Svm Aktienoptionen

Ein hybrider Aktienhandel Rahmen integriert technische Analyse mit maschinellen Lernmethoden Rajashree Dash a. . 1., Pradipta Kishore Dash b. 2 a Informatik amp Ingenieurwesen, ITER, Siksha lsquoOrsquo Anusandhan Universität, Bhubaneswar, Odisha, 751030, Indien b Siksha lsquoOrsquo Anusandhan Universität, Bhubaneswar, Odisha, 751030, Indien Empfangen am 30. Dezember 2015, überarbeitet am 3. März 2016, angenommen am 8. März 2016 , Online verfügbar 22. März 2016In diesem Papier wird ein neuartiges Entscheidungsunterstützungssystem vorgeschlagen, das ein künstliches neuronales Netzwerk (CEFLANN) eines rechnerisch effizienten funktionalen Links und eine Reihe von Regeln verwendet, um die Handelsentscheidungen effektiver zu gestalten. Hier wird das Problem der Aktienhandel-Entscheidungsvorhersage als Klassifizierungsproblem mit drei Klassenwerten, die die Kauf-, Halte - und Verkaufs-Signale darstellen, artikuliert. Das in dem Entscheidungsunterstützungssystem verwendete CEFLANN-Netzwerk erzeugt einen Satz von kontinuierlichen Handelssignalen innerhalb des Bereichs 0ndash1 durch Analyse der nichtlinearen Beziehung zwischen wenigen populären technischen Indikatoren. Ferner werden die Ausgangshändlersignale verwendet, um den Trend zu verfolgen und die Handelsentscheidung basierend auf diesem Trend unter Verwendung einiger Handelsregeln zu erzeugen. Die Neuheit des Ansatzes ist es, die profitablen Aktienhandel Entscheidungspunkte durch die Integration der Lernfähigkeit des CEFLANN neuronalen Netzes mit den Regeln der technischen Analyse zu erzeugen. Für die Bewertung der potenziellen Nutzung der vorgeschlagenen Methode wird die Modellleistung auch mit einigen anderen maschinellen Lernmethoden wie dem Support Vector Machine (SVM), dem Naive Bayesian Modell, dem K Nearest Nachbar Modell (KNN) und dem Decision Tree (DT) Modell verglichen. Aktienhandel Aktien-Trendanalyse Technische Indikatoren CEFLANN 1. Einleitung Mit dem Zeitalter der ökonomischen Globalisierung und der Einrichtung der digitalen Technologie haben Generation und Akkumulation von Finanzdaten in noch nie dagewesenem Maße erreicht. Das schnell wachsende Datenvolumen hat die Fähigkeit eines Menschen, diese manuell zu analysieren, weit übertroffen. Auch die finanziellen Zeitreihen sind aufgrund der langfristigen Trends, der zyklischen Schwankungen, der saisonalen Schwankungen und der irregulären Bewegungen komplizierter als andere statistische Daten. Diese sind stark von vielen externen Faktoren, wie viele sehr miteinander verknüpften wirtschaftlichen, politischen, sozialen und auch wenn das psychologische Verhalten des Investors betroffen. Das kontinuierliche Wachstum derart stark fluktuierender und unregelmäßiger Daten hat die kritische Notwendigkeit für die Entwicklung von mehr automatisierten Ansätzen für eine effiziente Analyse solcher massiven Finanzdaten zur Extraktion von aussagekräftigen Statistiken daraus hervorgehoben. Als ein Prozess der Erforschung nützlichen versteckten Wissens, Data Mining hat seine eigene Nische in der finanziellen Zeitreihe Analyse geschnitzt. Es bietet Wege für Investoren, proaktive und wissensbasierte Entscheidungen zu treffen, um einen erfolgreichen Gewinn mit