股票投资的人工顾问制度

nandehutu2022

394

收藏 2022-06-14

英文标题：
《Artificial Counselor System for Stock Investment》
---
作者：
Hadi NekoeiQachkanloo, Benyamin Ghojogh, Ali Saheb Pasand, Mark
Crowley
---
最新提交年份：
2019
---
英文摘要：
This paper proposes a novel trading system which plays the role of an artificial counselor for stock investment. In this paper, the stock future prices (technical features) are predicted using Support Vector Regression. Thereafter, the predicted prices are used to recommend which portions of the budget an investor should invest in different existing stocks to have an optimum expected profit considering their level of risk tolerance. Two different methods are used for suggesting best portions, which are Markowitz portfolio theory and fuzzy investment counselor. The first approach is an optimization-based method which considers merely technical features, while the second approach is based on Fuzzy Logic taking into account both technical and fundamental features of the stock market. The experimental results on New York Stock Exchange (NYSE) show the effectiveness of the proposed system.
---
中文摘要：
本文提出了一种新型的交易系统，它扮演着股票投资的人工顾问的角色。本文利用支持向量回归对股票期货价格（技术特征）进行预测。此后，预测价格用于建议投资者应投资不同现有股票的预算部分，以获得最佳的预期利润，同时考虑到投资者的风险承受能力。两种不同的方法被用来建议最佳部分，这是马科维茨投资组合理论和模糊投资顾问。第一种方法是基于优化的方法，只考虑技术特征，而第二种方法基于模糊逻辑，同时考虑股票市场的技术和基本特征。在纽约证券交易所（NYSE）的实验结果表明了该系统的有效性。
---
分类信息：

一级分类：Quantitative Finance 数量金融学
二级分类：General Finance 一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类：Computer Science 计算机科学
二级分类：Computational Engineering, Finance, and Science 计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Economics 经济学
二级分类：General Economics 一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance 数量金融学
二级分类：Economics 经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
-->

Artificial_Counselor_System_for_Stock_Investment.pdf
大小:(1.36 MB)

马上下载

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

可人4

2022-6-14 06:05:16

股票投资艺术顾问系统Hadi NekoeiQachkanloo*, Benyamin Ghojogh*, 阿里·萨赫布·帕桑德*, Mark Crowley加拿大滑铁卢滑铁卢大学电气和计算机工程系{hnekoeiq，bghojogh，ali.Sahebbasand，mcrowley}@uwaterloo。本文提出了一种新的交易系统，它扮演着股票投资的艺术顾问的角色。本文利用支持向量回归对股票期货价格（技术特征）进行预测。此后，根据投资者的风险承受能力水平，预测价格用于建议投资者应投资不同现有股票的预算部分，以获得最佳预期收益。两种不同的方法被用来建议最佳部分，这是马科维茨投资组合理论和模糊投资顾问。第一种方法是基于优化的方法，只考虑技术特征，而第二种方法基于模糊逻辑，同时考虑了股票市场的技术和基本特征。在纽约证券交易所（NYSE）的实验结果表明了该系统的有效性。本文在美国夏威夷檀香山举行的第三十一届艺术情报创新应用年会（IAAI-19）上发表，该年会是2019年促进艺术情报（AAAI）发展的一个轨道。简介考虑投资者的情况，现有预算，谁想知道如何在几个现有库存之间分配预算。投资于股票i的预算分数是一个权重，用wiin范围表示[0，1]。问题是设计一个艺术财务顾问系统，为股票投资提供最佳权重。为了找到最佳权重，需要估计股票的次日价格。

