پیش بینی 300 حرکت شاخص اوراق بهادار چین با کمینه مربع ماشین بردار پشتیبان

قیمت: 42,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

پیش بینی 300 حرکت شاخص اوراق بهادار چین با کمینه مربع ماشین بردار پشتیبان

عنوان لاتین

Forecasting Direction of China Security Index 300 Movement with Least Squares Support Vector Machine

با توجه به پیچیدگی بازار مالی، یک وظیفه چالش برانگیز پیش بینی جهت حرکت شاخص سهام است. پیش بینی دقیق حرکت شاخص سهام نه تنها ارزش مرجع برای سرمایه گذاران را برای ایجاد استراتژی موثر فراهم میکند، بلکه همچنین برای سیاست گذاران برای نظارت بر بازار سهام، به ویژه در بازارهای در حال ظهور، مانند چین، فراهم می کند. در این مقاله، با پیش بینی مسیر حرکت روزانه شاخص اوراق بهادار چین 300 CSI 300))، پیش بینی کمینه مربع ماشین بردار پشتیبان (LSSVM) مورد بررسی قرار می گیرد. برای مقایسه هدف، مدل هوش مصنوعی دیگری (AI)، شبکه عصبی احتمالی PNN) )و دو مدل تحلیل تشخیصی انجام شده است. ده شاخص فنی به عنوان متغیر ورودی مدل انتخاب شده اند. نتایج تجربی نشان می دهد که روش LSSVM برای پیش بینی جهت بسیار امیدوار کننده است، زیرا در هر دو دقت آموزش و دقت تست، PNN، تحلیل تشخیص خطی LDA))، تجزیه و تحلیل محرمانه چهارگانه (QDA) بهتر عمل می کند.

Due to the complexity of financial market, it is a challenging task to forecast the direction of stock index movement. An accurate prediction of stock index movement may not only provide reference value for the investors to make effective strategy, but also for policy maker to monitor stock market, especially in the emerging market, such as China. In this paper, we investigate the predictability of Least Square Support Vector Machine (LSSVM) by predicting the daily movement direction of China Security Index 300 (CSI 300). For comparing purpose, another artificial intelligence (AI) model, Probabilistic Neural Network (PNN) and two Discriminant Analysis models are performed. Ten technical indicators are selected as input variables of the models. Experimental results reveal that LSSVM method is very promising for directional forecasting for that it outperforms PNN, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA) in both training accuracy and testing accuracy.