geringerem Investitionsrisiko zu erzielen. Gewinnen von hohem Gewinn ist das Endziel eines Investors, der am Finanzmarkt teilnimmt. Es gibt so viele Anlagemöglichkeiten wie Handel (d. H. Kauf und Verkauf) von Anleihen, Aktien, Devisen und Edelmetallen etc., die auf einem Finanzmarkt vorhanden sind. Handel am Aktienmarkt ist einer der beliebtesten Kanäle der Finanzinvestitionen. Investoren an der Börse können ihren Gewinn durch den Kauf oder Verkauf ihrer Investition zur richtigen Zeit zu maximieren. Der Schlüssel zur Realisierung hoher Gewinne im Aktienhandel ist es, die geeignete Handelszeit mit dem minimalen Handelsrisiko herauszufinden. Aber es ist immer schwer zu entscheiden, die beste Zeit zu kaufen oder zu verkaufen aufgrund der stark schwankenden und dynamischen Verhalten der Börse. Technische Indikatoren sind das primäre Interesse für die meisten Forscher, die Aktienkurse zu überwachen und Investoren bei der Einrichtung von Handelsregeln für buyndashsellndashhold Entscheidungen zu unterstützen. Technische Indikatoren werden auf Basis historischer Bestandsdaten erstellt. So Handel Entscheidung auf der Grundlage von bestimmten technischen Indikatoren kann nicht immer mehr rentabel. In der Literatur wurden verschiedene Data Mining und Tools für künstliche Intelligenz angewendet, um technische Indikatoren zu analysieren, um die besten Handelssignale zu finden. 1. 2. 3 xA0andxA04 Gewinne oder Verluste aus dem Aktienhandel hängen letztlich von der Analyse der künftigen Bewegung von stark schwankenden und unregelmäßigen Aktienkurswerten ab. Eine erfolgreiche Klassifizierung von Auf - und Abbewegungen der Aktienkursindexwerte kann nicht nur für die Investoren hilfreich sein, um effektive Handelsstrategien zu entwickeln, sondern auch für die Überwachung des Aktienmarktes. Die Verfolgung von Aufschwüngen und Abschwüngen über die Geschichte einzelner Aktien wird die Unsicherheit im Zusammenhang mit Investitionsentscheidungen reduzieren. Investoren können die besten Zeiten zum Kauf und Verkauf der Aktie durch richtige Analyse der Aktien-Trends zu wählen. In der Literatur gibt es eine Reihe von Modellen, die technische Analysen mit computergesteuerten intelligenten Techniken kombinieren, um die Kursbewegungen der Aktienkurse zu prognostizieren 5. 6 xA0undxA07 Patra, Thanh, amp Meher, 2009). In dieser Studie wird das Problem der Aktienhandel-Entscheidungsvorhersage als Klassifizierungsproblem mit drei Klassenwerten, die die Kauf-, Halte - und Verkaufs-Signale darstellen, artikuliert. Das wichtigste Ziel dieser Studie ist die Entwicklung eines neuartigen Entscheidungsunterstützungssystems unter Verwendung eines rechnerisch effizienten funktionellen Link künstlichen neuronalen Netzes (CEFLANN) und einer Reihe von Regeln auf der Grundlage der technischen Analyse, um die Handelsentscheidungen effektiver zu generieren. Anstatt das CEFLANN-Netzwerk mit dem traditionellen Back-Propagation-Algorithmus zu trainieren, wird das ELM-Lernen für das Netzwerk vorgeschlagen. Als Eingangsmerkmale für das vorgeschlagene Modell werden sechs beliebte technische Indikatoren verwendet, die aus den historischen Aktienindexpreiswerten berechnet werden. Das CEFLANN-Netzwerk wird angewendet, um die