این تعهد متعلق به هیچ شعبه ای در این مخزن نیست و ممکن است متعلق به یک چنگال در خارج از مخزن باشد.

نام در حال استفاده

یک برچسب در حال حاضر با نام شاخه ارائه شده وجود دارد. بسیاری از دستورات GIT نام برچسب و شاخه را می پذیرند ، بنابراین ایجاد این شاخه ممکن است باعث رفتار غیر منتظره شود. آیا مطمئن هستید که می خواهید این شاخه را ایجاد کنید؟

• محلی
• مکاشه

با استفاده از URL وب از Git یا Checkout با SVN استفاده کنید.

با CLI رسمی ما سریع کار کنید. بیشتر بدانید.

ورود به سیستم لازم

لطفاً برای استفاده از برنامه های کد وارد سیستم شوید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی Xcode

اگر هیچ اتفاقی نمی افتد ، Xcode را بارگیری کنید و دوباره امتحان کنید.

راه اندازی کد ویژوال استودیو

فضای کد شما یک بار آماده خواهد شد.

مشکلی برای تهیه فضای کدگذاری شما وجود داشت ، لطفاً دوباره امتحان کنید.

آخرین تعهد

آمار git

فایل ها

بارگیری آخرین اطلاعات متعهد انجام نشد.

readme. md

شناسایی روندها در قیمت سهام یک شرکت با انجام تجزیه و تحلیل اساسی شرکت. مقالات خبری به عنوان مجموعه داده های آموزشی به مدل ارائه شده است که مقالات را مثبت یا خنثی طبقه بندی می کند. نمره احساسات با محاسبه تفاوت بین کلمات مثبت و منفی موجود در مقاله خبری محاسبه شد. مقایسه بین قیمت واقعی سهام و نمرات احساسات انجام شد. از الگوریتم های جنگلی ساده و بی تکلف ، الگوریتم های جنگلی تصادفی برای مشاهده نتایج مدل با استفاده از Weka استفاده شد

قیمت سهام به دلیل ماهیت اساسی دامنه مالی و بخشی از آن به دلیل ترکیب پارامترهای شناخته شده (قیمت بسته شدن روزهای گذشته ، نسبت P/E و غیره) و عوامل ناشناخته بسیار پویا و مستعد تحولات سریع در نظر گرفته می شود. نتایج انتخابات ، شایعات و غیره) یک معامله گر هوشمند قیمت سهام را پیش بینی می کند و قبل از افزایش قیمت ، سهام خریداری می کند ، یا قبل از کاهش ارزش آن ، آن را می فروشد. اگرچه جایگزینی تخصصی که یک معامله گر باتجربه به دست آورده است بسیار دشوار است ، یک الگوریتم پیش بینی دقیق می تواند مستقیماً به سود بالایی برای شرکت های سرمایه گذاری منجر شود ، که نشانگر رابطه مستقیم بین دقت الگوریتم پیش بینی و سود حاصل از استفاده از الگوریتم است. در عمل ، 2 روش پیش بینی سهام وجود دارد: تجزیه و تحلیل اساسی: انجام شده توسط تحلیلگران اساسی ، این روش بیشتر مربوط به شرکت است نه سهام واقعی. تحلیلگران تصمیمات خود را بر اساس عملکرد گذشته شرکت ، پیش بینی درآمد و غیره می گیرند. تجزیه و تحلیل فنی: انجام شده توسط تحلیلگران فنی ، این روش با تعیین قیمت سهام بر اساس الگوهای گذشته سهام (با استفاده از زمان- انجام می شود. تجزیه و تحلیل سری.) هنگام استفاده از یادگیری ماشین در داده های سهام ، ما بیشتر علاقه مند به انجام یک تحلیل فنی هستیم تا ببینیم الگوریتم ما می تواند به طور دقیق الگوهای اساسی در سری زمان سهام را بیاموزد. این گفته ، یادگیری ماشین همچنین می تواند نقش مهمی در ارزیابی و پیش بینی عملکرد شرکت و سایر پارامترهای مشابه در تجزیه و تحلیل اساسی داشته باشد. در حقیقت ، موفق ترین سیستم پیش بینی و توصیه های خودکار سهام از نوعی مدل تجزیه و تحلیل ترکیبی که شامل تجزیه و تحلیل اساسی و فنی است ، استفاده می کنند.

در عمل ، 2 روش پیش بینی سهام وجود دارد:

این روش که توسط تحلیلگران اساسی انجام شده است ، بیشتر مربوط به شرکت است تا سهام واقعی. تحلیلگران تصمیمات خود را بر اساس عملکرد گذشته شرکت ، پیش بینی درآمد و غیره می گیرند.

این روش که توسط تحلیلگران فنی انجام شده است ، با تعیین قیمت سهام بر اساس الگوهای گذشته سهام (با استفاده از تجزیه و تحلیل سری زمانی) سروکار دارد.

ما داده های بانک دولتی هند (SBI) را برای سه ماه گذشته ، از 1 فوریه 2017 تا 30 آوریل 2017 جمع آوری کردیم. این داده ها شامل مقالات مهم اخبار مهم این شرکت و همچنین قیمت سهام روزانه SBIN برای همان دوره زمانی است. قیمت سهام روزانه شامل شش مقدار به عنوان باز ، بالا ، کم ، نزدیک ، تنظیم شده و حجم است. برای یکپارچگی در طول پروژه ، ما قیمت نزدیک را به عنوان قیمت سهام روزمره در نظر گرفتیم. ما این داده ها را از جمع کننده های اصلی اخبار مانند news. google.com ، reauters.com ، finance. yahoo.com جمع آوری کرده ایم.

