ประสิทธิภาพของการใช้งานร่วมกันของ VIX และเวกเตอร์เวิร์กเครื่องในการทำนายของ SP 500.Cite บทความนี้เป็น Rosillo, R Giner, JP 500 index ข้อมูลที่ให้ครอบคลุมระยะเวลาระหว่าง 3 มกราคม 2000 ถึง 30 ธันวาคม 2011 มีการจำลองการซื้อขาย ปัจจัยด้านการค้าทางเทคนิคแบบดั้งเดิมที่ใช้กันโดยทั่วไปในการวิเคราะห์ตลาดตราสารทุนเช่น Relative Strength Index, Moving Average Convergence Divergence, VIX และผลตอบแทนของ SP 500 ต่อวัน SVM ระบุว่า สถานการณ์ที่ดีที่สุดในการที่จะซื้อหรือขายในตลาดผลการดำเนินงานทั้งสองของ SVM คือการเคลื่อนไหวของตลาดและระดับของสมาชิกที่ตั้งไว้ผลลัพธ์ที่ได้แสดงให้เห็นว่าการใช้ SVM โดยใช้ VIX ทำให้ได้ผลลัพธ์ที่ดีกว่ากลยุทธ์ Buy and Hold หรือ SVM โดยไม่มี VIX อิทธิพลของ VIX ในระบบการซื้อขายมีความสำคัญมากเมื่อมีช่วงการลงทุนลดลงนอกจากนี้ SVM ยังช่วยลด การเบิกใช้สูงสุดและการเบี่ยงเบนมาตรฐานของค่าเฉลี่ยต่อปีเครื่องเวคเตอร์สนับสนุนเครื่องกลยุทธ์การซื้อขายเชิงปริมาณ VIX RSI MACD Machine learning. Allen HL, Taylor MP 1990 แผนภูมิเสียงและปัจจัยพื้นฐานในตลาดแลกเปลี่ยนเงินตราต่างประเทศในลอนดอน Econ J 100 49 59 CrossRef Google Scholar. Andersen TG, Bollerslev T 1998 การตอบสนองความคลางแคลงใช่โมเดลความผันผวนมาตรฐานทำให้มีการคาดการณ์ที่ถูกต้อง Int Econ Rev 39 885 905 CrossRef Google Scholar. Blair BJ, Poon SH, Taylor SJ 2001 การพยากรณ์ความผันผวนของข้อมูล SP100 ที่เพิ่มขึ้นของความผันแปรโดยนัยและผลตอบแทนของดัชนีที่มีความถี่สูง J Econom 105 5 26 CrossRef MATH MathSciNet Google Scholar. Bollerslev T 1986 ความคลาดเคลื่อนทางคณิตศาสตร์ที่มีเงื่อนไข autoregressive แบบอัตโนมัติ J Econom 31 307 327 CrossRef MATH MathSciNet Google Scholar. Brock W, Lakonishok J, LeBaron B 1992 กฎการซื้อขายทางเทคนิคแบบธรรมดาและคุณสมบัติสุ่มของหุ้น J การเงิน 47 1731 1764 CrossRef Google Scholar. Burges C 1998 การสอนเกี่ยวกับเวกเตอร์สนับสนุน เครื่องจำแนกรูปแบบข้อมูล Min Knowl Disc 2 121 167 CrossRef Google Scholar. Canu S, Grandvalet Y, Guigue V, Rakotomamonjy A 2005 SVM and Kernel methods กล่องเครื่องมือ Matlab, perception systmes และข้อมูล INSA de Rouen, Rouen Google Scholar. Cao L, Tay F 2003 เครื่องเวกเตอร์สนับสนุนด้วยพารามิเตอร์ที่ปรับตัวได้ในการคาดการณ์ลำดับเวลาทางการเงิน