nichtlineare Beziehung zwischen den technischen Indikatoren und Handelssignalen zu erfassen. Anstatt diskrete Klassenwerte während des Trainings des Netzwerks zu verwenden, wird ein kontinuierliches Handelssignal im Bereich 0ndash1 dem Netzwerk zugeführt. Die neuen Handelssignale im Bereich 0ndash1 können detaillierte Informationen über den Aktienhandel zu den ursprünglichen Kursschwankungen liefern. Darüber hinaus werden die Outputs aus dem CEFLANN-Modell in eine einfache Handelsstrategie mit Kauf-, Halte - und Verkaufssignalen nach geeigneten Regeln transformiert. Die Modellleistung wird anhand des in der Testperiode ermittelten Gewinnprozentsatzes bewertet. Das CEFLANN-Modell wird auch mit einigen anderen bekannten maschinellen Lernmethoden wie der Unterstützungsvektormaschine (SVM), 5 verglichen. 6. 8 xA0undxA09 Naive Bayesisches Modell, K Nachbarmodell (KNN) 2 xA0andxA09 und Entscheidungsbaum (DT) 10 Modell. Der Rest des Papiers ist in den folgenden Abschnitten organisiert. In Abschnitt 2 werden die relevanten Bewertungen zu verschiedenen maschinellen Lerntechniken des Aktienhandels dargestellt. Abschnitt 3 enthält die Details des CEFLANN-Netzes, gefolgt von den Einzelheiten des ELM Learning in Abschnitt 4. Abschnitt 5 beschreibt die detaillierten Schritte des Entscheidungsunterstützungssystems für die Erzeugung von Aktienhandelsentscheidungspunkten. Abschnitt 6 zeigt die experimentellen Ergebnisse der Vergleichsanalyse. Schließlich enthält Abschnitt 7 die abschließenden Bemerkungen. 2. Literaturerhebung Obwohl die meisten der finanziellen Zeitreihenanalyse Vorhersage des Aktienkurses oder der Fluktuation beinhalten, ist der Börsenhandel ein weiterer populärer Forschungsbereich. Gewinne oder Verluste aus dem Aktienhandel hängen letztlich von der Analyse der künftigen Bewegung von stark schwankenden und unregelmäßigen Aktienkurswerten ab. In der Literatur steht eine Reihe von Modellen zur Verfügung, die technische Analysen mit computergesteuerten intelligenten Techniken kombinieren, um die Kursbewegungen von Aktienkursen und den Aktienhandel vorhersagen zu können. In Fig. 11 wird ein neues Handelsumfeld eingeführt, das die Leistungsfähigkeit von verstärkungsbasierten Handelssystemen steigert, um Kauf - und Verkaufsvorschläge für Anleger in ihren täglichen Aktienhandel zu machen, um so ihren Gewinn am dynamischen Aktienmarkt zu maximieren. In Fig. 12 wird ein neues Modell unter Verwendung von Piecewise Linear Representations (PLR) und Künstliche Neuronale Netze (ANNs) vorgeschlagen, um die nichtlinearen Beziehungen zwischen dem geschlossenen Aktienkurs und verschiedenen technischen Indizes zu analysieren und das Wissen über Handelssignale, die in historischen Daten versteckt sind, zu erfassen. Das gelernte ANN-Modell wird verwendet, um die zukünftigen Handelssignale auf einer täglichen Basis vorherzusagen. Zweitens wird eine Handelsentscheidung durch die Entwicklung eines dynamischen Schwellenentscheidungssystems ausgelöst. Ein weiteres Prognosemodell, das das fallbasierte dynamische Fenster (CBDW) und das neuronale Netzwerk integriert, wird von 13 angewandt, um die richtigen Wendepunkte im Aktienhandel vorherzusagen, um so den Investitionsertrag zu maximieren. In