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

mingdashike22

2022-6-14 06:05:20

因此，本文首先根据股票的先前行为预测股票的未来价格，这些行为可以用时间序列建模。该项目的主要目标是根据everystock的预测价格和波动以及投资者的风险承受能力确定最佳权重。拟议系统的总体结构如图1所示。一般来说，有n只股票，每只股票都有五个时间序列的技术特征和几个时间序列的基本特征。根据股票的技术特征计算出两个指数，即平均方向指数（ADX）和抛物线止损反转指数（SAR）。首先对时间序列进行预处理，然后时间序列预测器预测未来价格。时间序列的方差（风险）*前三位作者对这项工作做出了同等贡献。版权C 2019年，艺术情报促进协会（www.aaai.org）。保留所有权利。图1：拟议系统的总体结构和未来价格进入下一阶段，根据投资者的风险承受能力计算最佳权重。这一阶段可以通过两种方法来完成，即马科维茨投资组合理论（Bodie、Kane和Marcus 2014）（一个旨在最大化收益的优化问题）和模糊投资顾问（fuzzy logic）。后者考虑了技术和基本特征，为其他情感特征（如专家经纪人）提供了机会。通常有两种方法用于分析市场的财务行为，（I）技术分析，（II）基本面分析（Cavalcante et al.2016；Atsalakisand Valavanis 2009b）。前者考虑的是股票原始价格的历史技术属性。一些经济学家认为，预测市场金融行为所需的所有信息都存在于价格中。

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

可人4

2022-6-14 06:05:23

基本面分析考虑了影响市场经济运动的经济因素，如负债、公司规模、费用、资产、收入等（Vanstone和Finnie，2009；Abarbanell和Bushee，1997）。已经开发了不同的时间序列预测机器学习方法（Makridakis、Spiliotis和Assimakopoulos 2018；Cavalcante et al.2016）。股票时间序列预测通常使用两种主要方法（Cavalcante et al.2016），即多层感知器（MLP）（例如，（Ican and C,elik 2017；Kayal 2010））和支持向量回归（SVR）（例如，（Cao and Tay 2003；Chen 2010））。在本文中，新版本的纽约证券交易所（NYSE）数据集(https://www.kaggle.com/dgawlik/nyse/data)，包括技术和基本特性。在文献中，有一些作品试图预测纽约证券交易所数据集的早期版本，例如（Atsalakis andValavanis 2009a；Halliday 2004）和新版本（Song 2018）。这些工作主要关注股票的趋势预测。例如，在（Atsalakis和Valavanis 2009a）中提出了一种用于价格预测的神经模糊控制器。TheTheThesis（Song 2018）是该数据集的最新作品之一。我们的工作在命中率方面与it有比较好的表现。与这些工作相比，我们的系统的一个更重要的优势是提出了一个完整的交易系统，该系统建议投资的最佳权重，并预测证券交易所，而这些工作只是试图预测股票。我们的主要贡献有三个方面：（I）我们提出了一个完整、新颖的交易系统，该系统不仅可以预测未来的股票价格，还可以建议投资预算的最佳部分。根据（Cavalcante et al.2016），文献中没有提出一个完整且完善的系统。

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

大多数88

2022-6-14 06:05:25

（二）我们考虑股票的技术和基本属性。（三）我们从优化和人工智能两个角度来解决交易问题。方法与实现预处理将对数据集应用三种类型的预处理。时间序列预测的第一个预处理是滑动平均，它平滑了股票的小波动，有助于更好地捕捉趋势（Cavalcante et al.2016）。我们在技术特征上使用移动平均，即开盘、收盘、最低和最高价格，以及交易量时间序列s（t）=地图妈妈-1k=0s（t-k），其中s（t）和s（t）表示该期间的数据和平均数据分别为dayt的madays。这个mais 50在这项工作中捕捉短期和长期趋势变化（Fletcher 2012）。时间序列预测的第二个预处理是Z分数归一化，它将均值和方差缩放到单位。每个股票都有几个时间序列，包括开盘、收盘、最低和最高价格、成交量以及ADX和SAR指数。在每个系列中，letbs（t）表示第t天的标准化数据。我们定义pas规格化窗口的大小。标准化isbs（t）=s（t）-s（t）/标准s（t）, 其中s（t）和stds（t）是范围内平均时间序列的平均值和标准偏差- p、 t），分别为。请注意，在时间序列预测之后，通过反转转换来反规范化数据。此外，请注意，在经济学中，利润率（预算的相对变化）主要使用，而不是原始预算。因此，对于权重建议模块的输入，将平均时间序列转换为收益率byri（t）=s（t+1）- s（t）/s（t），对于以锡股指数i为索引的每天。此后，ri（t）用rifor simplicity表示，其中rim表示未来目标日的收益。

