ISSN在线(2320 - 9801)打印(2320 - 9798)
Tejaswini帕蒂尔、Karishma帕蒂尔Devyani Sonawane, Chandraprakash 学生,计算机系,名为SSBT COET,北马哈拉施特拉邦大学Jalgaon,印度马哈拉施特拉邦 |
相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际期刊的创新在计算机和通信工程的研究
预测股票价格不仅好奇,也非常具有挑战性的课题。本文内涵为样本预测股票价格的一些大公司使用反向传播和再算法,帮助经理、投资者、用户和制造商在有价值的决策选择。储备市场给许多利润或效益较低的风险,因为它是治疗作为难忘的领域。业务人员和数据挖掘股票市场是最合适的环境因其庞大的和不断变化的信息。预测股票价格与传统时间已被证明更容易完成。一个人工神经网络对任务主要是因为,可能更适合神经网络更管径预测股票价格更准确比目前使用的技术。它还拿出大量的来自不同来源的信息。我们已经研究神经网络的体系结构。我们将建立最好的模型还通过分析各种参数的神经网络和研究补充模型比较准确价格模型的错误率,营业额作为输入。输入以前的股票数据和输出是未来的股票价格的预测。
关键字 |
公司数据,数据挖掘,事例,神经网络,预测股票价格。 |
我的介绍。 |
股票市场价格的预测是一个有趣的话题为研究目的以及市场领域,在许多发达国家电力成本削减措施用于地图的经济体。公认的技术和学校的影响计算必要的技术分析,开发了最新的几十年。然而,这些技术和设备都完全取决于不同的方法。这些仪器或分析工具都是全靠人类的能力和司法等领域延续模式,倾向预测,促进模式。人们花在市场基于一些调查,许多投资者或研究人员选择集中在股票价格预测的复杂和困难。在投入市场人们试图找到更好的设备和技术,增加他们的利润会如何用更少的风险。数据,基本分析,技术分析都是用来去从市场趋势预测和利润。复杂事件处理过程是系统功能从不同的源中提取多个统计。假定投资者,商业研究人员,用户未来事件的预测完全取决于当前和过去的数据。然而,金融统计数据很难预测。 Prediction of prices is seen to be intricate and efficient market hypotheses explained (EMH) it that was lay in (1990). Efficient market hypotheses fill the gap between financial market and financial information, it also shows that fluctuations in price are only result of new available data and that reflect in stock price. Stock price prediction need previous data, it can’t be random. |
股票价格不断变化,因为不断变化的态度的投资者由于不同的服务,如体积,使用价格、兴趣等等。所有这些适应技术分析,根据技术分析历史重演这就是为什么未来价格接近接近以前的价格。它显示图表来预测未来价格。通过分析公司的性能和丰富可以确定股票价格,和涉及到的基本分析。它有许多优点,其中之一,显示了更改之前显示在图表上。这个分析假设当前和未来的股票价格取决于基本价值和可能的储蓄回报率。 |
预期回报公司的股票将会改变,因为新发布的统计数据与该公司的地位,影响股票价格。 |
二世。文献调查 |
许多投资者或研究人员声称,股票市场是一个混沌系统。混沌是非线性确定性系统只出现任意因其不对称的波动。投资者,业务人员根据一些审查投资股市。随着投资和贸易增长的水平,人们探索的工具和方法会增加他们的收益,同时减少威胁。储备市场给许多利润或效益较低的风险,因为它是治疗作为难忘的领域。 |
遗传算法被采用胫骨(et al . 2005年);交易规则生成的数量200年韩国股票价格指数(KOSPI 200),在瑞典Hellestrom和Homlstrom(1998)使用一个几何审查基于定制的事例来建立在相关领域暴跌前进的输入空间的性能预测1987 - 1996年期间。聚类股票Gavrilov提供的方法等。 |
三世。提出了系统 |
用户、研究人员、企业界不仅购买或购买和出售股票和在市场份额由另一个变量只考虑其价格也接近价格等起着重要的作用来预测股票前几天的具体价格。所有变量之间的所有关系,反映不断变化的股票运动的结果。 |
结构设计的股票预测描述如下图: |
一个信息收集。 |
信息收集在预测中发挥主要作用,它从不同来源收集数据,过时,它还包含打开和关闭的价格高,低,平均价格。在收集数据建模应用时间序列数据应进行清洗,因为大多数时间原始信息包含噪音和冗余数据,将会影响正确的预测结果。数据准备包括项目如过滤、转换。一体化进程用于获得最佳子集。 |
b引擎学习 |
聚合结果将比商业阈值在这个阶段,在这个阶段数据驱动的方法将探索更多可弯曲,充满活力的方式发现事件并确定所需的行动。 |
c参数选择 |
一个¯·找出训练和测试数据的大小。 |
一个¯·确定没有。的近邻 |
一个¯·反向传播算法和基于事例。 |
一个¯·输入、隐藏和输出节点。 |
一个¯·找出学习速率。 |
一个¯·找出许多步骤。 |
b .再 |
事例算法容易实现,这是一个机器学习技术(引擎)。事例算法更健壮和稳定给正确的结果与小误差比率。过去的股票数据和税收信息映射到向量的集合。每一个向量代表N维度为每个股票的特性。再算法被认为是懒惰的,因为它没有构造形式。我们将使用这个算法有密切的结果预测的股票价格。 |
四、结果 |
股票价格预测结果以下公司为样本对实际和未来价格预测图。最终结果在表1和2在应用一些公司的反向传播算法和基于事例显示多少实际价值的预测价值的区别。 |
如收盘价预测价值,高价格和低价格在应用事例算法表3所示。200条记录的时间被选中作为训练数据集和未来股票价值只有一些记录如表所示。考虑收盘价为主要方面影响的预测过程具体股票基于事例算法。负值表明预测价值大于实际。 |
比较图表显示的预测价值标准堆列或它可以显示在图表使投资者容易理解什么是实际价格。 |
诉的结论 |
使用反向传播算法和基于事例的预测股票价格是基于实时市场预测。健壮的模型构建,因此预测价格是接近实际价格。股票价格预测与温和的准确性。该系统将更有用的用于给那些关注他们的钱投资于股票会给他们正确的道路这股票将有更多的价值。事例是可行的和真正的股票预测。 |
引用 |
|