Fig. 2 wird ein Verfahren vorgeschlagen, das gemeinsam den bekannten k-NN-Klassierer und einige gemeinsame technische Analysewerkzeuge wie technische Indikatoren, Stopverluste, Stoppverstärkung und RSI-Filter verwendet, um die Machbarkeit eines intelligenten Handelssystems im realen Markt zu untersuchen Bedingungen, unter Berücksichtigung realer Unternehmen der Satildeo Paulo Stock Exchange und Transaktionskosten. Ein effektives Handelssignal-Erfassungssystem unter Verwendung von Piecewise Linear Representations (PLR) und Künstliche Neuronale Netze (ANNs) wird in 14 vorgeschlagen, um das Wissen der Handelssignale, die in historischen Preisen verborgen sind, zu erfassen, indem die nichtlinearen Beziehungen zwischen dem geschlossenen Aktienkurs und verschiedenen technischen Indizes analysiert werden. Die Handelsentscheidung im Modell wird weiter durch eine dynamische Schwellengrenze ausgelöst, die dazu beiträgt, während des Handels einen signifikanten Gewinn zu erzielen. In Fig. 3 ein Handelssystem, das auf fundamentaler oder chartistischer Analyse basiert, soll die Anlagetechniken verbessern. Der Grundgedanke des Systems ist es, Handelspunkte auf der Grundlage eines finanziellen Indikators zu erzeugen, nämlich eines relativen Stärkeindex, der durch ein vorwärtsgerichtetes neuronales Netzwerk weiter berechnet wird. Ein anderes intelligentes Handelssystem, das die technische Analyse, den künstlichen Bienenkoloniealgorithmus (ABC), eine Auswahl von vergangenen Werten, die nächste Nachbar-Klassifikation (k-NN) und ihre Variation, die Adaptive Classification und Nearest Neighbor, erörtert, wird diskutiert Fuzzy-Zeitreihenmodell auf der Grundlage eines Entropie-basierten Partitionierungs - und Adaptiv-Erwartungsmodells hat seine Überlegenheit gegenüber anderen konventionellen Fuzzy-Zeitreihenmodellen bei der Erzeugung von Entscheidungsregeln als Investitionsreferenzen für Aktieninvestoren gezeigt. SVM wird meistens für binäre Klassifikationen verwendet. Aber ein Zweig der SVM, SVM Regression oder SVR, ist in der Lage, eine kontinuierliche Funktion auf Daten passen. Dies ist besonders nützlich, wenn die vorhergesagte Variable kontinuierlich ist. Hier habe ich versucht, einige sehr einfache Fälle mit libsvm matlab Paket: 1. Feature 1D, verwenden Sie die 1. Hälfte zu trainieren, 2. Hälfte zu testen. Die Armatur ist ziemlich gut. 2. Noch 1D, aber anscheinend sind die Daten nichtlinear. Also benutze ich nichtlineare SVR (radiale Basis). Die Montage ist gut. 3. Was ist, wenn wir eine Menge Dimensionen haben Hier habe ich versucht Merkmalsraum mit bis zu 100 Dimensionen und berechnet die Korrelation zwischen vorhergesagten Werten und den tatsächlichen Werten. Für lineare SVR (blau), die Anzahl der Dimension doesn8217t beeinflussen die Korrelation viel. (Rot: nichtlinear, blau: linear, gleiche Daten für beide Fälle) Fluch der Dimension Eine Eigenschaft der SVR I wie ist, dass, wenn zwei Merkmale ähnlich sind (d. H. Hoch korreliert), ihre Gewichte ähnlich sind. Dies steht im Gegensatz zu 8220winner all8221 Eigenschaft des allgemeinen linearen Modells (GLM). Diese Eigenschaft ist in der bildgebenden Analyse des Gehirns erwünscht: Nachbarvoxel haben hoch korrelierte Signale und