株式市場予測における機械学習モデル【JST・京大機械翻訳】

Singh Gurjeet

プレプリント

J-GLOBAL ID：202202205548219880 整理番号：22P0291971

株式市場予測における機械学習モデル【JST・京大機械翻訳】

Machine Learning Models in Stock Market Prediction

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2022年02月06日プレプリントサーバーでの情報更新日： 2022年02月06日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本論文は,8つのSupervisedマシン学習モデルを使用することによって,Nifty50指数を予測することに焦点を合わせる。経験的研究に用いた技術は,適応ブース(AdaBoost),k-Nearest近傍(kNN),線形回帰(LR),人工ニューラルネットワーク(ANN),ランダムフォレスト(RF),確率的勾配降下(SGD),サポートベクトルマシン(SVM)および決定木(DT)である。実験は,1996年4月22日から4月16日までのインドストック市場のNifty50指数の歴史的データに基づいて,約25年の時系列データである。期間の間,すべての非取引日を除く6220の取引日があった。全体の取引データセットを,全体のデータの異なるサイズ-25%,全体のデータの50%,全体のデータの75%と全体のデータの4つのサブセットに分けた。各サブセットを,さらに2つの部分訓練データと試験データに分割した。訓練データに3つの試験-Testを適用した後に,試験データに関する試験および各々の部分集合に関する交差検証試験に関して,使用したモデルの予測性能を比較して,比較の後,非常に興味深い結果を見つけた。評価結果は,適応ブース,k-Nearest近傍,ランダムフォレスト,および決定ツリーが,データセットのサイズの増加とともに実行されることを示した。線形回帰と人工ニューラルネットワークは,すべてのモデル間でほぼ類似の予測結果を示したが,人工ニューラルネットワークは訓練でより多くの時間を要し,モデルを検証した。その後,サポートベクターマシンは,モデルの残りの間でより良く機能したが,データセットのサイズの増加とともに,確率的勾配降下は,サポートベクターマシンより良好に機能した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

その他の情報処理 , 産業経済

, , ,

前のページに戻る