Fugu-MT 論文翻訳(概要): Feature selection and regression methods for stock price prediction using technical indicators

論文の概要: Feature selection and regression methods for stock price prediction using technical indicators

arxiv url: http://arxiv.org/abs/2310.09903v4
Date: Mon, 6 Nov 2023 15:50:48 GMT
ステータス: 処理完了
システム内更新日: 2023-11-07 20:10:45.472591
Title: Feature selection and regression methods for stock price prediction using technical indicators
Title（参考訳）: 技術指標を用いた株価予測のための特徴選択と回帰手法
Authors: Fatemeh Moodi, Amir Jahangard-Rafsanjani, Sajad Zarifzadeh
Abstract要約: 本研究は, 株価の急落を解消するために, 技術指標と機能選択, 回帰手法を用いている。提案指標の適切な組み合わせと回帰法を用いることで, 閉値予測の精度が向上した。
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 price prediction, feature selection is important to choose the best indicators. This study uses technical indicators and features selection and regression methods to solve the problem of closing the stock market price. The aim of this research is to predict the stock market price with the least error. By the proposed method, the data created by the 3-day time window were converted to the appropriate input for regression methods. In this paper, 10 regressor and 123 technical indicators have been examined on data of the last 13 years of Apple Company. The results have been investigated by 5 error-based evaluation criteria. Based on results of the proposed method, MLPSF has 56/47% better performance than MLP. Also, SVRSF has 67/42% improved compared to SVR. LRSF was 76.7 % improved compared to LR. The RISF method also improved 72.82 % of Ridge regression. The DTRSB method had 24.23 % improvement over DTR. KNNSB had 15.52 % improvement over KNN regression. RFSB had a 6 % improvement over RF. GBRSF also improved at 7% over GBR. Finally, ADASF and ADASB also had a 4% improvement over the ADA regression. Also, Ridge and LinearRegression had the best results for stock price prediction. Based on results, the best indicators to predict stock price are: the Squeeze_pro, Percentage Price Oscillator, Thermo, Decay, Archer On-Balance Volume, Bollinger Bands, Squeeze and Ichimoku indicator. According to the results, the use of suitable combination of suggested indicators along with regression methods has resulted in high accuracy in predicting the closing price.
Abstract（参考訳）: 技術的指標を含む多くの要因が株価予測に与える影響から、最良の指標を選ぶためには特徴の選択が重要である。本研究は, 株価の急落を解消するために, 技術指標と機能選択, 回帰手法を用いている。本研究の目的は、最小限の誤差で株式市場価格を予測することである。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する。本稿では,apple社の過去13年間のデータから,レグレッシャ10台と技術指標123台について検討した。その結果,5つの誤差に基づく評価基準が得られた。提案手法の結果から, MLPSF は MLP よりも56/47% 高い性能を示した。また、SVRSFはSVRに比べて67/42%改善されている。 LRSFは、LRに比べて76.7%改善した。 RISF法はリッジ回帰の72.82%も改善した。 DTRSB法はDTRよりも24.23%改善した。 KNNSBはKNN回帰よりも15.52%改善した。 RFSBはRFよりも6%改善した。 GBRSFはGBRよりも7%向上した。最後に、ADASFとADASBもADA回帰よりも4%改善した。またリッジとリニアレグレスは株価予測の最良の結果を得た。その結果、株価予測に最適な指標は、シュイーズ_pro、パーセンテージ価格発振器、サーモ、減衰、アーチャーオンバランスボリューム、ボルリンガーバンド、シュイーズ、一目指標である。その結果,提案指標と回帰法を組み合わせた適切な組み合わせを用いることで,閉口価格の予測精度が向上した。

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。