیشنهادی در پیش بینی به میزان زیادی از دقت در پیش بینی می رسد و از خط مقدمات بسیار بهتر است.

منابع

1. Billah ، M. ، & Waheed ، S. 2017. پیش بینی بازار سهام با استفاده از یک الگوریتم آموزش بهبود یافته شبکه عصبی. کنفرانس بین المللی مهندسی برق ، رایانه و راه دور. 1--4IEEEگوگل دانشکده
2. Nelson ، D. M. Q. ، Pereira ، A. C. M. ، & Oliveira ، R. A. D. 2017. پیش بینی حرکت قیمت بازار سهام با شبکه های عصبی LSTM. کنفرانس مشترک بین المللی شبکه های عصبی. 1419--1426. IEEEGoogle Scholarcross Ref
3. Musgrave ، G. L. 1997. یک پیاده روی تصادفی در وال استریت. یک پیاده روی تصادفی در وال استریت. 40 (1) ، 18--23. گوگل دانشکده
4. Chen ، K. ، Zhou ، Y. ، & Dai ، F. 2015. یک روش مبتنی بر LSTM برای پیش بینی بازده سهام: مطالعه موردی از بازار سهام چین. کنفرانس بین المللی IEEE در مورد داده های بزرگ. 2823--2824. IEEEکتابخانه Scholardigital Google
5. Mahalakshmi ، G. ، Sridevi ، S. ، & Rajaram ، S. 2016. بررسی در مورد پیش بینی داده های سری زمانی. کنفرانس بین المللی فن آوری های محاسباتی و مهندسی داده های هوشمند. 1--8IEEEGoogle Scholarcross Ref
6. Arasu ، B. S. ، Jeevananthan ، M. ، Thamaraiselvan ، N. ، & Janarthanan ، B. 2014. عملکرد تکنیک های داده کاوی در شاخص پیش بینی سهام - شواهدی از هند و ایالات متحده. مجله بنیاد ملی علوم سریلانکا. 42 (2). Google Scholarcross Ref
7. Yoo ، P. D. ، Kim ، M. H. ، & Jan ، T. 2005. تکنیک های یادگیری ماشین و استفاده از اطلاعات رویداد برای پیش بینی بازار سهام: یک بررسی و ارزیابی. اطلاعات محاسباتی برای مدل سازی ، کنترل و اتوماسیون ، 2005 و کنفرانس بین المللی نمایندگان هوشمند ، فناوری های وب و تجارت اینترنت ، کنفرانس بین المللی. 2 ، 835--841. IEEEکتابخانه Scholardigital Google
8. Qiu ، M. ، Li ، C. ، & Song ، Y. 2016. کاربرد شبکه عصبی مصنوعی در پیش بینی جهت شاخص بازار سهام. کنفرانس بین المللی سیستم های پیچیده ، هوشمند و نرم افزاری. 219--223. IEEEگوگل دانشکده
9. Guo ، T. ، Xu ، Z. ، Yao ، X. ، Chen ، H. ، Aberer ، K. ، & Funaya ، K. 2016. پیش بینی سری زمانی آنلاین قوی با شبکه های عصبی مکرر. کنفرانس بین المللی IEEE در مورد علوم داده و تجزیه و تحلیل پیشرفته. 816--825. IEEEگوگل دانشکده
10. ای ، برنال. S ، fok. R ، Pidaparthi. 2012. پیش بینی سری زمانی بازار مالی با شبکه های عصبی مکرر. citeseerگوگل دانشکده
11. جردن ، م. I. 1997. ترتیب سریال: یک رویکرد پردازش توزیع موازی. پیشرفت در روانشناسی. 121 ، 417--495. گوگل دانشکده
12. Hochreiter ، S. ، & Schmidhuber ، J. 1997. حافظه کوتاه مدت بلند. محاسبه عصبی. 9 (8) ، 1735. کتابخانه Scholardigital Google
13. Zaremba ، W. ، Sutskever ، I. ، & Vinyals ، O. 2014. تنظیم مجدد شبکه عصبی مکرر. Arxiv preprint arxiv: 1409. 2329 Google Scholar
14. کیم ، ی. 2014. شبکه های عصبی حلقوی برای طبقه بندی جمله. Arxiv preprint arxiv: 1408. 5882 Google Scholar
15. Le ، Q. V. ، & Mikolov ، T. 2014. بازنمودهای توزیع شده از جملات و اسناد. مجموعه مقالات سی و یکمین کنفرانس بین المللی یادگیری ماشین (ICML-14) ، 1188--1196. کتابخانه Scholardigital Google
16. Hassan ، A. ، & Mahmood ، A. 2017. یادگیری عمیق برای طبقه بندی جمله. کنفرانس سیستم ها ، برنامه ها و فناوری IEEE Long Island. 1--5IEEEگوگل دانشکده
17. Graves ، A. 2012. برچسب زدن توالی تحت نظارت با شبکه های عصبی مکرر. اسپرینگر برلین هایدلبر. گوگل دانشکده