論文の概要: Evaluation of feature selection performance for identification of best
effective technical indicators on stock market price prediction
- arxiv url: http://arxiv.org/abs/2310.09903v3
- Date: Wed, 18 Oct 2023 04:21:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 12:51:06.599641
- Title: Evaluation of feature selection performance for identification of best
effective technical indicators on stock market price prediction
- Title（参考訳）: 株価予測における最適技術指標の同定のための特徴選択性能の評価
- Authors: Fatemeh Moodi, Amir Jahangard-Rafsanjani
- Abstract要約: 本研究の目的は, 市場価格を最小限の誤差で予測するために, 特徴選択による最高の株式市場指標の組み合わせを特定することである。
この論文では,Apple の過去13年間に 10 個の推定器と 123 個の技術的指標を備えた SFS と SBS について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Due to the influence of many factors, including technical indicators on stock
market prediction, feature selection is important to choose the best
indicators. One of the feature selection methods that consider the performance
of models during feature selection is the wrapper feature selection method. The
aim of this research is to identify a combination of the best stock market
indicators through feature selection to predict the stock market price with the
least error. In order to evaluate the impact of wrapper feature selection
techniques on stock market prediction, in this paper SFS and SBS with 10
estimators and 123 technical indicators have been examined on the last 13 years
of Apple Company. Also, by the proposed method, the data created by the 3-day
time window were converted to the appropriate input for regression methods.
Based on the results observed: (1) Each wrapper feature selection method has
different results with different machine learning methods, and each method is
more correlated with a specific set of technical indicators of the stock
market. (2) Ridge and LR estimates alone, and with two methods of the wrapper
feature selection, namely SFS and SBS; They had the best results with all
assessment criteria for market forecast. (3)The Ridge and LR method with all
the R2, MSE, RMSE, MAE and MAPE have the best stock market prediction results.
Also, the MLP Regression Method, along with the Sequential Forwards Selection
and the MSE, had the best performance. SVR regression, along with the SFS and
the MSE, has improved greatly compared to the SVR regression with all
indicators. (4) It was also observed that different features are selected by
different ML methods with different evaluation parameters. (5) Most ML methods
have used the Squeeze_pro, Percentage Price Oscillator, Thermo, Decay, Archer
On-Balance Volume, Bollinger Bands, Squeeze and Ichimoku indicator.
- Abstract（参考訳）: 技術指標を含む多くの要因が株式市場の予測に与える影響から、最適な指標を選択することが特徴選択である。
特徴選択時のモデルの性能を考慮した特徴選択手法の1つは,ラッパー特徴選択法である。
本研究の目的は, 市場価格を最小限の誤差で予測するために, 特徴選択による最高の株式市場指標の組み合わせを特定することである。
株式市場予測におけるラッパーの特徴選択技術の影響を評価するため,Apple社の過去13年間で,10の推定値と123の技術的指標を持つSFSとSBSについて検討した。
また,提案手法により,3日間の時間ウィンドウで作成したデータを回帰法に適した入力に変換した。
1) 各ラッパー特徴選択法は, 異なる機械学習手法で異なる結果が得られ, それぞれの手法は, 株式市場の特定の技術指標とより相関する。
2)リッジとlrの見積もりだけで,ラッパー特徴の選択方法がsfsとsbsの2つで,市場予測のすべての評価基準で最高の結果を得た。
(3) R2, MSE, RMSE, MAE, MAPE のすべてのR2, MSE, MAPEを併用したリッジ・アンド・LR法は, 市場予測に最適である。
また、MLP回帰法はシークエンシャル・フォワード・セレクション(Sequential Forwards Selection)やMSE(MSE)と共に最高のパフォーマンスを示した。
SVRレグレッションは、SFSとMSEとともに、すべての指標でSVRレグレッションよりも大幅に改善されている。
(4) 異なる評価パラメータを持つ異なるML法により異なる特徴が選択されることが観察された。
(5)ほとんどのML手法では、Squeeze_pro, Percentage Price Oscillator, Thermo, Decay, Archer On-Balance Volume, Bollinger Bands, Squeeze,ichimokuが使用されている。
関連論文リスト
- Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。
8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
論文 参考訳（メタデータ） (2024-06-02T06:39:01Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - Using a Deep Learning Model to Simulate Human Stock Trader's Methods of Chart Analysis [0.276240219662896]
提案手法は、過去600日間の株価に注目し、次のD日で株価が10%上昇するか、20%下落するかを予測する。
提案手法を用いて、シャープ比1.57の75.36%を返却し、それぞれ36%、0.61を上回った。
米国市場ではシャープ比0.61で27.17%のリターンを与え、NASDAQ、S&P500、DOW JONESの指数をそれぞれ17.69%、0.27で上回っている。
論文 参考訳（メタデータ） (2023-04-28T14:27:18Z) - Performance Evaluation of Regression Models in Predicting the Cost of
Medical Insurance [0.0]
機械学習における3つの回帰モデル、すなわち線形回帰、グラディエントブースティング、サポートベクトルマシンが使用された。
性能はRMSE(Root Mean Square)、r2(R Square)、K-Fold Cross-validation(K-Fold Cross-validation)を用いて評価される。
論文 参考訳（メタデータ） (2023-04-25T06:33:49Z) - Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。
実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
論文 参考訳（メタデータ） (2023-03-03T21:33:38Z) - Doubly Robust Distributionally Robust Off-Policy Evaluation and Learning [59.02006924867438]
オフ政治評価と学習(OPE/L)は、オフラインの観察データを使用してより良い意思決定を行う。
近年の研究では、分散ロバストなOPE/L (DROPE/L) が提案されているが、この提案は逆正則重み付けに依存している。
KL分散不確実性集合を用いたDROPE/Lの最初のDRアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-19T20:00:44Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳（メタデータ） (2021-05-07T03:33:00Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳（メタデータ） (2021-03-23T17:48:56Z) - Feature Learning for Stock Price Prediction Shows a Significant Role of
Analyst Rating [0.38073142980733]
5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。
いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。
予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
論文 参考訳（メタデータ） (2021-03-13T03:56:29Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。