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

可人4

2022-6-14 06:05:28

请注意，回报意味着这项工作中利润率的含义。预测未来价格已经表明，使用股票指数有助于预测个别股票价格（Song 2018）。在这项工作中，计算了两个著名的股票指数，平均方向指数（ADX）和抛物线停止反转指数（SAR）（Wilder1978），并将其用于预测以及技术特征。下面对这两个指标的计算进行说明，并对预测进行详细说明。平均方向指数ADX指数衡量股票趋势的强度，无论其方向如何（Wilder1978）。计算时，第一个真实范围（TR）由TR（t）=max确定H（t）- L（t），| H（t）- C（t- 1） |，| L（t）-C（t- 1)|, 其中H、L和C分别表示股票的最高、最低和收盘价。平滑后的TR（STR）为STR（t）=如果t无效≤ 如果t=τ+1τ，τ（1/τ）Pτi=1TR（i）(τ - 1） STR（t- 1） +TR（t）否则，（1）其中τ是平滑周期，根据（Wilder 1978）设置为14。正方向运动（PDM）和负方向运动（MDM）测量随时间变化的趋势方向，计算为PDM=最大值H（t）-H（t- 1), 0MDM=最大值L（t- 1) - L（t），0.平滑PDM（SPDM）和平滑MDM（SMDM）的计算方法与公式（1）相似，但分别用PDM和MDM替换TR。然后，根据PDI（t）=100×SPDM（t）STR（t）和SMDI（t）=100×SMDM（t）STR（t）计算平滑加方向指示器（SPDI）和平滑加方向指示器（SMDI）。之后，发现方向指数（DX）为DX=100×100SPDI（t）-SMDI（t）SPDI（t）+SMDI（t）。平均DX（ADX）采用与式（1）相似的方法获得，方法是将TR替换为DX，将τ替换为2τ，因为t≤ τ对于计算PDM和SMDM已经无效。抛物线止损反转指数SAR指数反映了股票在一段时间内的总体趋势。

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…

能者818

2022-6-14 06:05:31

它包括趋势从上升趋势（UT）变为下降趋势（DT）或反之（Wilder1978）的停止/反转点信息。SAR指数为SAR（t）=如果t<4min{L（t- i） | i=0，3} 如果t=4，则UTmax{H（t- i） | i=0，3} 如果t=4，则DTSAR（t- 1） +AF（t- 1)×EP（t- 1) - SAR（t- 1)否则，（2）其中EP是极值点，由EP（t）=（如果t<4max{H（t），则无效- i） | i=0，3} 如果t≥ 4，UTmin{L（t- i） | i=0，3} 如果t≥ 4，DT，（3）和AF是加速度系数，从0.02开始，每当EP改变时，增加0.02的步长。请注意，如果AF达到0.2，则AF饱和为0.2；当趋势从UT变为DT时，AF重置为0.02，反之亦然。预测技术特征（开盘、收盘、最高价和最低价）以及SAR、SPDI、SMDI和ADX指数，见图2。该图描绘了一只股票在一个时间跨度内的烛光图。烛光图2：股票及其指数的烛光图。绘图是开盘、收盘、最高和最低价格以及股票趋势的有用可视化（绿色表示上涨，红色表示下跌）。每个交易的终点显示当天的最高和最低价格，中间点决定开盘价和收盘价。SAR索引也如图2所示。可以看出，该指数显示了该股随时间的趋势。还对ADX指数的SPDIand SMDI指数进行了图示。ADX指数反映了股市走势的强弱。例如，在1550至1570天，这表明股票走势强劲，因为SPDI和SMDI的差异很明显。股票的未来价格将使用时间序列预测方法进行预测。在这项工作中，SVR用于股票时间序列的预测。