IEEE Trans Neural Networks 14 1506 1518 CrossRef Google Scholar. Chapelle O, Haner P, Vapnik VN 1999 เครื่องเวกเตอร์สนับสนุนสำหรับการจำแนกประเภทภาพตามฮิสโตแกรม IEEE Trans Neural Networks 10 5 1055 1064 การวิเคราะห์ทางเทคนิคและตลาดหลักทรัพย์ลอนดอนทดสอบกฎ MACD และ RSI โดยใช้ FT30 Appl Econ Lett 15 1111 1114 CrossRef Google Scholar. Cristianini N, Taylor JS 2000 บทนำเกี่ยวกับการสนับสนุนเครื่องเวกเตอร์ และวิธีการเรียนรู้แบบใช้เคอร์เนลอื่น ๆ Cambridge University Press, New York CrossRef Google Scholar. Dunis CL, Rosillo R, De la Fuente D, Pino R 2013 การคาดการณ์ IBEX-35 mo ves ใช้เครื่องเวกเตอร์สนับสนุน Neural Comput Appl 23 1 229 236 doi 10 1007 s00521-012-0821-9 CrossRef Google Scholar. Dunis C, Likothanassis S, Karathanasopoulos A, Sermpinis G, Theofilatos K 2013b ขั้นตอนวิธีเชิงพันธุกรรมแบบผสมผสาน ในงานการพยากรณ์และการซื้อขายหลักทรัพย์ของ ASE 20 J Asset Manag 1 20 doi 10 1057 jam 2013 2.Evgeniou T, Pontil M, Poggio T 2000 เครือข่ายการทำให้เป็นระเบียบและเครื่องเวกเตอร์สนับสนุน Adv Comput Math 13 1 50 CrossRef MATH MathSciNet Google Scholar. Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB 2012 วิธีการสร้างแบบจำลองแบบผสมผสานสำหรับการคาดการณ์ความผันผวนของดัชนีชี้วัด SP 500 Syst Appl 39 1 431 436 doi CrossRef Google Scholar. Huang S, Sun Z 2001 การสนับสนุนวิธีเวกเตอร์เครื่องสำหรับการย่อย คาดการณ์ทิศทางการเคลื่อนไหวของตลาดหุ้นด้วยเครื่องเวกเตอร์สนับสนุน Comput Oper Res 32 2513 2522 CrossRef MATH Google Scholar. Kim K 2003 การคาดการณ์เกี่ยวกับช่วงเวลาทางการเงินโดยใช้เครื่องเวกเตอร์สนับสนุน Neurocomputing 55 307 319 CrossRef Google Scholar. Kwon KY, Kish RJ 2002 กลยุทธ์การซื้อขายทางเทคนิคและผลตอบแทนที่คาดการณ์ได้ NYSE Appl Financ Econ 12 639 653 CrossRef Google Scholar. Lee MC 2009 การใช้เวกเตอร์สนับสนุน เครื่องที่มีคุณสมบัติการเลือกไฮบริดคุณลักษณะในการคาดการณ์แนวโน้มของสต๊อก Expert Syst Appl 36 8 10896 10904 CrossRef Google Scholar. Menkhoff L, Taylor MP 2007 ความหลงใหลในการแลกเปลี่ยนความรู้ทางเทคนิคของผู้เชี่ยวชาญด้านอัตราแลกเปลี่ยน J Econ Lit 45 936 972 CrossRef Google Scholar. Mills TC 1997 