ترجمه مقاله روش جدیدی از یکپارچگی نمایش خطی تکه ای و ماشین بردار پشتیبانی وزنی

چکیده

پیش بینی داده های مالی یکی از مهمترین زمینه ها در بازارهای مالی می باشد. در بازار سهام، اگر سهام تا یک نقطه سقوط کند یا افزایش یابد، و سپس برای مدت طولانی سقوط یا صعود کند، این نقاط، نقاط بازگشت هستند (TP). هر کسی تمایل به خرید و فروش سهام در TP برای بیشینه سازی سود دارد. این مقاله نمایش خطی تکه ای (PLR) و ماشین بردار پشتیبانی وزنی (WSVM) را برای پیش بینی TPهای سهام ادغام کرده و چندین روش برای بهبود عملکرد مدل PLR-WSVM ارائه می کند. در ابتدا، یک تابع برازش برای انتخاب آستانه PLR بطور خودکار ارائه می شود. کم نمونه برداری تصادفی همراه با بیش نمونه برداری برای متوازن کردن تعداد نمونه ها استفاده می شود. سوما، شاخص قدرت نسبی (RSI) برای تعیین اینکه یک TP پیش بینی شده یک نقطه خرید یا یک نقطه فروش است ادغام می شود. بیست سهم برای آزمایش مدل پیشنهادی استفاده می شوند. نتایج تجربی نشان می دهند که مدل پیشنهادی بطور قابل توجهی بهتر از مدل های دیگر عمل می-کند. ضریب تغییر درآمدهای به دست آمده توسط مدل پیشنهادی پایین ترین است، که نشان می دهد مدل پیشنهادی پایدارترین می باشد.

پیشینه پژوهش

پیش بینی داده های مالی

پیش بینی داده ها می تواند عمدتا به سه جنبه تقسیم شود: پیش بینی سری های زمانی مالی، پیش بینی روند قیمت و پیش بینی سیگنال دادوستد. پیش بینی سری های زمانی مالی از متغیرهای پیوسته بصورت اهداف پیش بینی استفاده می کند. الگوریتم های یادگیری ماشین، مانند شبکه های عصبی مصنوعی (ANN) و ماشین-های بردار پشتیبانی (SVM)، بطور گسترده در پیش بینی سری های زمانی مالی استفاده شده اند و عملکرد بهتری از مدل های خطی سنتی مانند مدل میانگین متحرک جمع بسته اتورگرسیو (ARIME) داشته اند [1-3]. ترکیب الگوریتم غیرخطی و الگوریتم خطی نیز عملکرد خوبی را پیش بینی سری های زمانی مالی نشان دادند [21،22]. عملکرد ساختارهای ANN مختلف در سری های زمانی مالی در [9] مقایسه شد.

روش بهینه سازی و برنامه نویسی غیرخطی

برنامه نویسی غیرخطی محدوده وسیعی از کاربردها در زندگی واقعی دارد. نقطه داخلی و برنامه نویسی درجه دوم دنباله ای دو الگوریتم بهینه سازی موثر برای حل مسائل برنامه نویسی غیرخطی می باشند [37-39]. [40] مساله زمان بندی تک ماشین را توسط بیشینه سازی پاداش در سیستم های پاداش محور حل کرد. [41] یک مدل نگهداری انتخابی با کیفیت نگهداری تصادفی را برای یافتن اقدامات نگهداری با هزینه مطلوب بررسی کرد. [42] یک مدل چندمحصولی و چندخریدار شامل هزینه های کل خریدار و هزینه های کل فروشنده تحت سیاست های جریمه، فضای سبز و کنترل کیفیت و یک انبار موجودی مدیریت شده توسط فروشنده با توافقات سهام انحصاری را ارائه کرد. مساله برنامه نویسی غیرخطی عدد صحیح مختلط بوسیله یک تقریب خارجی با الگوریتم جریمه تقویت شده و آرام سازی برابری بهینه می شود. [43] بازگشت و ریسک سبد را براساس نظریه اعتبار اندازه گیری کرده و دسته ای از مسائل تطبیقی سبد را برای یک سبد موجود بحث می کند. [44] یک مساله سبد توازن ریسک کلی را ارائه کرد که محدب است و می¬تواند به یک مساله برنامه نویسی درجه دوم (QP) در برخی موارد کاهش پیدا کند.

ترجمه مقاله روش جدیدی از یکپارچگی نمایش خطی تکه ای و ماشین بردار پشتیبانی وزنی

نماد اعتماد الکترونیکی

لوگوی رسانه‌های برخط

ترجمه مقاله روش جدیدی از یکپارچگی نمایش خطی تکه ای و ماشین بردار پشتیبانی وزنی

ترجمه مقاله خوشه بندی K میانگین داده های بزرگ بهینه شده با استفاده از MapReduce

ترجمه مقاله کاهش نوسانات ولتاژ با استفاده از DSTATCOM ها و توان راکتیو اینورترهای PV

ترجمه مقاله مقایسه پاسخ های برشی مستقیم و برشی ساده ضایعات (زباله) جامد شهری در آمریکا

ترجمه مقاله برآورد پارامترهای مدل ون-گنوختن برای منحنی نگهداری آب خاک توسط الگوریتم های هوشمند

ترجمه مقاله یک روش MCDM فازی تصادفی یکپارچه برای ارزیابی سرویس مبتنی بر کارت امتیازی متوازن

نماد اعتماد الکترونیکی

لوگوی رسانه‌های برخط