کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8901484 1631736 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Minute-ahead stock price forecasting based on singular spectrum analysis and support vector regression
ترجمه فارسی عنوان
پیش‌بینی قیمت سهام یک دقیقه جلوتر بر اساس تحلیل طیف تکین و رگرسیون بردار پشتیبان
کلمات کلیدی
قیمت سهم در طول روز، سری زمانی، تحلیل طیف تکین، رگرسیون بردار پشتیبان، بهینه‌سازی ازدحام ذرات، پیش‌بینی
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2. روش‌ها

2.1 تحلیل طیف تکین 

2.2. رگرسیون بردار پشتیبان

شکل 1. سری‌های زمانی قیمت‌های سهام 

2.3 معیارها

3. نتایج آزمایشی

جدول 1: نتایج به‌دست‌آمده برای هر سهم.

شکل 2. (a) مقایسه مدل‌ها برحسب مقادیر پیش‌بینی‌شده؛ اپل، دل، هیولت پاکارد. (b) مقایسه مدل‌ها برحسب مقادیر پیش‌بینی‌شده: آی‌بی‌ام، مایکروسافت، اوراکل.

4. نتیجه‌گیری 
ترجمه چکیده
مدل‌سازی سری زمانی و پیش‌بینی یکی از وظایف ضروری و دشوار در مهندسی مالی و بهینه‌سازی محسوب می‌شود. مدل‌های متعددی در منابع علمی پیشنهاد و بر روی داده‌های روزانه آزمایش شده‌اند. باوجوداین، در منابع علمی خیلی کم به داده‌ها در طول یک روز توجه شده است. در این راستا، در این مطالعه یک مدل برای پیش‌بینی قیمت سهام در طول یک روز ارائه می‌دهیم که از یک تحلیل طیف تکین (SSA) و رگرسیون بردار پشتیبان (SVR) همراه با بهینه‌سازی ازدحام ذرات (PSO) استفاده می‌کند. در حالت خاص، SSA سری زمانی قیمت سهم را به چند مؤلفه مستقل تجزیه می‌کند که قبلاً به صورت پیش‌بین به کار می‌رفتند. از SVR برای پیش‌‌‌بینی و از PSO برای بهینه‌سازی پارامترهای SVR استفاده می‌شود. عملکرد مدل پیشنهادی ما با عملکرد چهار مدلی که به طور گسترده در پیش‌بینی مالی به کار رفتند مقایسه شده است. این چهار مدل عبارتند از: تبدیل موجک (WT) همراه با شبکه عصبی پیشخور (FFNN)، فرآیند میانگین متحرک اتورگرسیو (ARMA)، رگرسیون چندجمله‌ای (PolyReg)، و مدل نایو. در نهایت، میانگین خطای مطلق (MAE)، میانگین درصد خطای مطلق (MAPE)، و میانگین ریشه مربعات خطا (RMSE) به عنوان معیارهای اصلی عملکرد به کار رفتند. با اعمال همه مدل‌ها بر روی شش سری زمانی قیمت سهم در طول یک روز، نتایج پیش‌بینی به‌‌دست‌آمده از شبیه‌سازی‌ها نشان می‌دهند که عملکرد SSA-PSO-SVR ارائه شده بهتر از WT-FFNN، ARMA، رگرسیون چندجمله‌ای، و مدل نایو برحسب MAE، MAPE و RMSE است. بنابراین، سیستم پیش‌بینی پیشنهادی ما یعنی SSA-PSO-SVR پتانسیل خوبی برای تحلیل و پیش‌بینی سری زمانی مالی نویزدار نشان می‌دهد.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات ریاضیات کاربردی
پیش نمایش مقاله
پیش‌بینی قیمت سهام یک دقیقه جلوتر بر اساس تحلیل طیف تکین و رگرسیون بردار پشتیبان
چکیده انگلیسی
Time series modeling and forecasting is an essential and hard task in financial engineering and optimization. Various models have been proposed in the literature and tested on daily data. However, a limited attention has been given to intraday data. In this regard, the current work presents a model for intraday stock price prediction that uses singular spectrum analysis (SSA) and support vector regression (SVR) coupled with particle swarm optimization (PSO). In particular, the SSA decomposes stock price time series into a small number of independent components used as predictors. The SVR is applied to the task of forecasting and PSO is employed to optimize SVR parameters. The performance of our proposed model is compared to the performance of four models widely used in financial prediction: the wavelet transform (WT) coupled with feedforward neural network (FFNN), autoregressive moving average (ARMA) process, polynomial regression (PolyReg), and naïve model. Finally, the mean absolute error (MAE), mean absolute percentage error (MAPE), and the root mean of squared errors (RMSE) are used as main performance metrics. By applying all models to six intraday stock price time series, the forecasting results from simulations show that the presented SSA-PSO-SVR largely outperforms the conventional WT-FFNN, ARMA, polynomial regression, and naïve model in terms of MAE, MAPE and RMSE. Therefore, our proposed predictive system SSA-PSO-SVR shows evident potential for noisy financial time series analysis and forecasting.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Mathematics and Computation - Volume 320, 1 March 2018, Pages 444-451
نویسندگان
,