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

kedemingshi

2022-6-14 06:05:35

使用的核函数是径向基函数k（xn，xm）=exp(-γ| | xn-xm | |），其中γ（通过验证发现为0.001）分别确定训练模型的偏差和xnand xmare训练和测试数据。验证发现，控制惩罚松弛变量数量的C变量为1000。为了准备培训和测试数据，技术特征（开盘价、收盘价、最高价和最低价以及成交量）以及ADX和SAR指数在一个具有规模的窗口内排列串联以形成向量。由于指标无效，我们从训练数据中删除了前2τ天。在这项工作中，预测了股票的最高价格，并将其用于建议权重，如下一节所述，因为最高价格对投资者是否投资股票有重大影响。权重建议Markowitz投资组合理论建议投资权重的第一种方法是使用Markowitz投资组合理论（Bodie、Kane和Marcus 2014）。马科维茨投资组合理论可以形式化为一个正则化的二次函数图3：投资组合理论的前沿曲线。优化问题：最小化EW（1/u）w>Sw- w> R受w约束 0，w>1=1，（4）其中w=[w，…，wn]>是权重向量，其中第i个元素决定了要投资于股票i的预算部分。向量r=[E（r），…，E（rn）]>=[er，…，ern]>包括所有股票的预期回报值，其中，eri表示预测回报。矩阵S是协方差矩阵，其元素（i，j）是E（ri）- ri）（rj- rj）其中ridenotes是riin的平均值c、式（4）中的成本函数由两部分组成，即w>SWA和w>r。前者表示投资的总体方差（风险），后者表示投资的总体预期回报。

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

kedemingshi

2022-6-14 06:05:38

投资组合理论的目标是使投资的总体预期回报最大化，同时使总体风险最小化。请注意，权重为正，它们的总和应为1，Pni=1wi=1。式（4）中的u是正则化参数。u越高，受到惩罚的方差越小，因此允许投资的风险越高。我们使用Python凸优化软件（CVXOPT）解决了这个二次优化问题(https://cvxopt.org/index.html). u>0的值从一个非常小的数字中扫出，以获得投资组合理论的前沿曲线（Bodie、Kane和Marcus 2014），这是一条预期收益与投资标准偏差（风险）的曲线（见图3）。只要曲线达到最大可能的投资风险，即等于方差最大的股票风险，就可以停止这种扫荡。换句话说，每当w>Sw=max（diag（S））时。投资者的最大风险承受能力，用η表示∈ [0，1]被转换为生成的投资组合前沿曲线的最小和最大标准偏差（风险）之间的范围（见图3）。曲线上达到该风险水平的预期回报最大的点被视为与特定w相对应的最佳投资组合点。对于S的计算c、在这项工作中，它是100，应该足够大，以捕获股票的真实风险，但不要太大，以包括旧的和无效的风险。模糊投资顾问在这项工作中，提出了一种模糊投资顾问（FIC）来建模图4：模糊变量的隶属函数。根据预先定义的规则，专家投资者在理性假设下的行为。

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

能者818

2022-6-14 06:05:41

请注意，本模块同时考虑了技术和基本属性，而Portfolio理论仅基于技术特征。FIC部分：FIC由两部分组成，即技术部分和基础部分。技术部分包括两个独立的模糊系统。在技术部分，第一个模糊系统（称为自股票系统）单独考虑每个股票，而第二个模糊系统（成对股票系统）考虑所有其他股票对每个股票的影响。基本部分考虑每个股票的基本特征。模糊逻辑设置：FIC使用Mamdani模糊模型（Karray and De Silva 2004）。模糊技术变量和基本变量的隶属函数如图4所示。单粒子法和质心法分别用于模糊定位和去模糊定位。请注意，fuzzi fication将清晰的变量转换为模糊的定性值，而defuzzi fication则相反（Klir和Yuan 1995）。这两部分的模糊规则使用图5中的树结构进行说明。图示树中的每个规则都是从根到叶的路径，其中模糊T-范数应用于非叶节点，叶是规则的输出。为了更好地理解这些树，图中有两个示例规则。5b在这里解释：“如果Eother（r）高，ρisHIGH，σother中，η低/高，则w为中/高。”这条规则的直觉是，如果两支股票的相关性很高，其中一支的回报率在中等风险的情况下上升，那么最好投资另一支股票。然而，这取决于投资者的风险承受能力，以给予大或中权重投资于该股票。

