دانلود ترجمه پیش بینی قیمت سهام با مجموعه راف (Rough set) و الگوریتم ژنتیک

دریافت مقاله ترجمه شده پیش بینی قیمت سهام با مجموعه راف و الگوریتم ژنتیک – مجله الزویر

مدل هیبریدی مبتنی بر تئوری مجموعه های راف و الگوریتم های ژنتیک برای پیش بینی قیمت سهام
انتشارات Elsevier – Science Direct
  • عنوان انگلیسی مقاله: A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting
  • عنوان فارسی مقاله: مدل هیبریدی مبتنی بر تئوری مجموعه های راف و الگوریتم های ژنتیک برای پیش بینی قیمت سهام
  • دسته: ریاضی و آمار، مدیریت و علوم اقتصادی
  • گرایش های مرتبط با این مقاله: تحقیق در عملیات، مهندسی مالی و ریسک،مدیریت منابع اطلاعاتی، سیستم های اطلاعاتی پیشرفته، مدیریت فناوری اطلاعات، مدیریت مالی و اقتصاد پولی
  • مجله علوم اطلاعات (Information Sciences)
  • دانشگاه: گروه مدیریت اطلاعات، دانشگاه ملی علم و صنعت یونلین، تایوان
  • لینک این مقاله در نشریه Elsevier
  • شناسه شاپا ISSN 0020-0255
  • رفرنس دارد
  • فرمت فایل ترجمه شده: WORD (قابل ویرایش)
  • تعداد صفحات فایل ترجمه شده: 39
  • جهت دانلود رایگان pdf انگلیسی این مقاله اینجا کلیک نمایید.
  • ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

چکیده ترجمه:

در بازار سهام، تجزیه وتحلیل فنی به عنوان روش مفیدی برای پیش بینی قیمت های سهام می باشد. اگرچه، تحلیلگران متخصص سهام و مدیران مالی، معمولا قضاوت های ذهنی را بر مبنای شاخص های فنی هدف انجام می دهند، برای افراد غیرمتخصص مشکل می باشد تا تکنیک پیش بینی را بکار گیرند، زیرا شاخص های فنی پیچیده بسیار زیادی وجود دارد که می بایست مد نظر قرار گیرد. علاوه بر این دو مانع در بسیاری از مدل های پیش بینی گذشته وجود دارد:

  1. فرضیه های آماری در ارتباط با متغیرها برای مدل های سری زمانی همانند مدل میانگین متحرّک اتورگرسیو (ARMA) و ناهماهنگی پراکنش شرطی اتورگرسیو (ARCH) مورد نیاز می باشند، تا مدل های پیش بینی کننده معادلات ریاضی را مطرح کرده و این موارد به آسانی توسط سرمایه گذاران بازار سهام درک نمی گردد؛
  2. قوانینی که در نتیجه بعضی از الگوریتم های هوش مصنوعی، همانند شبکه های عصبی (NN) می باشند که به آسانی قابل درک نیستند.

کلمات کلیدی

  • نظریه مجموعه راف: Rough set theory
  • الگوریتم ژنتیک: Genetic algorithms
  • رویکرد توزیع احتمال تجمعی: Cumulative probability distribution approach
  • به حداقل رساندن رویکرد اصل آنتروپی: Minimize entropy principle approach
  • شاخص های فنی: Technical indicators

مقدمه

برای غلبه بر این موانع، این مقاله مدل پیش بینی کننده هیبریدی را با استفاده از شاخص های فنی چندگانه برای پیش بینی روند بازار سهام مطرح می کند. علاوه بر این چنین مواردی شامل چهار روش مطرح شده در مدل های هیبریدی برای ایجاد قوانین کارامد به منظور پیش بینی می باشد، که حاصل قواعد استنباط شده با ارزش حمایتی بالا، با استفاده از مجموعه ابزارها بر مبنای مجموعه نظریات می باشد

لینک دانلود: ترجمه مقاله پیش بینی قیمت سهام با الگوریتم های ژنتیک و مدل هیبریدی راف

مطلب‌جو یک وب سایت با هدف انتشار مقاله، تحقیق، پایان نامه و… می باشد.
پس از انتخاب فایل و مقاله مورد نظر، بر روی لینک دانلود کلیک کنید و مراحل خرید را در سایت میهن همکار انجام دهید.
برای مشاهده ی راهنمای خرید از سایت میهن همکار اینجا کلیک کنید.
در صورت نیاز به هر گونه پشتیبانی بر روی لینک زیر کلیک کنید ویا با شماره تلفن های زیر تماس حاصل فرمایید:
پشتیبانی سایت میهن همکار
شماره تماس: 42274401-041
Email: info[at]mihanhamkar.com

Abstract A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting

In the stock market, technical analysis is a useful method for predicting stock prices. Although, professional stock analysts and fund managers usually make subjective judgments, based on objective technical indicators, it is difficult for non-professionals to apply this forecasting technique because there are too many complex technical indicators to be considered. Moreover, two drawbacks have been found in many of the past forecasting models: (1) statistical assumptions about variables are required for time series models, such as the autoregressive moving average model (ARMA) and the autoregressive conditional heteroscedasticity (ARCH), to produce forecasting models of mathematical equations, and these are not easily understood by stock investors; and (2) the rules mined from some artificial intelligence (AI) algorithms, such as neural networks (NN), are not easily realized.

In order to overcome these drawbacks, this paper proposes a hybrid forecasting model, using multi-technical indicators to predict stock price trends. Further, it includes four proposed procedures in the hybrid model to provide efficient rules for forecasting, which are evolved from the extracted rules with high support value, by using the toolset based on rough sets theory (RST): (1) select the essential technical indicators, which are highly related to the future stock price, from the popular indicators based on a correlation matrix;

(2) use the cumulative probability distribution approach (CDPA) and minimize the entropy principle approach (MEPA) to partition technical indicator value and daily price fluctuation into linguistic values, based on the characteristics of the data distribution; (3) employ a RST algorithm to extract linguistic rules from the linguistic technical indicator dataset; and (4) utilize genetic algorithms (GAs) to refine the extracted rules to get better forecasting accuracy and stock return.

The effectiveness of the proposed model is verified with two types of performance evaluations, accuracy and stock return, and by using a six-year period of the TAIEX (Taiwan Stock Exchange Capitalization Weighted Stock Index) as the experiment dataset. The experimental results show that the proposed model is superior to the two listed forecasting models (RST and GAs) in terms of accuracy, and the stock return evaluations have revealed that the profits produced by the proposed model are higher than the three listed models (Buy-and-Hold, RST and GAs).

Outline

  1. Abstract
  2. Keywords
  3. 1. Introduction
  4. 2. Related works
    • 2.1. Technical analysis
    • 2.2. Cumulative probability distribution approach (CDPA)
    • 2.3. Minimize entropy principle approach (MEPA)
    • 2.4. Rough set theory
    • 2.5. Genetic algorithms
  5. 3. Proposed concepts and model
    • 3.1. Proposed concepts
    • 3.2. Proposed model
      • 3.2.1. Preprocess
      • 3.2.2. Rule generation and rule refining
      • 3.2.3. Return calculation and performance evaluation
    • 3.3. Empirical case study
  6. 4. Model verification
  7. 5. Findings and conclusions
  8. References
پیش بینی قیمت سهام با مجموعه راف (Rough set)
Fig. 1. Basic notions of rough sets.

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.