کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6856559 | 1437964 | 2018 | 40 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A new procedure in stock market forecasting based on fuzzy random auto-regression time series model
ترجمه فارسی عنوان
یک روش جدید در پیش بینی بازار سهام بر اساس مدل سری زمانی خودکار رگرسیون فازی تصادفی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
روش کم گسترش چپ و راست، متغیر تصادفی فازی، مدل خودکار رگرسیون، بازار سهام،
ترجمه چکیده
مدل های مختلف مورد استفاده در پیش بینی های بازار سهام ارائه شده بر اساس آماده سازی داده ها، روش پیش بینی، ارزیابی عملکرد و اندازه گیری عملکرد طبقه بندی شده اند. با این حال، این مدل ها در آماده سازی داده ها برای غلبه بر تصادف، و همچنین عدم قطعیت و عدم قطعیت مسائل مربوط به قیمت سهام در دستیابی به دقت پیش بینی های بالا، مورد بحث و بررسی قرار نگرفته است. بنابراین، تمرکز این مقاله روش آماده سازی داده ها از تعداد فازی مثلثی است برای ساخت یک مدل خودکار رگرسیون تصادفی تصادفی فازی با استفاده از داده های سهام غیر سهامی برای اهداف پیش بینی. مدل پیش بینی پیشرفته، دو نوع ورودی را در نظر می گیرد که اطلاعاتی با مقادیر کم و یکپارچه قیمت های بازار سهام دارند. با وجود اینکه داده های کم باال متغیر بودن و نوسانات در طبیعت را در بر می گیرند، داده های تک باید در جهت تقارن چپ و راست به منظور ارائه تغییر و خطای استاندارد قرار بگیرند. سپس، انتظارات و واریانس، فاصله اطمینان داده های تصادفی فازی برای داده های ورودی-خروجی فازی ساخته می شود. با استفاده از داده های ورودی-خروجی و رویکرد ساده، پارامترهای مدل را می توان برآورد کرد. در این مطالعه، تعدادی از داده های واقعی برای نشان دادن هر دو نوع ورودی ها استفاده شده است که عبارتند از بورس اوراق بهادار کوالالامپور و ثبت نام دانشگاه آلاباما. این مطالعه نشان داد که متغیر بودن و گسترش سازگاری عوامل مهمی در آماده سازی داده ها برای بهبود دقت مدل خودکار رگرسیون تصادفی فازی می باشد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Various models used in stock market forecasting presented have been classified according to the data preparation, forecasting methodology, performance evaluation, and performance measure. However, these models have not sufficiently discussed in data preparation to overcome randomness, as well as uncertainty and volatility of stock prices issues in achieving high forecasting accuracy. Therefore, the focus of this paper is the data preparation procedure of triangular fuzzy number to build an improved fuzzy random auto-regression model using non-stationary stock market data for forecasting purposes. The improved forecasting model considers two types of input, which are data with low-high and single point values of stock market prices. Even though, low-high data present variability and volatility in nature, the single data has to be form in symmetry left-right spread to present variability and standard error. Then, expectations and variances, confidence-intervals of fuzzy random data are constructed for fuzzy input-output data. By using the input-output data and simplex approach, parameters of the model can be estimated. In this study, some real data sets were used to represent both types of inputs, which are the Kuala Lumpur stock exchange and Alabama University enrollment. The study found that variability and spread adjustment are important factors in data preparation to improve accuracy of the fuzzy random auto-regression model.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 441, May 2018, Pages 113-132
Journal: Information Sciences - Volume 441, May 2018, Pages 113-132
نویسندگان
Riswan Efendi, Nureize Arbaiy, Mustafa Mat Deris,