Dự đoán giá cổ phiếu công ty xây dựng bằng cửa sổ trượt hồi quy máy học tối ưu

Tóm tắt: 71 | PDF: 36

##plugins.themes.academic_pro.article.main##

Author

  • Kha Thi Nguyen, Thi Phuong Trang Pham

Từ khóa:

Giá thị trường chứng khoán
cửa sổ trượt
máy học
thuật toán con đom đóm
bình phương vector hỗ trợ hồi quy
chuỗi thời gian

Tóm tắt

Dự đoán thay đổi giá cổ phiếu đóng vai trò quan trọng trong sự phát triển của công ty. Nhưng dự đoán giá cổ phiếu rất khó khăn vì số liệu của nó rất phức tạp. Mục đích của bài báo là đề xuất mô hình dự đoán giá cổ phiếu các công ty xây dựng dựa vào cửa sổ trượt và hồi quy máy học tối ưu. Mô hình liên kết giữa thuật toán đom đóm và bình phương vec-tor hỗ trợ hồi quy. FA giúp điều chỉnh hệ số của LSSVR. Mô hình đưa ra gọị là FA-LSSVM. Nghiên cứu sử dụng dữ liệu giá cổ phiếu một số công ty xây dựng Đài Loan; 2545.TW, 2597.TW và 5534.TW; để làm rõ tính hiệu quả của mô hình. Kết quả cho thấy đối với dữ liệu 2597.TW, mô hình FA-LSSVM đạt kết quả tốt nhất với sai số tiêu chuẩn 1.548, sai số bình phương tuyệt đối 0.617, phần trăm sai số bình phương tuyệt đối 1.372%, và sai số toàn phương trung bình 2.396. Vì vậy, mô hình đề xuất là công cụ dự báo đáng mong đợi cho vấn đề chuỗi thời gian phi tuyến tính.

Tài liệu tham khảo

    [1] K.K. Oh KJ, Analyzing stock market tick data using piecewise nonlinear model, Expert Systems with Application, 22 (2002) 249-55.
    [2] W. Leigh, M. Paz, R. Purvis, An analysis of a hybrid neural network and pattern recognition technique for predicting short-term increases in the NYSE composite index, Omega 30(2) (2002) 69-76.
    [3] S.-Y. Lin, C.-H. Chen, C.-C. Lo, Currency Exchange Rates Prediction based on Linear Regression Analysis Using Cloud Computing, International Journal of Grid and Distributed Computing 6 (2013) 10.
    [4] A. Abdoos, M. Hemmati, A.A. Abdoos, Short term load forecasting using a hybrid intelligent method, Knowledge-Based Systems 76 (2015) 139-147.
    [5] V.N. Vapnik, The nature of statistical learning theory, Springer-Verlag New York, Inc.1995.
    [6] J.-S. Chou, A.-D. Pham, Nature-inspired metaheuristic optimization in least squares support vector regression for obtaining bridge scour information, Information Sciences 399 (2017) 64-80.
    [7] T. Xiong, Y. Bao, Z. Hu, Multiple-output support vector regression with a firefly algorithm for interval-valued stock price index forecasting, Knowledge-Based Systems 55 (2014) 87-100.
    [8] A.K. Rout, R. Bisoi, P.K. Dash, A low complexity evolutionary computationally efficient recurrent Functional link Neural Network for time series forecasting, IEEE Power, Communication and Information Technology Conference, PCITC 2015, Institute of Electrical and Electronics Engineers Inc., Bhubaneswar, India, 2015, pp. 576-582.
    [9] S.K. Pal, Rai, C. S., and Singh, A. P., Comparative study of firefly algorithm and particle swarm optimization for noisy non-linear optimization problems., (2012) Int. J. Intell. Syst. Appl., 4(10), 50–57.
    [10] J. Olamaei, M. Moradi, T. Kaboodi, A new adaptive modified Firefly Algorithm to solve optimal capacitor placement problem, Electrical Power Distribution Networks (EPDC), 2013 18th Conference on, 2013, pp. 1-6.
    [11] N.-D. Hoang, A.-D. Pham, a.M.-T. Cao, A Novel Time Series Prediction Approach Based on a Hybridization of Least Squares Support Vector Regression and Swarm Intelligence, Applied Computational Intelligence and Soft Computing (2014) 8.
    [12] J.A.K. Suykens, T.V. Gestel, J.D. Brabanter, B.D. Moor, J. Vandewalle, Least squares support vector machines, World Scientific, Singapore 2002.
    [13] X.-S. Yang, Nature-Inspired Metaheuristic Algorithms, Luniver Press 2008.
    [14] S. Łukasik, S. Żak, Firefly Algorithm for Continuous Constrained Optimization Tasks, in: N.T. Nguyen, R. Kowalczyk, S.-M. Chen (Eds.), Computational Collective Intelligence. Semantic Web, Social Networks and Multiagent Systems: First International Conference, ICCCI 2009, Wrocław, Poland, October 5-7, 2009. Proceedings, Springer Berlin Heidelberg, Berlin, Heidelberg, 2009, pp. 97-106.
    [15] E. Hadavandi, H. Shavandi, A. Ghanbari, Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting, Knowledge-Based Systems 23(8) (2010) 800-808.
    [16] M. Göçken, M. Özçalıcı, A. Boru, A.T. Dosdoğru, Integrating metaheuristics and Artificial Neural Networks for improved stock price prediction, Expert Systems with Applications 44 (2016) 320-331.
    [17] C.M. Anish, B. Majhi, Hybrid nonlinear adaptive scheme for stock market prediction using feedback FLANN and factor analysis, Journal of the Korean Statistical Society 45(1) (2016) 64-76.
    [18] R. Dash, P. Dash, Efficient stock price prediction using a Self Evolving Recurrent Neuro-Fuzzy Inference System optimized through a Modified Differential Harmony Search Technique, Expert Systems with Applications 52 (2016) 75-90.
    [19] D. Bhattacharya, A. Konar, P. Das, Secondary factor induced stock index time-series prediction using Self-Adaptive Interval Type-2 Fuzzy Sets, Neurocomputing 171 (2016) 551-568.
    [20] Shunrong Shen, Haomiao Jiang, T. Zhang, Stock Market Forecasting Using Machine Learning Algorithms, IEEE Transactions on Neural Networks 84(4) (2015) 21.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Nov 30, 2017
Download
PDF (English)
Cách trích dẫn
Kha Thi Nguyen, Thi Phuong Trang Pham. “Dự đoán Giá cổ phiếu công Ty xây dựng bằng cửa sổ trượt hồi Quy máy học tối ưu”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 11, số p.h 120.4, Tháng Mười-Một 2017, tr 87-89, https://jst-ud.vn/jst-ud/article/view/3746.

##plugins.themes.academic_pro.article.details##