การวิเคราะห์ทางเทคนิคและกฎการซื้อขายหลักทรัพย์ในตลาดหลักทรัพย์ลอนดอนที่ใช้ FT30 Int J Finance Econ 2 319 331 CrossRef Google Scholar. Murphy JJ 1999 การวิเคราะห์ทางเทคนิคของตลาดการเงินสถาบันการเงินนิวยอร์ค Google Scholar. Perez-Cruz F, Alfonso - Rodriguez JA, Giner J 2003 การประมาณแบบจำลอง GARCH โดยใช้เครื่องเวกเตอร์สนับสนุน Quant Finance 3 3 163 172 CrossRef MathSciNet Google Sch olar. Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al 2011 CAST โดยใช้เครือข่ายประสาทเพื่อปรับปรุงระบบการซื้อขายโดยอิงจากการวิเคราะห์ทางเทคนิคโดยใช้ตัวบ่งชี้ทางการเงินของ RSI Expert Syst Appl 38 9 11489 11500 CrossRef Google Scholar. Rosillo R, De la Fuente D, Brugos JAL 2013 การวิเคราะห์ทางเทคนิคและตลาดหุ้นสเปนทดสอบกฎ RSI, MACD, Moment และ Stochastic โดยใช้ บริษัท ตลาดของสเปน Appl Econ 45 1541 1550 CrossRef Google Scholar. Szado E 2009 VIX futures and options กรณีศึกษา ความหลากหลายของพอร์ตการลงทุนในช่วงวิกฤตทางการเงินในปีพ. ศ. 2551 J Altern Invest 12 2 68 85, 18p Google Scholar. Tajlor MP, Allen HL 1992 การใช้การวิเคราะห์ทางเทคนิคในตลาดแลกเปลี่ยนเงินตราต่างประเทศ J Int Money Finance 11 304 314 CrossRef Google Scholar. Vapnik VN 1998 ทฤษฎีการเรียนรู้ทางสถิติ Wiley, New York MATH Google Scholar. Vapnik VN 1999 ภาพรวมของทฤษฎีการเรียนรู้ทางสถิติ IEEE Trans Neural Netw 10 988 999 CrossRef Google Scholar. Welles Wilder J Jr 1978 ใหม่ แนวคิดในระบบการค้าทางเทคนิค บริษัท Hunter Publishing, Greensboro, NC Google Scholar. Whaley R 2009 การทำความเข้าใจเกี่ยวกับ VIX J Portf Manag 35 98 105 CrossRef ข้อมูล Google Scholar. Copyright Springer-Verlag London 2013.Authors and Affiliations. Rafael Rosillo. Email author. Javier Giner. David de la Fuente.1 ฝ่ายบริหารธุรกิจมหาวิทยาลัย Oviedo Oviedo Spain.2 การเงินและเศรษฐศาสตร์มหาวิทยาลัย La Laguna La Laguna Spain. About this article . กรอบการซื้อขายหุ้นไฮบริดสลีรวมการวิเคราะห์ทางเทคนิคด้วยเทคนิคการเรียนรู้ของเครื่อง. Rashashash Dash 1.Pradipta Kishore Dash b 2.a ภาควิชาวิศวกรรมคอมพิวเตอร์ ITER, Siksha O Anusandhan University, Bhubaneswar, Odisha, 751030, India. b Siksha O Anusandhan University, Bhubaneswar, Odisha, 751030, India วันที่ 30 ธันวาคม 2015 แก้ไขวันที่ 3 มีนาคม 2016 ยอมรับวันที่ 8 มีนาคม 2016 พร้อมใช้งานออนไลน์วันที่ 22 มีนาคม 2016. ในเอกสารฉบับนี้เป็นระบบสนับสนุนการตัดสินใจใหม่ที่ใช้ CEFLANN เทียมเครือข่ายประสาทเทียมที่มีประสิทธิภาพ และชุดของกฎที่เสนอเพื่อสร้างการตัดสินใจซื้อขายได้อย่างมีประสิทธิภาพมากขึ้นที่นี่ปัญหาของการคาดการณ์การตัดสินใจซื้อขายหุ้นเป็นก้องเป็น classifica ปัญหาที่เกิดขึ้นกับสามค่าระดับที่เป็นตัวแทนของสัญญาณซื้อถือและขายเครือข่าย CEFLANN ที่ใช้ในระบบสนับสนุนการตัดสินใจสร้างชุดสัญญาณการซื้อขายอย่างต่อเนื่องภายในช่วง 0 1 โดยวิเคราะห์ความสัมพันธ์แบบไม่เชิงเส้นระหว่างตัวบ่งชี้ทางเทคนิคบางตัวที่เป็นที่นิยม สัญญาณที่ใช้ในการติดตามแนวโน้มและการผลิตการตัดสินใจซื้อขายตามแนวโน้มที่ใช้กฎการค้าบางอย่างความแปลกใหม่ของวิธีการคือการสร้างจุดตัดสินใจซื้อขายหุ้นที่มีกำไรผ่านการรวมความสามารถในการเรียนรู้ของเครือข่ายประสาทเทียม CEFLANN กับกฎการวิเคราะห์ทางเทคนิค สำหรับการประเมินการใช้ศักยภาพของวิธีการที่นำเสนอผลการปฏิบัติงานของโมเดลจะถูกเปรียบเทียบกับเทคนิคการเรียนรู้ด้วยเครื่องอื่น ๆ เช่น Support Vector Machine SVM แบบจำลอง Naive Bayesian โมเดล K ที่ใกล้เคียงที่สุด KNN และแบบจำลอง Tree Decision Tree การวิเคราะห์สต็อค ตัวชี้วัดทางเทคนิค 1 บทนำกับยุคโลกาภิวัตน์ทางเศรษฐกิจและ f ความสามารถของเทคโนโลยีดิจิตอลการสร้างและการสะสมของข้อมูลทางการเงินได้ถึงในอัตราที่ไม่เคยมีมาก่อนปริมาณการเติบโตอย่างรวดเร็วของข้อมูลได้ไกลเกินความสามารถของมนุษย์ในการวิเคราะห์ข้อมูลเหล่านี้ด้วยตนเองอีกครั้งข้อมูลชุดข้อมูลทางการเงินมีความซับซ้อนกว่าข้อมูลทางสถิติอื่น ๆ อันเนื่องมาจาก แนวโน้มระยะยาวรูปแบบวัฏจักรรูปแบบตามฤดูกาลและการเคลื่อนไหวที่ไม่สม่ำเสมอเหล่านี้ได้รับผลกระทบอย่างมากจากปัจจัยภายนอกหลายอย่างเช่นความเกี่ยวพันกันอย่างมากทางเศรษฐกิจการเมืองสังคมและแม้ว่าพฤติกรรมทางจิตวิทยาของนักลงทุนการเติบโตอย่างต่อเนื่องของความผันผวนและไม่สม่ำเสมอดังกล่าว ข้อมูลได้นำออกมาความต้องการที่สำคัญสำหรับการพัฒนาวิธีการอัตโนมัติมากขึ้นสำหรับการวิเคราะห์ที่มีประสิทธิภาพของข้อมูลทางการเงินดังกล่าวที่มีขนาดใหญ่เพื่อดึงข้อมูลที่มีความหมายจากสถิติที่เป็นกระบวนการของการสำรวจความรู้ที่ซ่อนอยู่ที่เป็นประโยชน์ข้อมูลเหมืองแร่มีการแกะสลักเฉพาะของตัวเองในการวิเคราะห์อนุกรมเวลาทางการเงิน