Predict the trend of stock prices using machine learning techniques
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 615
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MCED02_209
تاریخ نمایه سازی: 21 شهریور 1395
چکیده مقاله:
According to growing importance of the stock market in economic conditions of each country and since, stock prices are the most important factors influencing investment decisions for selecting stock, predicting the stock price movement is an integral part of the investment. This paper presented to forecast the movement of stock prices Tejarat bank of Iran with considerable precision. Accordingly, to predict the trend of stock prices using machine learning techniques and economic indicators have been considerd. About 18,000 different indicators are presented, both simple moving average (SMA), weighted moving average (WMA), relative strength indicator (RSI) and moving average convergence divergence (MACD) indicator those are widely used in the stock market of Iran, have been chosen. The output of those is input three clasifire, support vector machines, random forests and k-nearest neighbor. The outputs of the three clasifire will be compared with each other. The results in this paper show that, respectively, random forest classifier, support vector machine and the k- nearest neighbor have the best accuracy in categories.
کلیدواژه ها:
نویسندگان
Seyed Enayatolah Alavi
Assistant Profossor, Shahid Chamranuniversty of Ahvaz, Ahvaz, Iran
Hasanali Sinaei
Associate Professor, Shahid Chamranuniversty of Ahvaz,Ahvaz, Iran
Elham Afsharirad
Msc. Of Shahid Chamran universty of Ahvaz
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :