文献

J-GLOBAL ID：201702282513977477   整理番号：17A1427323

日常株式市場リターン予測のための包括的クラスタと分類マイニング法【Powered by NICT】

A comprehensive cluster and classification mining procedure for daily stock market return forecasting

著者 (2件)： Zhong Xiao (Department of Engineering Management and Systems Engineering, Laboratory for Investment and Financial Engineering, Missouri University of Science and Technology, Rolla, MO 65409-0370, USA) ,  Enke David (Department of Engineering Management and Systems Engineering, Laboratory for Investment and Financial Engineering, Missouri University of Science and Technology, Rolla, MO 65409-0370, USA)
資料名： Neurocomputing  (Neurocomputing)
巻： 267  ページ： 152-168  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： データマイニングとビッグデータ解析技術は多くの応用分野で重要な役割,金融市場を含むを果たしている。しかし,ほんの少数の研究は毎日の株式市場リターンの予測に焦点を当てており,これらの研究の中で,利用データマイニング法は不完全であるか,あるいは,非効率的であった。本論文では,60年の金融と経済的特徴に基づくS&P500指数ETF(SPY)の毎日の方向を予測するための包括的データマイニングプロセスを提示した。ファジィc-平均法(FCM)は最初に前処理したデータをクラスタ化するために使用されている。主成分分析(PCA)は,全データセットと各七クラスタのに隣接して適用した。全洗浄データセットの次元は全データセットと各クラスタからの組合せ結果に従って減少した。異なるレベルの次元縮小のに対応して,十二種の新しいデータセットは,全洗浄データから発生させた。将来市場収益の毎日の方向を予測し,PCAを用いた次元縮小の効率を示すために人工神経回路網(ANN)とロジスティック回帰モデルは,分類のための十二変換されたデータセットを用いた。グループの仮説検定は,分類とシミュレーション結果で行ったANNsはロジスティック回帰よりも有意に高い分類精度を与えることを,PCAとANNに基づく包括的なクラスタと分類マイニング法により誘導された取引戦略を比較ベンチマークよりも高いリスク調整利益だけでなく,PCAとロジスティック回帰モデルに基づく予測により誘導されたこれらの戦略を得ることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *クラスタ ,  金融 ,  主成分分析 ,  データマイニング ,  仮説検定 ,  *株式市場 ,  ベンチマーク ,  次元縮小 ,  シミュレーション ,  *予測 ,  ニューラルネットワーク ,  クラスタ化
準シソーラス用語： ロジスティック回帰分析 ,  ロジスティック回帰モデル ,  ビッグデータ , 【Automatic Indexing@JST】

著者キーワード (6件)： 日常株は復帰予測 ,  データマイニング ,  ファジィc-平均(FCM) ,  主成分分析(PCA) ,  人工神経回路網(ANN) ,  ロジスティック回帰

分類 (3件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (5件)： 株式市場 ,  リターン ,  予測 ,  クラスタ ,  分類