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

mingdashike22

2022-6-14 06:05:44

在这项工作中使用了标准运算符（T-范数和S-范数的最小值和最大值）。FIC1中的算法1技术分析：自库存模糊系统：2：对于i从1到n do 迭代self stock3:E（ri）和σi← 规范化E（ri）和σi4：对自库存模糊系统的E（ri）、σi和η进行模糊化5：对自库存模糊系统应用模糊规则6：wt、si← 针对自库存模糊系统对w进行反模糊处理7：成对库存模糊系统：8：针对i从1到n进行反模糊处理在self stock9上迭代：对于j，从1到n，不包括i do 在otherstock10上迭代：E（rj）和σj← 规范化E（rj）和σj11：对成对库存模糊系统的E（rj）、σj、ρi、j和η进行模糊化12：对成对库存模糊系统应用模糊规则13：wt、pi、j← 对成对股票模糊系统的w进行反模糊化14:wt，pi←Pn编号-1j=1ρi，jwt，pi，j15:wti← （η×wt，pi）+wt，si 自库存和成对库存的融合16:wt← [重量，…，重量]>17：重量← wt/Pni=1wtiAlgorithm 2 FIC1中的基本分析：cf← [0.3, 0.15, -0.4, -0.5, -0.9]T2:i从1到n do 在stock3上迭代：对于k，从1到nfdo 迭代基本特征4：fi，k← 规范化fi，k5：对fi进行模糊化，以及cf6：应用模糊规则7：wfi← 对w8：wf进行除模糊处理← 【wf，…，wfn】>9:wf← wf/Pni=1wfiSelf-Stock模糊系统：如算法1所示，fic技术分析部分的self-Stock模糊系统对股票进行迭代，并根据股票的预期回报率（ri）、风险σi（标准偏差）和风险容忍度η（见图5a），为每个股票建议权重（wt、siforstock i）。为了准备合适范围的定义成员函数的输入，自库存预期收益和自库存标准偏差分别归一化为E（ri）← E（ri）/0.001+Pni=1 | E（ri）|和σi← σi/（Pni=1σi）（0.0001+σ标度）其中σ标度=η+(1 - η） ×maxi={1，…，N}σi.

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

nandehutu2022

2022-6-14 06:05:47

σ标度是η的一个函数，用于强调投资者的风险承受能力。两两股票模糊系统：在两两模糊方法（见算法1）中，发现每只股票都比要投资的其他股票好或坏。对于everystock i，我们迭代所有其他股票，以j为索引，图5：用于（a）自股票技术分析、（b）成对股票技术分析和（c）基本面分析的模糊规则。根据成对股票系统的规则（见图5b），权重wt、pi、jare建议。这些规则适用于其他股票的预期收益率E（rj）、风险σj、风险容忍度η和互相关系数ρi，j=S（i，j）/σiσj的模糊值，其中S（i，j）是方差矩阵的元素（i，j）。如前所述，其他股票的预期回报和风险也应正常化。最后，对于每种股票，n- 1获得成对权重，并将其融合。对于股票i的这种融合，将wt、pi、jweights相加，同时用它们的ρi加权，从而确定它们的冲击wt，pi=Pn-1j=1ρi，jwt，pi，j。自库存和成对库存模糊系统的融合：最后，总技术权重为wti=（η×wt，pi）+wt，si，其中，当η较小时，wt，pi的影响被忽略，因为当风险容限较低时，应更重视自库存变量。然后对总技术权重向量进行归一化，以wt=【wt，…，wtn】>，使权重总和为1，wt← 重量/Pni=1wti。FIC中的基本分析：对于FIC中的基本分析，从数据集中选择nf（这里有五个）基本特征，即应收账款、资本支出、存货、毛利率和所得税，用于这项工作。我们为所利用的基本特征定义了基本系数，用CF表示。