สำหรับนักลงทุนที่จะใช้ในเชิงรุกและความรู้ที่ขับเคลื่อนด้วย การตัดสินใจเพื่อให้บรรลุผลสำเร็จโดยมีความเสี่ยงในการลงทุนน้อยการมีกำไรสูงเป็นเป้าหมายสูงสุดของนักลงทุนที่เข้าร่วมในตลาดการเงินมีโอกาสในการลงทุนมากมายเช่นการซื้อขายพันธบัตรหุ้นการแลกเปลี่ยนเงินตราต่างประเทศและโลหะมีค่าอื่น ๆ ที่มีอยู่ในปัจจุบัน ตลาดการเงินการซื้อขายในตลาดหุ้นเป็นหนึ่งในช่องทางการลงทุนทางการเงินที่เป็นที่นิยมนักลงทุนในตลาดหุ้นสามารถเพิ่มผลกำไรได้โดยการซื้อหรือขายเงินลงทุนในเวลาที่เหมาะสมกุญแจสำคัญในการสร้างผลกำไรสูงสุดในการซื้อขายหุ้นคือการหาแหล่งซื้อขายที่เหมาะสม เวลากับความเสี่ยงต่ำสุดของการซื้อขาย แต่มันเป็นเรื่องยากเสมอที่จะตัดสินใจเวลาที่ดีที่สุดที่จะซื้อหรือขายเนื่องจากพฤติกรรมความผันผวนสูงและแบบไดนามิกของสต็อกตลาดตัวชี้วัดทางเทคนิคเป็นที่สนใจหลักสำหรับส่วนใหญ่ของนักวิจัยในการตรวจสอบราคาหุ้นและ ช่วยผู้ลงทุนในการกำหนดกฎเกณฑ์การซื้อขายเพื่อตัดสินใจเลือกซื้อขาย การวิเคราะห์ข้อมูลทางการเงินโดยใช้ตัวชี้วัดทางเทคนิคที่เฉพาะเจาะจงอาจไม่ได้ผลกำไรมากนักในเอกสารการทำเหมืองข้อมูลและเครื่องมือประดิษฐ์ต่างๆได้ถูกใช้เพื่อวิเคราะห์ตัวชี้วัดทางเทคนิคในการค้นหาสัญญาณการซื้อขายที่ดีที่สุด 1 2 3 และ 4 การหากำไร หรือการสูญเสียจากการซื้อขายหลักทรัพย์ขึ้นอยู่กับการวิเคราะห์การเคลื่อนไหวในอนาคตของราคาหุ้นที่ผันผวนและไม่สม่ำเสมอการจัดอันดับที่ประสบความสำเร็จในการเคลื่อนไหวขึ้นและลงในดัชนีราคาหุ้นอาจไม่เพียง แต่เป็นประโยชน์สำหรับนักลงทุนในการสร้างกลยุทธ์การซื้อขายที่มีประสิทธิภาพ เพื่อติดตามตลาดหุ้นการติดตามการปรับตัวและการปรับตัวลงของประวัติหุ้นแต่ละหุ้นจะช่วยลดความไม่แน่นอนของการตัดสินใจลงทุนนักลงทุนสามารถเลือกช่วงเวลาที่ดีที่สุดในการซื้อและขายหุ้นผ่านการวิเคราะห์แนวโน้มหุ้นได้อย่างถูกต้องในเอกสารจำนวนมาก รวมเทคนิคการวิเคราะห์ด้วยเทคนิคอัจฉริยะคำนวณ es มีไว้เพื่อทำนายการเคลื่อนไหวของดัชนีราคาหลักทรัพย์ 5 6 และ 7 Patra, Thanh, Meher, 2009 ในการศึกษาครั้งนี้ปัญหาของการทำนายการตัดสินใจซื้อขายหุ้นเป็นข้อบ่งชี้ว่าเป็นปัญหาการจำแนกประเภทที่มีค่าระดับสามชั้นที่ใช้แทนถือ, ขายและถือ สัญญาณวัตถุประสงค์สำคัญที่สุดของการศึกษาครั้งนี้คือการพัฒนาระบบสนับสนุนการตัดสินใจใหม่โดยใช้ CEFLANN และ CEFANN