دانلود ترجمه مقاله پیش بینی قیمت سهام یک دقیقه جلوتر بر اساس تحلیل طیف تکین

1. مقدمه 2. روش تحقیق 3. نتایج تجربی 4. نتیجه گیری

چکیده – مدل سازی و پیش بینی سری زمانی کاری ضروری و دشوار در مهندسی مالی و بهینه سازی است. مدل های مختلفی در مقالات پیشنهاد شده است که بر اساس داده های روزانه هستند. اما توجه زیادی به داده-های درون یک روز صورت نگرفته است. بر این اساس تحقیق حاضر مدلی برای پیش بینی قیمت سهام درون روز ارائه می دهد که از تحلیل طیف تکین (SSA) و رگراسیون بردار پشتیبان (SVR) همراه با بهینه-سازی ازدحام ذرات (PS) استفاده می کند. بویژه، SSA سری زمانی قیمت سهام را به تعداد کوچکی از مولفه های غیروابسته تقسیم می کند که به عنوان پیش بینی کننده بکار می روند. SVR در کار پیش بینی بکار می رود و PSO برای بهینه سازی پارامترهای SVR بکار می رود. عملکرد مدل پیشنهادی ما با عملکرد چهار مدل هفتگی مقایسه شده است که در پیش بینی مالی بکار می روند: تبدیل موجک (WT) همراه با شبکه عصبی پیشخور (FFNN)، فرآیند میانگین متحرک اتورگرسیو (ایستا) (ARMA)، رگراسیون چند جمله-ای (PolyReg)، و مدل ساده. در نهایت، میانگین خطای مطلق (MAE)، میانگین خطای درصد مطلق (MAPE)، و خطای جذر میانگین مربعات (RMSE) به عنوان شاخص های اصلی عملکرد بکار رفتند. با استفاده از همه مدل ها در شش سری زمانی قیمت سهام درون روز، نتایج پیش بینی حاصل از شبیه سازی ها نشان می دهد که SSA-PSO-SVR عملکرد بهتری از روش های متعارف WT-FFNN, ARMA، رگراسیون چند جمله ای و مدل ساده بر حسب MAE, MAPE و RMSE دارد. بنابراین سیستم پیش-بینی پیشنهادی ما SSA-PSO-SVR پتانسیل بارزی برای تحلیل و پیش بینی سری زمانی مالی نویزدار نشان می دهد.

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.

ترجمه این مقاله در 11 صفحه آماده شده و در ادامه نیز صفحه 6 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.