گروهی از شبکه های عصبی LSTM برای طبقه بندی بازار سهام با فرکانس بالا

ما یک گروه از شبکه های عصبی حافظه طولانی مدت (LSTM) را برای پیش بینی سهام داخل بدن ، با استفاده از تنوع زیادی از شاخص های تجزیه و تحلیل فنی به عنوان ورودی شبکه پیشنهاد می کنیم. این گروه پیشنهادی به صورت آنلاین عمل می کند و مدلهای فردی را متناسب با عملکرد اخیر خود می کند ، که به ما امکان می دهد با روشی نوآورانه با غیرقانونی های احتمالی مقابله کنیم. عملکرد مدل ها توسط منطقه تحت منحنی ویژگی عامل گیرنده اندازه گیری می شود. ما قدرت پیش بینی مدل خود را در چندین سهام بزرگ در ایالات متحده ارزیابی می کنیم و آن را در برابر طبقه بندی کننده های لجون لاسو و ریج معیار می کنیم. مدل پیشنهادی عملکرد بهتری نسبت به مدل های معیار یا گروه های به همان اندازه وزن دارد.

کلید واژه ها

• یادگیری عمیق
• مدل های گروه
• تجارت با فرکانس بالا
• شبکه های عصبی LSTM

سازمان ملل متحد SDG

این خروجی به اهداف توسعه پایدار سازمان ملل زیر (SDG) کمک می کند

دسترسی به سند

Handle. net

• پیوند مداوم

سایر پرونده ها و پیوندها

اثر انگشت

به مباحث تحقیق "گروهی از شبکه های عصبی LSTM برای طبقه بندی بازار سهام با فرکانس بالا" بروید. آنها با هم یک اثر انگشت منحصر به فرد تشکیل می دهند.

• مدل زمین و علوم سیاره ای 100 ٪

این را ذکر کنید

• APA
• نویسنده
• دوزخ
• هاروارد
• استاندارد
• برخاستن
• ونکوور

@مقالهچکیده = "ما یک گروه از شبکه های عصبی حافظه طولانی مدت (LSTM) را برای پیش بینی سهام در داخل ، با استفاده از طیف گسترده ای از شاخص های تحلیل فنی به عنوان ورودی شبکه پیشنهاد می کنیم. گروه پیشنهادی به صورت آنلاین عمل می کنند و مدلهای فردی را به صورت متناسب وزن می کنند. به عملکرد اخیر آنها ، که به ما امکان می دهد با غیرقانونی های احتمالی به روشی نوآورانه مقابله کنیم. عملکرد مدل ها توسط منطقه تحت منحنی ویژگی عامل گیرنده اندازه گیری می شود. ما قدرت پیش بینی مدل خود را در چندین کلاه بزرگ ایالات متحده ارزیابی می کنیمسهام و معیار آن را در برابر طبقه بندی کننده های لجون لاسو و ریج.

کلمات کلیدی = "یادگیری عمیق ، مدل های گروه ، تجارت با فرکانس بالا ، شبکه های عصبی LSTM" ، نویسنده = "Svetlana Borovkova و Ioannis Tsiamas" ، سال = "2019" ، doi = "10. 1002/for. 2585" ، زبان = "انگلیسی" ، جلد = "38" ، صفحات = "600--619" ، مجله = "مجله پیش بینی" ، ISSN = "0277-6693" ، ناشر = "جان ویلی و پسران با مسئولیت محدود" ، شماره = "6" ،

در: مجله پیش بینی ، جلد. 38 ، شماره 6 ، 2019 ، ص. 600-619.

خروجی تحقیق: مشارکت در مجله ›مقاله› دانشگاهی ›بررسی همسالان

T1 - مجموعه ای از شبکه های عصبی LSTM برای طبقه بندی بازار سهام با فرکانس بالا

AU - Borovkova ، Svetlana

au - tsiamas ، ioannis

N2 - ما یک گروه از شبکه های عصبی حافظه طولانی مدت (LSTM) را برای پیش بینی سهام داخل بدن پیشنهاد می کنیم ، با استفاده از انواع زیادی از شاخص های تجزیه و تحلیل فنی به عنوان ورودی شبکه. این گروه پیشنهادی به صورت آنلاین عمل می کند و مدلهای فردی را متناسب با عملکرد اخیر خود می کند ، که به ما امکان می دهد با روشی نوآورانه با غیرقانونی های احتمالی مقابله کنیم. عملکرد مدل ها توسط منطقه تحت منحنی ویژگی عامل گیرنده اندازه گیری می شود. ما قدرت پیش بینی مدل خود را در چندین سهام بزرگ در ایالات متحده ارزیابی می کنیم و آن را در برابر طبقه بندی کننده های لجون لاسو و ریج معیار می کنیم. مدل پیشنهادی عملکرد بهتری نسبت به مدل های معیار یا گروه های به همان اندازه وزن دارد.

AB - ما یک گروه از شبکه های عصبی حافظه طولانی مدت (LSTM) را برای پیش بینی سهام Intraday ، با استفاده از انواع زیادی از شاخص های تجزیه و تحلیل فنی به عنوان ورودی شبکه پیشنهاد می کنیم. این گروه پیشنهادی به صورت آنلاین عمل می کند و مدلهای فردی را متناسب با عملکرد اخیر خود می کند ، که به ما امکان می دهد با روشی نوآورانه با غیرقانونی های احتمالی مقابله کنیم. عملکرد مدل ها توسط منطقه تحت منحنی ویژگی عامل گیرنده اندازه گیری می شود. ما قدرت پیش بینی مدل خود را در چندین سهام بزرگ در ایالات متحده ارزیابی می کنیم و آن را در برابر طبقه بندی کننده های لجون لاسو و ریج معیار می کنیم. مدل پیشنهادی عملکرد بهتری نسبت به مدل های معیار یا گروه های به همان اندازه وزن دارد.

KW - یادگیری عمیق

KW - مدل های گروه

KW - تجارت با فرکانس بالا

شبکه های عصبی KW - LSTM