ที่มีประสิทธิภาพในการเชื่อมต่อเครือข่ายประสาทเทียมและชุดของกฎที่ยึดตามการวิเคราะห์ทางเทคนิคเพื่อสร้างการตัดสินใจทางการค้าได้อย่างมีประสิทธิภาพมากกว่าการฝึกอบรมเครือข่าย CEFLANN โดยใช้แบบเดิม back learning ขั้นตอนวิธีการเรียนรู้ ELM เสนอสำหรับเครือข่าย Six ตัวชี้วัดทางเทคนิคที่เป็นที่นิยมคำนวณจากค่าดัชนีหุ้นย้อนหลังประวัติศาสตร์ใช้เป็นคุณสมบัตินำเข้าสำหรับรูปแบบที่เสนอเครือข่าย CEFLANN ใช้เพื่อจับภาพความสัมพันธ์ไม่เชิงเส้นอยู่ระหว่างตัวชี้วัดทางเทคนิคและ สัญญาณการซื้อขายแทนการใช้ค่าเรียนแยกจากกันระหว่างการฝึกอบรม เครือข่ายสัญญาณการซื้อขายอย่างต่อเนื่องในช่วง 0 1 จะป้อนเข้าสู่เครือข่ายสัญญาณการซื้อขายใหม่ในช่วง 0 1 สามารถให้ข้อมูลเพิ่มเติมเกี่ยวกับการซื้อขายหลักทรัพย์ที่เกี่ยวข้องกับการเปลี่ยนแปลงราคาเดิมได้ผลลัพธ์ที่ได้จากแบบจำลอง CEFLANN จะเปลี่ยนเป็น กลยุทธ์การซื้อขายแบบง่ายๆกับสัญญาณการซื้อการถือและการขายโดยใช้กฎที่เหมาะสมประสิทธิภาพของโมเดลจะได้รับการประเมินจากเปอร์เซ็นต์ของกำไรที่ได้รับในช่วงทดสอบ CEFLANN ได้รับการเปรียบเทียบกับเทคนิคการเรียนรู้เครื่องจักรอื่น ๆ เช่น SVM เวกเตอร์สนับสนุน 5 6 8 และ รูปแบบ Naive Bayesian โมเดล K ที่อยู่ใกล้ที่สุด KNN 2 และ 9 และ Tree ตัดสินใจ DT 10 model ส่วนที่เหลือของกระดาษถูกจัดไว้ในส่วนต่อไปส่วนที่ 2 เน้นการวิจารณ์ที่เกี่ยวข้องกับเทคนิคการเรียนรู้เครื่องจักรที่แตกต่างกันที่ใช้ในการซื้อขายหุ้นหมวด 3 ระบุรายละเอียด ของเครือข่าย CEFLANN ตามรายละเอียดของการเรียนรู้ ELM ในส่วนที่ 4 ตอนที่ 5 อธิบายขั้นตอนโดยละเอียดของ decisi เกี่ยวกับระบบสนับสนุนการสร้างจุดตัดสินใจในการซื้อขายหลักทรัพย์หมวด 6 แสดงผลการทดลองที่ได้จากการวิเคราะห์เปรียบเทียบในท้ายที่สุดส่วนที่ 7 มีข้อสรุปสรุป 2 การสำรวจวรรณคดีแม้ว่าการวิเคราะห์ชุดข้อมูลทางการเงินส่วนใหญ่จะเกี่ยวข้องกับการคาดการณ์ราคาหุ้นหรือความผันผวน ตลาดหุ้นเป็นอีกหนึ่งพื้นที่การวิจัยที่ได้รับความนิยมการหากำไรหรือขาดทุนจากการซื้อขายหุ้นในท้ายที่สุดขึ้นอยู่กับการวิเคราะห์การเคลื่อนไหวในอนาคตของราคาหุ้นที่มีความผันผวนและไม่สม่ำเสมอในเอกสารฉบับนี้มีหลายรูปแบบรวมการวิเคราะห์ทางเทคนิคด้วยเทคนิคอัจฉริยะที่คำนวณได้สำหรับการคาดการณ์ราคาหุ้น การเคลื่อนไหวดัชนีและการซื้อขายหุ้นใน Ref 11 มีการเสนอกรอบการทำธุรกรรมใหม่เพื่อเพิ่มประสิทธิภาพในการทำงานของระบบการซื้อขายเพื่อเรียนรู้ตามแนวการเสริมแรงเพื่อเสนอขายให้แก่นักลงทุนในการซื้อขายหลักทรัพย์ในแต่ละวันเพื่อสร้างผลกำไรสูงสุดในตลาดหุ้น 