全部版块 我的主页
论坛 经济学人 二区 外文文献专区
774 17
2022-06-02
英文标题:
《A novel improved fuzzy support vector machine based stock price trend
  forecast model》
---
作者:
Shuheng Wang, Guohao Li, Yifan Bao
---
最新提交年份:
2018
---
英文摘要:
  Application of fuzzy support vector machine in stock price forecast. Support vector machine is a new type of machine learning method proposed in 1990s. It can deal with classification and regression problems very successfully. Due to the excellent learning performance of support vector machine, the technology has become a hot research topic in the field of machine learning, and it has been successfully applied in many fields. However, as a new technology, there are many limitations to support vector machines. There is a large amount of fuzzy information in the objective world. If the training of support vector machine contains noise and fuzzy information, the performance of the support vector machine will become very weak and powerless. As the complexity of many factors influence the stock price prediction, the prediction results of traditional support vector machine cannot meet people with precision, this study improved the traditional support vector machine fuzzy prediction algorithm is proposed to improve the new model precision. NASDAQ Stock Market, Standard & Poor\'s (S&P) Stock market are considered. Novel advanced- fuzzy support vector machine (NA-FSVM) is the proposed methodology.
---
中文摘要:
模糊支持向量机在股价预测中的应用。支持向量机是20世纪90年代提出的一种新型机器学习方法。它可以非常成功地处理分类和回归问题。由于支持向量机优良的学习性能,该技术已成为机器学习领域的研究热点,并已成功应用于许多领域。然而,作为一种新技术,支持向量机有很多局限性。客观世界中存在着大量的模糊信息。如果支持向量机的训练包含噪声和模糊信息,则支持向量机的性能将变得非常弱和无力。由于影响股票价格预测的因素很多,传统支持向量机的预测结果精度不能满足人们的要求,本研究改进了传统支持向量机模糊预测算法,提出了提高新模型精度的方法。考虑纳斯达克股票市场、标准普尔股票市场。提出了一种新的高级模糊支持向量机(NA-FSVM)方法。
---
分类信息:

一级分类:Statistics        统计学
二级分类:Machine Learning        机器学习
分类描述:Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文(监督,无监督,半监督学习,图形模型,强化学习,强盗,高维推理等)与统计或理论基础
--
一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-6-2 20:34:43
