کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6854974 | 1437601 | 2018 | 26 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A hybrid supervised semi-supervised graph-based model to predict one-day ahead movement of global stock markets and commodity prices
ترجمه فارسی عنوان
یک هیبرید تحت نظارت مدل نیمه نظارت مبتنی بر گراف به منظور پیش بینی حرکت یک روزه بازار سهام جهانی و قیمت کالاها پیش بینی شده است
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
پیش بینی بازارهای مالی، مدل یادگیری ماشین ترکیبی، الگوریتم های گراف، یادگیری نیمه نظارتی،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Market prediction has been an important machine learning research topic in recent decades. A neglected issue in prediction is having a model that can simultaneously pay attention to the interaction of global markets along historical data of the target markets being predicted. As a solution, we present a hybrid supervised semi-supervised model called HyS3 for direction of movement prediction. The graph-based semi-supervised part of HyS3 models the markets global interactions through a network designed with a novel continuous Kruskal-based graph construction algorithm called ConKruG. The supervised part of the model injects results extracted from each market's historical data to the network whenever the hybrid model allows with an innovative conditional mechanism. The significance of higher prediction accuracy of HyS3 is comparing to other models is proved statistically against other models including supervised models and network-based semi-supervised predictions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 105, 1 September 2018, Pages 159-173
Journal: Expert Systems with Applications - Volume 105, 1 September 2018, Pages 159-173
نویسندگان
Arash Negahdari Kia, Saman Haratizadeh, Saeed Bagheri Shouraki,