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

mingdashike22

2022-6-14 06:05:51

该系数在范围内[-1，1]并确定基本特征对股票预期回报的积极或消极影响。考虑到（Abarbanell and Bushee 1997）中报告的分析，该分析报告了上述基本特征对股票预期回报的相对影响，我们确定cf=[0.3，0.15，-0.4, -0.5, -0.9]>作为所用基本特征基本系数的一个因子，具有相同的提及顺序。如算法2所示，对于每只股票，单独的模糊规则用于不同的基本特征（见图5c）。对于每个stocki，由k索引并由fi，k表示的基本特征通过其绝对值的总和进行归一化，以适用于定义的隶属函数fi，k← fi，k/（0.001+Pnfk=1 | fi，k |）。获得的基本权重向量wf=【wf，…，wfn】>最终被归一化为1，wf← wf/Pni=1wfi。结合技术和基本分析：最终，对于来自技术权重WTI和基本权重wfi的库存i，计算总体模糊权重图6：扫掠γ和C与pas wi=αwfi+WTI此处α=nf+c>ffi/2nfand fiisa向量，包含第i个股票的归一化基本特征。请注意，c>FFI在范围内[-因此α的范围是[0,1]。该α决定了基础分析相对于技术分析的重要性。最后，对所有模糊权重w=[w，…，wn]>进行归一化，使其总和为1，w← 带Pni=1wi。实验结果利用的数据集本研究中使用的数据集是纽约证券交易所（NYSE）的数据集。该数据集包含2010年至2016年140只股票的信息。我们选取25只知名股票进行预测，并与文献进行比较。

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

可人4

2022-6-14 06:05:54

尽管我们的算法可以应用于任何数量的股票，但大多数股票都是受（Song 2018）的启发选择的。选定的25家股票包括AAPL（苹果）、AIG（美国国际集团）、AMZN（亚马逊）、BA（波音）、CAT（卡特彼勒）、COF（Capital One）、EBAY、F（福特）、FDX（联邦快递）、GE（通用电气）、GM（通用汽车）、GOOG（谷歌Alphabet Inc.）、HD（家得宝）、IBM、JNJ（强生）、JPM（摩根大通公司）、KO（可口可乐）、MSFT（微软）、NKE（耐克）、ORCL（甲骨文）、PEP（百事），T（美国电话电报公司）、WMT（沃尔玛）、XOM（埃克森美孚）和XRX（施乐）。此数据集在本工作中使用的信息包括：（I）价格：以时间序列表示的价格（美元），包括开盘价（上午价格）、收盘价（晚上价格）、最低和最高价格以及成交量（当天交易的股票数量）。对于培训数据，前80%的数据（约2010年至2014年）用于培训，其余数据（约2015年和2016年）用于测试。为了调整参数，图7中的最后20%是：预测猫类股票最高价格的平均时间序列。培训集进行验证。（二）基本属性：它包含一些显示公司年度绩效的数字指标，如应收账款、资本支出、库存、毛利率和所得税。2013年至2015年的特征被用作FIC的基本输入。价格预测结果建议的框架包括三个参数p、 C和γ。要调整这些参数，请使用不同的值，即：。，在验证集上测试p={5，10，…，40}，C={0.1，10，100，1000}，和γ={0.1，0.01，0.001，0.0001}。图6显示了验证集中25只股票的平均命中率。请注意，命中率（HR）公式为HR=mPmt=1符号（er（t））？=符号（r（t））其中m是预测的天数。