داده های متن داده های بدون ساختار است. بنابراین ، ما نمی توانیم داده های آزمایش خام را به عنوان یک ورودی به طبقه بندی کننده ارائه دهیم. در مرحله اول ، ما باید سند را به کلمات تبدیل کنیم تا در سطح کلمه کار کنیم. داده های متن حاوی کلمات پر سر و صدا تر هستند که به طبقه بندی کمک نمی کنند. بنابراین ، ما باید آن کلمات را کنار بگذاریم. علاوه بر این ، داده های متنی ممکن است حاوی اعداد ، فضاهای سفید بیشتر ، زبانه ها ، شخصیت های نگارشی ، کلمات متوقف و غیره باشد. ما همچنین باید با از بین بردن تمام آن کلمات ، داده ها را تمیز کنیم. 2. 3 الگوریتم تشخیص احساسات برای تشخیص خودکار احساسات از مقالات خبری ، ما رویکرد مبتنی بر فرهنگ لغت را دنبال می کنیم که از کیف تکنیک کلمه برای استخراج متن استفاده می کند. این روش براساس تحقیقات J. Bean در اجرای تجزیه و تحلیل احساسات توییتر برای شرکت های هواپیمایی است. برای ساخت فرهنگ لغت قطبیت ، ما به دو نوع جمع آوری کلمات نیاز داریم. یعنی کلمات مثبت و کلمات منفی. سپس می توانیم کلمات مقاله را در برابر هر دو لیست کلمات مطابقت دهیم و تعداد تعداد کلمات در هر دو فرهنگ لغت ظاهر می شود و نمره آن سند را محاسبه می کنیم. ما فرهنگ لغت کلمات قطبیت را با استفاده از کلمات کلی با قطبیت مثبت و منفی ایجاد کردیم.

1. سند را در بردار کلمه قرار دهید.
2. فرهنگ لغت را که شامل کلمات با قطبیت آن است (مثبت یا منفی) آماده کنید
3. در برابر هر کلمه ای که آب و هوا را با یکی از کلمه ها از فرهنگ لغت کلمه مثبت یا فرهنگ لغت کلمات منفی مطابقت دهید ، بررسی کنید.
4. تعداد کلمات متعلق به قطبیت مثبت و منفی است.
5. محاسبه نمره سند = تعداد (pos. matches) - تعداد (neg. matches)
6. اگر نمره 0 یا بیشتر باشد ، ما در نظر می گیریم که سند مثبت است یا در غیر این صورت ، منفی است.

همانطور که بیشتر تحقیقات نشان می دهد که الگوریتم های طبقه بندی طبقه بندی Zeror ، Random Forest و Laïve Bayes در طبقه بندی متن عملکرد خوبی دارند. بنابراین ، ما هر سه الگوریتم را برای طبقه بندی متن و بررسی صحت هر الگوریتم در نظر داریم. ما می توانیم تمام نتایج مانند دقت ، دقت ، فراخوان و سایر روشهای ارزیابی مدل را با یکدیگر مقایسه کنیم. هر سه الگوریتم طبقه بندی با استفاده از ابزار WEKA اجرا و آزمایش می شوند.

قطبیت در مقابل تاریخ

نتایج الگوریتم تشخیص قطبیت برای مجموعه داده های آزمون - 17 آوریل

1. 01-04-2017 1 مثبت
2. 05-04-201 7-3 منفی
3. 19-04-2017 5 مثبت
4. 20-04-201 7-10 منفی
5. 23-04-2017 2 مثبت
6. 24-04-2017 1 مثبت
7. 25-04-201 7-6 منفی
8. 26-04-2017 17 مثبت
9. 27-04-2017 0 مثبت
10. 28-04-201 7-2 منفی
11. 29-04-201 7-9 منفی
12. 30-04-2017 6 مثبت

نتایج طبقه بندی Naïve Bayes:

=== پیش بینی در مجموعه آزمون ===

نتایج طبقه بندی Zeror:

=== پیش بینی در مجموعه آزمون ===

نتایج طبقه بندی oner:

=== پیش بینی در مجموعه آزمون ===

نتایج طبقه بندی تصادفی جنگل:

=== پیش بینی در مجموعه آزمون ===

لطفاً برای افزودن پیاده سازی الگوریتم های مورد بحث در چارچوب های مختلف یا بهبود پیاده سازی های موجود ، یک درخواست کشش ایجاد کنید

اگر این موضوع را مفید دیدید ، لطفاً این repo را بازی کنید تا بتوانید به مخاطبان گسترده تری برسد

این پروژه تحت مجوز MIT مجوز دارد

در باره

شناسایی روندها در قیمت سهام یک شرکت با انجام تجزیه و تحلیل اساسی شرکت. مقالات خبری به عنوان مجموعه داده های آموزشی به مدل ارائه شده است که مقالات را مثبت یا خنثی طبقه بندی می کند. نمره احساسات با محاسبه تفاوت بین کلمات مثبت و منفی موجود در خبرنامه محاسبه شد ...