12 แบบใหม่โดยใช้ Piecewise การวิเคราะห์เชิงอนุพันธ์ PLR และเครือข่ายประสาทเทียม ANNs ได้เสนอเพื่อวิเคราะห์ความสัมพันธ์แบบไม่เชิงเส้นระหว่างราคาปิดหุ้นกับดัชนีทางเทคนิคต่างๆและเพื่อจับภาพความรู้ของสัญญาณการซื้อขายที่ซ่อนอยู่ในข้อมูลทางประวัติศาสตร์แบบจำลอง ANN ที่เรียนรู้จะใช้ในการคาดการณ์การซื้อขายในอนาคต สัญญาณในชีวิตประจำวันประการที่สองการตัดสินใจในการซื้อขายถูกเรียกโดยการพัฒนาระบบการตัดสินใจแบบไดนามิกเกณฑ์อีกรูปแบบการคาดการณ์ที่รวมหน้าต่างกรณีแบบไดนามิก CBDW และเครือข่ายประสาทเทียมถูกนำมาใช้โดย 13 ในการทำนายจุดเปลี่ยนที่ถูกต้องในการซื้อขายหุ้นเพื่อที่จะ เพิ่มรายได้จากการลงทุนใน Ref 2 วิธีการใช้ตัวจำแนกประเภท k-NN ที่รู้จักกันดีและเครื่องมือวิเคราะห์ทางเทคนิคบางอย่างเช่นตัวชี้วัดทางเทคนิคหยุดการสูญเสียหยุดรับและตัวกรอง RSI เสนอโดยมีวัตถุประสงค์เพื่อตรวจสอบความเป็นไปได้ในการใช้ ระบบการซื้อขายอัจฉริยะในสภาวะตลาดที่แท้จริงโดยพิจารณาจาก บริษัท จริงของ S o Paulo Stock Exchange a nd ค่าใช้จ่ายในการทำธุรกรรมระบบการตรวจสอบสัญญาณการค้าที่มีประสิทธิภาพโดยใช้ตัวแทน PLS แบบอาร์เรย์และเครือข่ายประสาทเทียม ANNEX จะนำเสนอใน 14 เพื่อรวบรวมความรู้เกี่ยวกับสัญญาณการซื้อขายที่ซ่อนอยู่ในราคาย้อนหลังโดยการวิเคราะห์ความสัมพันธ์แบบไม่เชิงเส้นระหว่างราคาปิดหุ้นกับดัชนีทางเทคนิคต่างๆ การตัดสินใจในรูปแบบจะถูกกระตุ้นเพิ่มเติมโดยขีด จำกัด แบบไดนามิกซึ่งจะช่วยให้ได้รับกำไรอย่างมีนัยสำคัญระหว่างการซื้อขายใน Ref 3 ระบบการซื้อขายตามการวิเคราะห์พื้นฐานหรือแผนภูมิได้รับการออกแบบเพื่อปรับปรุงเทคนิคการลงทุนแนวคิดหลักของระบบคือการสร้างการซื้อขาย จุดที่อยู่บนพื้นฐานของตัวบ่งชี้ทางการเงิน ได้แก่ ดัชนีความแรงของสัมพัทธ์ที่คำนวณได้จากเครือข่ายประสาทเทียมต่อไประบบการซื้อขายอัจฉริยะแบบอัจฉริยะอื่น ๆ โดยใช้การวิเคราะห์ทางเทคนิคอัลกอริทึม ABC Bee Colony อัลกอริธึม ABC การเลือกค่าในอดีตการจำแนกประเภทใกล้เคียง k-NN และ การปรับตัวและการจำแนกประเภทที่ปรับได้และ เพื่อนบ้านที่ใกล้ที่สุดเป็นที่กล่าวถึงใน 4 ใน Ref 15 ชุดคำสั่งซื้อแบบฟัซซี่ตามลำดับสูงที่อิงกับการแบ่งพาร์ติชันแบบเอนโทรปีและแบบจำลองการคาดการณ์การปรับตัวได้แสดงให้เห็นถึงความเหนือกว่าเมื่อเปรียบเทียบกับแบบจำลองแบบฟัซซี่เวลาอื่น ๆ ในการสร้างกฎการตัดสินใจเป็นข้อมูลอ้างอิงสำหรับนักลงทุนหุ้น