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

能者818

2022-6-14 06:05:58

人力资源部评估预测价格趋势的程度。如图6所示，获得的最佳参数为C=1000，p=5，γ=0.001。正如预期的那样，较大的C会惩罚松弛变量以更好地预测，较小的γ会避免有偏差的模型。根据（Song 2018）的说法，小窗户的尺寸也是有意义的。我们使用文献中的标准方法评估预测，即命中率（HR）、平均绝对误差（MAE=（1/m）Pmt=1s（t）- es（t）), 均方根误差（RMSE=qmPmt=1s（t）- es（t）)其中es（t）表示预测的时间序列。为了更好地比较这些指标，我们还报告了平均绝对百分比误差（MAPE=（100/m）Pmt=1|s（t）-es（t）/s（t）|）。表1中报告了25种股票的测试结果。我们评估了两种情况下的价格预测，即本表中报告的非平滑价格（NSP）和滑动平均平滑价格（SP）。我们在不同股票上的MAE、RMSE和MAPE误差相对较小。此外，所有股票的命中率都相当高，显示了SVRin预测时间序列及其趋势的良好表现。SP的命中率都很高，表明了我们算法的有效性。表1还将拟议框架的股票预测与最近的趋势预测（TP）（Song 2018）工作进行了比较。如本表所示，NSP图8：30天期间的实际和预测预算。在stocksAAPL、AMZN、BA、COF、GOOG、NKE、ORCL和T方面表现优于TP或与之有可比性。值得注意的是，TP（2018年宋）仅预测上升趋势为+1-1表示下降趋势，并在此基础上测量命中率。

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

大多数88

2022-6-14 06:06:01

然而，NSP预测的是实际价格，而我们的命中率是基于预测价格（而不是趋势），这更为困难。为了从视觉上了解价格预测的性能，请参见图7，图7显示预测的平均时间序列与实际的平均序列非常接近。权重建议结果预测平均价格，即SP，用作权重建议部分的输入。为了说明权重建议模块的性能，假设投资者的初始预算（用B表示）为1000美元。基于投资组合理论或模糊逻辑（FIC）提出的权重建议方法在投资于20只股票的预算中进行了测试（除了GE、GOOG、ORCL和JNJB之外的所有股票，因为数据集中缺乏基本特征，而GM的股票由于数据集中技术特征的时间序列不完整）。对于一段时间内的每一天，都会找到最佳权重{wi}ni=1，从中可以分别获得实际未来收益率r和预期未来收益率E（r）asPni=1wiriandPni=1wiE（ri）。然后根据获得的r作为B更新实际未来预算（B← B×（1+r）。请注意，根据理性，如果预期回报为负，我们将在未来退出股市。以30天为例，该程序用于比较和分析三种不同权重建议方法（投资组合理论、FIC和随机权重）的实际剩余预算。此示例30天周期包括数据集的1537到1567天，尽管可以是任何时间跨度。η=30%的实际预算如图8所示。在第30天，使用portfoliotheory、FIC和随机加权，实际预算分别更新为1078.88美元、1072.26美元和1059.98美元。

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

nandehutu2022

2022-6-14 06:06:04

如图所示，基于投资组合理论的实际预算高于基于模糊逻辑的实际预算andAAPL AIG AMZN BA CAT COF EBAY F FDX GE GM GOOG HDNSPHR 61.16%55.36%57.68%60.00%60.29%58.26%56.81%61.45%58.26%53.33%61.46%57.97%56.52%MAE 1.058 0.410 7.973 1.310 0.848 0.757 0.291 0.131 1.517 0.228 0.332 6.676 1.086RMSE 1.483 0.710 11.085 1.748 1.150 1.018 0.474 0.190 2.227 0.320 0.4559.707 1.478最大值0.99%0.84%1.23%0.97%1.12%1.04%1.07%1.00%0.97%0.78%1.04%0.92%0.85%SPHR 91.59%92.17%93.33%85.50%88.69%95.65%89.56%86.08%93.04%92.17%83.76%89.70%92.75%TP（Song 2018）人力资源57.58%58.79%56.21%60.15%57.12%59.70%59.55%61.21%×58.33%59.70%IBM JNJ JPM KO MSFT NKE ORCL PEP T WMT XOM XRXNSPHR 55.94%52.75%56.23%54.49%53.62%60.00%58.26%57.68%57.68%56.52%54.49%60.00%MAE 1.178 0.613 0.598 0.236 0.461 0.598 0.286 0.579 0.229 0.502 0.669 0.110RMSE 1.681 0.889 0.879 0.333 0.708 0.834 0.408 0.802 0.313 0.799 0.885 0.160MAPE 0.80%0.56%0.92%0.55%0.87%1.02%0.74%0.61%0.75%0.80%1.10%SPHR 92.46%93.04%94.49%90.14%89.27%90.14%93.91%88.98%93.91%94.49%93.62%85.50%TP（宋2018）HR×56.52%61.67%59.24%59.09%60.61%58.94%59.39%58.64%60.91%60.45%×表1：我们在预测技术特征方面的工作评估以及与相关工作的比较。X符号表示相关工作在该库存上没有结果。随机投资，因为它基于优化。考虑到技术和基本特征，投资预算结果非常接近投资组合理论的结果；这表明FIC密切模拟了投资组合理论的优化行为。

