مطالعه ای در مورد شاخص های فنی در پیش بینی حرکت قیمت سهام با استفاده از الگوریتم های درخت تصمیم گیری

پیش بینی حرکت قیمت سهام یک کار بسیار چالش برانگیز است زیرا ماهیت قیمت سهام کاملاً پر سر و صدا ، پویا ، پیچیده ، غیر پارامتری ، هرج و مرج و غیرخطی است. سخت ترین کار موجود در بورس ، بررسی داده های سری زمانی مالی و تصمیم گیری هایی است که باعث بهبود بازده سرمایه گذاری و به حداقل رساندن ضرر و زیان ناشی می شود. تجزیه و تحلیل فنی ابزاری برای تجارت است که اوراق بهادار را ارزیابی می کند و تلاش می کند تا با تجزیه و تحلیل داده های قیمت و حجم ، حرکت آینده خود را پیش بینی کند. بسیاری از ابزارهای آماری سنتی برای تصمیم گیری در بازار مالی برای سرمایه گذاران در دسترس هستند. بسیاری از شاخص های فنی مانند میانگین حرکت (SMA ، EMA) برای تجزیه و تحلیل حرکت قیمت سهام در دسترس هستند. در این مطالعه ، از روش طبقه بندی درخت تصمیم گیری برای تجزیه و تحلیل نقش این شاخص های فنی در پیش بینی حرکت قیمت سهام شش شرکت سرمایه گذاری بازار بالا NSE استفاده می شود.

به PDF کامل مراجعه کنید به PDF کامل مراجعه کنید

مقالات مرتبط

بارگیری رایگان PDF PDF

تحقیقات رایانه و عملیات

بارگیری رایگان PDF PDF

با وجود این واقعیت که هم فرضیه بازار کارآمد و هم تئوری پیاده روی تصادفی فرض می کند که پیش بینی قیمت سهام آینده بر اساس اطلاعات موجود در حال حاضر غیرممکن است ، پیشرفت های اخیر در تحقیقات تجربی با دستیابی به آنچه به نظر می رسد بهتر از عملکرد پیش بینی تصادفی است ، برعکس است. بشرما در مورد برخی از مزایای (DIS) از معیارهای عملکردی که به طور گسترده استفاده می شود بحث می کنیم و نتیجه گیری می کنیم که ارزیابی اعتبار خارجی با استفاده از برخی از این اقدامات دشوار است. علاوه بر این ، در مورد کاربرد دنیای واقعی این مدلهای تجربی سؤالات زیادی وجود دارد. در بخش اول این مطالعه ، ما مدل های پیش بینی قیمت سهام جدید را بر اساس تکنیک های پیشرفته متن برای ارزیابی می کنیم تا ادعا کنیم که آیا می توانیم با استفاده از شاخص های غیر منطقی ، حرکت قیمت سهام را با دقت بیشتری پیش بینی کنیم. در کنار این ، ما بحث می کنیم که کدام معیارها مناسب ترین سناریوها برای ارزیابی مدل ها هستند. سرانجام ، ما در مورد چگونگی به دست آوردن بینش در مورد مدل های پیش بینی قیمت سهام مبتنی بر متن به منظور ارزیابی ، اعتبارسنجی و پالایش مدل ها بحث می کنیم.

بارگیری رایگان PDF PDF

مقاله انتزاعی-این معماری جدید تجزیه و تحلیل مؤلفه اصلی تجزیه و تحلیل شبکه عصبی (PCA-Taw) را که توسط الگوریتم پذیرش آستانه (TA) آموزش داده شده است برای پیش بینی ورشکستگی در بانک ها ارائه می دهد. این معماری از یک لایه ورودی ، لایه مؤلفه اصلی متشکل از چند مؤلفه اصلی انتخاب شده ، یک لایه پنهان با عملکرد فعال سازی موجک و در نهایت یک لایه خروجی با عملکرد فعال سازی سیگموئید تشکیل شده است.

بارگیری رایگان PDF PDF

در این فصل یک طرح عمومی برای تولید قوانین پیش بینی بر اساس رویکرد مجموعه خشن برای پیش بینی بازار سهام ارائه شده است. برای افزایش کارایی فرآیند پیش بینی ، از مجموعه های خشن با الگوریتم تفسیر استدلال بولی برای گسسته کردن داده ها استفاده می شود. تکنیک کاهش مجموعه خشن برای یافتن تمام کاهش داده ها ، که حاوی زیر مجموعه حداقل ویژگی هایی است که با یک برچسب کلاس برای پیش بینی همراه هستند ، استفاده می شود. سرانجام ، قوانین وابستگی به مجموعه های خشن مستقیماً از همه ردهای تولید شده تولید می شوند.

بارگیری رایگان PDF PDF