möchten, dass sie ähnliche Gewichte haben. Über Performance: Wenn verschiedene Features unterschiedliche Skalen haben, dann wird die Normalisierung der Daten die Geschwindigkeit von libsvm verbessern. Auch der Kostenparameter c wirkt sich auch auf die Geschwindigkeit aus. Je größer c ist, desto langsamer ist libsvm. Für die simulierten Daten, die ich verwendete, beeinflussen die Parameter don8217t die Genauigkeit. Die Normalisierungsfunktion (kopieren und speichern Sie sie in normalize. m): Stork versuchen, ein Forschungs-Tool entwickelten wir Stork ist eine Publikation Alert-App entwickelt von uns bei Stanford. Als Forscher vergessen wir oft, wichtige Publikationen zu verfolgen - und es ist praktisch unmöglich, viele Schlüsselwörter oder Forscher Namen Alltag zu suchen. Stork kann uns helfen, täglich zu suchen und benachrichtigt uns, wenn es neue Publikationengranten gibt. Wie Storch mir geholfen hat Über den Autor: Xu Cui ist ein menschlicher Gehirnforscher in der Stanford University. Er lebt in der Bay Area in den Vereinigten Staaten. Er ist auch der Gründer von Stork (Smart Publishing Alert App), PaperBox und BizGenius. Er wurde in der Provinz Henan in China geboren. Er erhielt eine Ausbildung an der Peking Universität (BS), der Universität Tennessee (Knoxville) (MS), dem Baylor College of Medicine (PhD) und der Stanford University (PostDoc). Weiterlesen. Hallo, Eine weitere Frage, wenn I8217m mit svmtrain, bekomme ich diese Fehlermeldung: 8220Group muss Vector.8221 Meine Eingabedaten ist kein Vektor. Ich habe 4 Spalte für Eingangsdaten. Und ein anderes Problem ist, dass wenn ich eine Vektordaten für die Eingabe in einem anderen Job verwenden möchte ich diese Fehlermeldung: 8220. Fehler mit gt sprintf Funktion ist nicht für spärliche Eingaben definiert. Fehler bei gt num2str bei 129 t sprintf (f, x (i, :)) Fehler bei gt grp2idxgtuniquep bei 85 b cellstr (strjust (num2str (b), 8216left8217)) Fehler bei gt grp2idx bei 23 gn, i, g uniquep S) bunique gruppennamen Fehler in gt svmtrain bei 128 g, groupString grp2idx (Gruppennamen) Fehler in gt libsvmTest bei 19 Modell svmtrain (Xtest, Xtrain, Optionen) 8221 I8217m freuen sich darauf, von Ihnen zu hören. Vielen Dank für Ihre Zeit, 24. Mai 2012 um 02:53 43 Hallo, warum didn8217t Sie normalisieren 8220y8221 24. Mai 2012 um 17:20 Uhr 44 Hamed Gute Frage. Ich wirklich don8217t wissen, warum Menschen in der Regel don8217t normalisieren y. Wenn Sie herausfinden, der Grund lass es mich wissen. Ich möchte wissen, wie man libsvm in Matlab installieren. Bitte geben Sie die Schritt für Schritt Verfahren, wie ich Anfänger bin. Ich habe getestet Ihr SVM-Paket für die Regression, mit Matlab 7.10 (R2010a) zuerst gibt es eine Fehlermeldung über normalisieren, habe ich gelöscht x normalisieren (x) und ersetzt x mapstd (x ), Allerdings gibt es immer eine Fehlermeldung. Undefinierte Funktion oder Methode 8217svmtrain8217 für Eingabeargumente des Typs 8216double8217 warum. Ist es möglich, ein Beispiel geben, um es zu folgen, für Regression Inputoutput Zweck natürlich danke 25. Juni 2012 um 10:45 Uhr Tar Tar, fügten Sie libsvm in Matlab Pfad Hi, I Haben einen Pfad in Matlab, wie: addpath (8217c: matlablibsvm8217), aber es gibt immer Fehlermeldung rror in gt testsvr bei 26 ticmodel svmtrain (y (1: N2), x (1: N2,:), - s 4 - T 2 - n num2str (ii2) - c num2str (1)), warum. Ich bin neu auf die Unterstützung Vektor-Regression und mit SVR für die Vorhersage der sales8230can Sie mir den Algorithmus der SVR in libsvm8230. 