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

mingdashike22

2022-6-14 06:06:06

综上所述，如图8所示，两种提出的权重建议方法都优于随机投资。结论和未来方向本文展示了一种新型的端到端艺术投资顾问，该顾问首先预测了几种股票的价格时间序列，然后提出了投资股票的最佳预算比例，以在未来获得最佳回报。与投资组合理论相比，FIC为我们提供了考虑更多特征的机会，例如新闻或情感属性（例如，社交媒体影响（Yang、Mo和Liu 2015）），类似于专家经纪人。未来的一些工作可以考虑更专业的金融资产，例如卖空和Elliott waves，以建立更完整的交易系统。参考Sabarbanell，J.S.和Bushee，B.J.1997。基本分析、未来收益和股价。会计研究杂志35（1）：1-24。Atsalakis，G.S.和Valavanis，K.P.2009a。使用基于神经模糊的方法预测股市短期趋势。具有应用程序的专家系统36（7）：10696–10707。Atsalakis，G.S.和Valavanis，K.P.2009b。调查股票市场预测技术——第二部分：软计算方法。应用专家系统36（3）：5932–5941。Bodie，Z。；凯恩，A。；和Marcus，A.J.2014。投资。麦格劳·希尔教育。Cao，L.-J.，和Tay，F.E.H.，2003年。金融时间序列预测中具有自适应参数的支持向量机。IEEE神经网络学报14（6）：1506–1518。卡瓦尔坎特，R.C。；巴西里罗共和国。；Souza，V.L。；Nobrega，J.P。；和Oliveira，A.L.2016。计算智能与金融市场：调查与未来方向。ExpertSystems with Applications 55:194–211。陈，J.2010。支持向量机在使用经验技术指标进行财务时间序列预测中的应用。

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

可人4

2022-6-14 06:06:09

信息网络与自动化（ICINA），2010年国际会议，第1卷，V1-77。IEEE。Fletcher，T.2012年。用于金融市场预测的机器学习。UCL（伦敦大学学院）博士论文。Halliday，R.2004年。利用神经网络进行股票趋势预测。《信息与数学科学研究快报》6:15–29。Ican，¨O.，和C,elik，T.B.2017年。股票市场预测神经网络的性能：文献综述。《国际经济与金融杂志》9（11）：100–108。Karray，F.O.，和De Silva，约2004年。软计算和智能系统设计：理论、工具和应用。皮尔逊教育。Kayal，A.，2010年。外汇交易信号的神经网络过滤机制。智能计算和智能系统（ICIS），2010年IEEE国际会议，第3卷，159–167。IEEE。Klir，G.和Yuan，B.1995年。模糊集与模糊逻辑：理论与应用。新泽西普伦蒂斯大厅。Makridakis，S。；Spiliotis，E。；和Assimakopoulos，V.2018。统计和机器学习预测方法：关注点和前进方向。PloS one 13（3）：e0194889。Song，Y.2018年。股票趋势预测：基于机器学习方法。加州大学洛杉矶分校（UCLA）硕士论文。Vanstone，B.，和Finnie，G.，2009年。使用人工神经网络开发股票市场交易系统的实证方法。具有应用程序的专家系统36（3）：6668–6680。Wilder，J.W.1978年。技术交易系统中的新概念。趋势研究。Yang，S.Y。；Mo，S.Y.K。；和Liu，A.，2015年。推特金融社区情绪及其与股市走势的预测关系。定量金融15（10）：1637–1656。

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

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

分享

扫码加好友，拉您进群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群