一种新的改进的基于模糊支持向量机的股价趋势预测模型王书恒(Shuheng Wang1)、李国浩(Guohao Li2)和鲍一凡(Yifan Bao3)1加州大学圣地亚哥分校数学系,美国加利福尼亚州;2美国加利福尼亚州洛杉矶南加州大学马歇尔商学院;3中央财经大学中国经济管理学院。关键词:纳斯达克股票市场、标准普尔股票市场、支持向量机、新型高级模糊支持向量机(NA-FSVM)。摘要模糊支持向量机在股价预测中的应用。支持向量机是20世纪90年代提出的一种新型机器学习方法。它可以非常成功地处理分类和回归问题。由于支持向量机优良的学习性能,该技术已成为机器学习领域的研究热点,并已成功应用于许多领域。然而,作为一种新技术,支持向量机有很多局限性。客观世界中存在着大量的模糊信息。如果支持向量机的训练包含噪声和模糊信息,则支持向量机的性能将变得非常弱和无力。由于影响股票价格预测的因素很多,传统支持向量机的预测结果精度不能满足人们的要求,本研究改进了传统支持向量机模糊预测算法,提出了提高新模型精度的方法。考虑纳斯达克股票市场、标准普尔股票市场。提出了一种新的高级模糊支持向量机(NA-FSVM)方法。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-2 20:34:46
股票价值表开发的预期被视为货币时间序列预测的测试任务。对股票价值发展的准确预测可能会为投资者带来利润。由于股票市场信息的多方面性质,预测生产模型的发展极为麻烦。预测股票价值记录及其发展一直被视为时间序列预测最困难的应用之一。尽管有许多精确的研究处理了预期股票价值记录的问题,但大多数观察结果都与创造的货币相关市场有关。尽管如此,在写作中很少有研究预测股票价值记录在发展中市场的发展。准确预测股票价值指数的发展对于制定强有力的市场交易策略至关重要。因此,投资者可以防范潜在的市场风险,投机者和套利者也有机会通过交换股票清单获利。由于股票市场本质上是强大、非线性、纠缠、非参数和动荡的,因此股票市场预期被视为货币相关时间序列预测过程的测试任务。此外,股票市场还受到许多全面的货币因素的影响,如政治事件、公司政策、总体财务状况、投资者期望、机构投资者的选择、其他股票市场的发展以及投资者的心理。支持向量机和模糊支持向量机已成功用于货币相关时间序列的显示和预测。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-2 20:34:51
尽管模糊可以是时间序列期望中非常有用的工具之一,但一些研究表明,由于股市信息具有巨大的噪声、非平稳特性和复杂的维数,模糊在接受模式方面有一定的局限性。Fuzzy经常在有噪声的信息上显示不一致和异常的执行。按照这些思路,预测股票价值变动是完全麻烦的。利用土耳其等发展中市场的信息研究股票价值记录发展的一致性程度很有意义。纳斯达克股票市场、标准普尔(s&P)股票市场的市场回报率极不稳定。这种不可预测性吸引了众多附近和外部投资者,因为它提供了非凡的收益可能性。最近的文献回顾表明,有越来越多的研究对各种货币相关工具的走势进行了研究。学术研究人员和实践者都试图作出巨大努力,预测股市的未来走势或其到来,并设计与货币相关的交易策略,将预测转化为利润。在随后的章节中,我们重点审查了与股市预期相关的模糊和支持向量机的先前研究。有大量的文献关注股票市场的一致性。这些研究使用各种类型的模糊数学来准确预测股票价值回报及其发展方向。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-2 20:34:54
通过对基于多元分类技术的各种期望模型的检验,证明了模糊理论在预测股票价值收益方面具有良好的效果,并将其与预测历史收益过程的各种参数和非参数模型进行了对比。观测实验表明,分类模型优于水平估计模型多功能指数平滑、带卡尔曼信道升级的向量自回归、,多元传递功和多层支撑前向神经系统可以预测股票市场的发展过程,提高投资交易的收益。采用概率神经系统对历史收益率的方位进行预测。将概率神经系统预测的统计执行与矩量法和任意游走法的统计执行进行了对比。观测结果表明,概率神经系统比矩法和不规则行走期望模型具有更强的预测能力。基于各种专门指标编制的神经网络,用于估计纳斯达克股票市场、标准普尔(s&P)股票市场的走势。尽管神经系统模型对每日和逐月信息的预测执行忽视了线性回归的结果,但这些模型可以更准确地预测指数的承载力。研究人员打算证明模糊预测在预测股票价值发展方面的准确性。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-2 20:34:57
一些研究人员倾向于混合使用几种人工智能技术来预测股市回报,这是一种跨品种的计算机推理方法,用于预测标普股票档案期货每天价值变化的趋势。半人工智能方法结合了基于跑步的系统和神经网络策略。精确的结果表明,推理神经网络优于其他两种模糊模型。本节讨论了支持向量机。支持向量机是一种基于结构风险最小化准则的机器学习技术,当连接到准备集之外的信息时,它表现良好。在实验中,所提出的支持向量机结构胜过了所测试的各种方法。具体来说,通过模糊支持向量机技术实现了高达89%的灵敏度,错误率为每幅图片一个假阳性聚类。研究人员提出了另一种元素选择策略,该策略使用了类似于支持向量机递归组件端实现的回归端技术。与支持向量机技术不同的是,在每一步,所提出的方法都通过对第一个准备信息的子样本上准备的多个直支持向量机的权重向量的统计分析来计算元素定位得分。在四个高质量的生长分类表达数据集上对所提出的策略进行了测试。结果表明,与第一支持向量机相比,本文提出的高光选择策略选择了质量更好的子集,提高了分类精度。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群