1. August 2012 um 05:34 50 Hallo, ich möchte libsvm auf Windows verwenden. Ich habe es von der Website heruntergeladen, extrahiert. Jetzt, was als nächstes tun Ich bin nicht immer können Sie erforschen es Schritt für Schritt. Obwohl es einfache Frage, aber ich bin neu auf diese. Hallo, in svm Regression, wenn wir Formel beweisen wollen, haben wir alfa und alfa-, in libsvm, wo kann ich den Wert dieser alfa finden 5. Oktober 2012 um 15:22 52 Your Libsvm Tutorial ist sehr nützlich, Vielen Dank für die gleiche. Ich benutze Matlab. Ich habe 4 Spalten Ampere 55 Zeilen Daten (reelle Zahlen), wie die Skalierung für diese Daten amp, wie Sie die Daten in libsvm Format amp speichern im libsvm-Format konvertieren, können wir auch die test. txt-Datei in kommagetrennte oder tabulatorgetrennte Datei. Bitte lassen Sie mich wissen, Ihre Anregung, um die folgenden Skalierung Coverting auf libsvm Datenformat. how zu normalisieren oder skalieren die Daten auf-1,1 in Matlab. Ich bin mit RBF-Kernel die Genauigkeit ist sehr niedrig, habe ich Matlab verwendet. Wir freuen uns auf Ihre Antwort 5. Oktober 2012 um 15:32 Uhr 53 Syeda Ich habe diesen Beitrag aktualisiert und hinzugefügt normalisieren Funktion gibt. Hallo Ich möchte Ihren Code verwenden, um Schätzung Ausgang zu finden, wenn Trainingssatz besteht aus (x, y) x ist die Eingabe und y ist die Ausgabe und das Testset besteht aus (x8217, y8217) . Bei x8217 müssen wir y8217 schätzen. Bitte helfen Sie mir. 5. November 2012 um 11:03 Uhr 55 Navneet Fühlen Sie sich frei, den Code zu verwenden. Ich habe Daten wie unten: GENDER Nationalität Grade Alter (Tage) Service (Tage) F Niederländisch CC.02 10679 789 F Südafrikanische CC.03 9313 1263 M Brasilianische FD.06 17150 1443 F Chinesisch CC.02 8190 152 M Trinidadian CC.02 9196 722 F Filipino CC.03 10418 2010 F Filipino CC.03 9628 1082 F Französisch CC.04 10556 1950 12. November 2012 um 22:07 57 Ich habe die Daten wie folgt: mit Service Als Ausgangsvektor, Gesamtprobengröße 4500 GENDER Nationalität Grade Alter (Tage) Servicedays) F Niederländisch CC.02 10679 789 F Südafrikanisch CC.03 9313 1263 M Brasilianisch FD.06 17150 1443 F Chinesisch CC.02 8190 152 M Trinidadian CC .02 9196 722 F Filipino CC.03 10418 2010 F Filipino CC.03 9628 1082 F Französisch CC.04 10556 1950 Als ein neues Wesen bei SVM, bitte helfen Sie mir in 8211Vorbereitung der Daten, da der Eingabevektor nicht im numerischen Format 8211Skalierung von Daten ist 8211choosing C, gamma 8211predicting ist der oben verwendete Code kann für die Lösung verwendet werden. Für kategoriale Daten können Sie sie in numerische Werte umwandeln. Beispielsweise kann ein Drei-Kategorie-Attribut wie (0,0,1), (0,1,0) und (1,0,0) dargestellt werden. Maßstab: linear Skala auf Bereich -1 bis 1 oder 0 bis 1 Sie können den Code über Mehr Info: csie. ntu. edu. tw Xu Cui Dank Xu Chi, In Meine Daten, Wenn ich 100 Nationalitäten habe dann muss ich in 100 Kategorie Kategorie-Attribut darstellen