การจัดกลุ่มตามเวลาแบบเรียลไทม์และการคาดการณ์ความผันผวนของราคาตาม SVM สำหรับกลยุทธ์การซื้อขายที่ดีที่สุดลิขสิทธิ์ 2013 Elsevier BV สงวนลิขสิทธิ์ Subhabrata Choudhury กำลังศึกษาปริญญาตรีด้านเทคโนโลยีโลหการและวัสดุของเขาที่สถาบันเทคโนโลยีอินเดียของ Kharagpur ประเทศอินเดียและอยู่ใน ปีสุดท้ายผลงานวิจัยปัจจุบันของเขา ได้แก่ การทำเหมืองข้อมูลการวิจัยการดำเนินงานการเรียนรู้เครื่องจักรและการประยุกต์ใช้ในอุตสาหกรรมการเงินและเหล็กกล้า Sibhajyoti Ghosh เป็นนักศึกษาระดับปริญญาตรีปีที่ 4 จากสถาบันเทคโนโลยีแห่งอินเดีย Kharagpur อินเดียเข้าร่วมหลักสูตร B Tech ปีที่ 5 และ M Tech ในวิศวกรรมมหาสมุทรและสถาปัตยกรรมนาวีสวัสดี Arnab Bhattacharya ปัจจุบันเป็นผู้สมัครระดับปริญญาเอกด้านการวิจัยการดำเนินงานที่ University of Pittsburgh ประเทศสหรัฐอเมริกาเขาจบการศึกษาระดับปริญญาตรีห้าปี B Tech และ M Tech สาขาวิศวกรรมอุตสาหการและการบริหารจัดการที่ประเทศอินเดีย Institute of Technology Kharagpur ประเทศอินเดียในปี 2554 พื้นที่วิจัยของเขา ได้แก่ การวิจัยการดำเนินงานและการทำเหมืองข้อมูล Kiran Jude Fernandes เป็นผู้อำนวยการฝ่ายวิจัยและหัวหน้ากลุ่มการจัดการปฏิบัติการที่ York Management School ประเทศอังกฤษนอกจากนี้เขายังเป็นหนึ่งในนักวิจัยหลักของสหวิทยาการ York Center สำหรับการวิเคราะห์ระบบที่ซับซ้อน YCCSA เขาจบการศึกษาระดับปริญญาเอกด้านการจัดการและระบบปฏิบัติการจากมหาวิทยาลัย Warwick Masters MS จาก James Worth Bagley College of Engineering สาขา MSU มหาวิทยาลัย Mississippi State University และปริญญาตรีวิศวกรรมศาสตร์เกียรตินิยมจากการผลิตของ Waltech จากการวิจัยของเขา มุ่งเน้นไปที่การสร้างโมเดลของโดเมนโซเชียลและธุรกิจที่ซับซ้อนโดยใช้ระบบคอมโพเน็นต์ที่ซับซ้อน มุมมอง yanam Kumar Tiwari เป็นศาสตราจารย์ในภาควิชาวิศวกรรมอุตสาหการและการจัดการในสถาบันเทคโนโลยีแห่งอินเดีย Kharagpur ประเทศอินเดียเขาเป็นบรรณาธิการของวารสารซึ่งรวมถึงธุรกรรมของ IEEE ในระบบและมนุษย์ส่วนหนึ่งของ SMC วารสารนานาชาติของ System Science Journal ระบบสนับสนุนการตัดสินใจเขามีสิ่งพิมพ์มากกว่า 200 ฉบับในวารสารและการประชุมนานาชาติต่างๆความสนใจงานวิจัยของเขาคือแบบสนับสนุนการตัดสินใจการวางแผนการจัดตารางเวลาและการควบคุมปัญหาของระบบการผลิตเครือข่ายซัพพลายเชน
No comments:
Post a Comment