Trading boursier automatisé à l'aide de l'apprentissage automatique
Versandfertig in 6-10 Tagen
23,99 €
inkl. MwSt.
PAYBACK Punkte
12 °P sammeln!
La prise de décision sur le marché boursier est une tâche très stimulante et difficile de prédiction des données financières. La prédiction du marché boursier avec un mouvement de haute précision rapporte des bénéfices aux investisseurs des actions. En raison de la complexité des données financières du marché boursier, le développement de modèles efficaces pour la prédiction de la décision est très difficile, et il doit être précis. Cette étude a tenté de développer des modèles pour la prédiction du marché boursier et pour décider d'acheter ou de conserver les act...
La prise de décision sur le marché boursier est une tâche très stimulante et difficile de prédiction des données financières. La prédiction du marché boursier avec un mouvement de haute précision rapporte des bénéfices aux investisseurs des actions. En raison de la complexité des données financières du marché boursier, le développement de modèles efficaces pour la prédiction de la décision est très difficile, et il doit être précis. Cette étude a tenté de développer des modèles pour la prédiction du marché boursier et pour décider d'acheter ou de conserver les actions en utilisant des techniques d'exploration de données et d'apprentissage automatique. Les techniques d'apprentissage automatique comme Naive Bayes, k-Nearest Neighbor (k-NN), Support Vector Machine (SVM), Artificial Neural Network (ANN) et Random Forest ont été utilisées pour développer le modèle de prédiction. Les indicateurs techniques sont calculés à partir des prix des actions sur la base des données chronologiques et sont utilisés comme entrées des modèles de prédiction proposés. Dix années de données boursières ont été utilisées pour la prédiction du signal des actions. Sur la base de l'ensemble des données, ces modèles sont capables de générer un signal d'achat/de maintien pour le marché boursier en tant que sortie.
Andere Kunden interessierten sich für
