پیش بینی بازده روزانه بازار سهام با استفاده از کاهش ابعاد

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 18

تعداد کلمات : 9500

مجله : Expert Systems With Applications

انتشار : 2017

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
11 آگوست 2021
دسته بندی
تعداد بازدیدها
1107 بازدید
24,000 تومان

عنوان فارسی مقاله:پیش بینی بازده روزانه بازار سهام با استفاده از کاهش ابعاد

 چکیده

 در بازارهای مالی، پیش بینی جهت روزانه بازده بازار سهام هم مهم است و هم چالش برانگیز است. در میان معدود مطالعاتی که بر پیش بینی بازده روزانه بازار سهام متمرکز شده است، روشهای داده کاوی مورد استفاده یا ناقص یا ناکارآمد هستند، به ویژه هنگامی که تعداد زیادی از ویژگیها در آن دخیل هستند. این مقاله یک فرایند داده کاوی کامل و کارآمد برای پیش بینی جهت روزانه بازده S&P 500 Index ETF SPY بر اساس ۶۰ ویژگی مالی و اقتصادی ارائه می دهد. سه تکنیک کاهش ابعاد، از جمله تجزیه و تحلیل مولفه های اصلی (PCA)، تجزیه و تحلیل اجزای اصلی قوی فازی (FRPCA) و تجزیه و تحلیل مولفه های اصلی مبتنی بر هسته (KPCA) برای ساده سازی و تنظیم مجدد ساختار داده اصلی به کل مجموعه داده ها اعمال می شود. مطابق با سطوح مختلف کاهش ابعاد، دوازده مجموعه داده جدید از کل داده های پاک شده با استفاده از هر یک از سه روش مختلف کاهش ابعاد تولید می شود. شبکه های عصبی مصنوعی (ANN) سپس با سی و شش مجموعه داده تبدیل شده برای طبقه بندی جهت پیش بینی جهت روزانه بازده های آینده بازار استفاده می شوند. علاوه بر این، سه روش مختلف کاهش ابعاد با توجه به مجموعه داده های طبیعی مقایسه می شوند. سپس گروهی از فرضیه های آزمایش بر اساس طبقه بندی و شبیه سازی انجام می شوند تا نشان دهند که ترکیب ANN ها با PCA دقت طبقه بندی کمی بالاتر از دو ترکیب دیگر را ارائه می دهد و استراتژی های معاملاتی که با روش های جامع استخراج طبقه بندی بر اساس PCA و ANN ها به طور قابل توجهی سودهای تعدیل شده با ریسک بیشتری نسبت به معیارهای مقایسه ای بدست می آورند، در حالی که کمی بالاتر از استراتژی های پیش بینی شده بر اساس مدلهای FRPCA و KPCA هستند.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Forecasting daily stock market return using dimensionality reduction

Abstract

 In financial markets, it is both important and challenging to forecast the daily direction of the stock market return. Among the few studies that focus on predicting daily stock market returns, the data mining procedures utilized are either incomplete or inefficient, especially when a large amount of features are involved. This paper presents a complete and efficient data mining process to forecast the daily direction of the S&P 500 Index ETF (SPY) return based on 60 financial and economic features. Three mature dimensionality reduction techniques, including principal component analysis (PCA), fuzzy robust principal component analysis (FRPCA), and kernel-based principal component analysis (KPCA) are applied to the whole data set to simplify and rearrange the original data structure. Corresponding to different levels of the dimensionality reduction, twelve new data sets are generated from the entire cleaned data using each of the three different dimensionality reduction methods. Artificial neural networks (ANNs) are then used with the thirty-six transformed data sets for classification to forecast the daily direction of future market returns. Moreover, the three different dimensionality reduction methods are compared with respect to the natural data set. A group of hypothesis tests are then performed over the classification and simulation results to show that combining the ANNs with the PCA gives slightly higher classification accuracy than the other two combinations, and that the trading strategies guided by the comprehensive classification mining procedures based on PCA and ANNs gain significantly higher risk-adjusted profits than the comparison benchmarks, while also being slightly higher than those strategies guided by the forecasts based on the FRPCA and KPCA models.