توضیحات
ABSTRACT
Stock market forecasting is a vital component of financial systems. However, the stock prices are highly noisy and non-stationary due to the fact that stock markets are affected by a variety of factors. Predicting stock market trend is usually subject to big challenges. The goal of this paper is to introduce a new hybrid, endto-end approach containing two stages, the Empirical Mode Decomposition and Factorization Machine basedNeural Network (EMD2FNN), to predict the stock market trend. To illustrate the method, we apply EMD2FNN to predict the daily closing prices from the Shanghai Stock Exchange Composite (SSEC) index, the National Association of Securities Dealers Automated Quotations (NASDAQ) index and the Standard & Poor’s 500 Composite Stock Price Index (S&P 500), which respectively exhibit oscillatory, upward and downward patterns. The results are compared with predictions obtained by other methods, including the neural network (NN) model, the factorization machine based neural network (FNN) model, the empirical mode decomposition based neural network (EMD2NN) model and the wavelet de-noising-based back propagation (WDBP) neural network model. Under the same conditions, the experiments indicate that the proposed methods perform better than the other ones according to the metrics of Mean Absolute Error (MAE), Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE). Furthermore, we compute the profitability with a simple long-short trading strategy to examine the trading performance of our models in the metrics of Average Annual Return (AAR), Maximum Drawdown (MD), Sharpe Ratio (SR) and AAR/MD. The performances in two different scenarios, when taking or not taking the transaction cost into consideration, are found economically significant.
INTRODUCTION
Stock market forecasting is always a remarkable topic and has attracted continuous attention in inance. Unfortunately, stock prices exhibit dynamic, non-linear, non-parametric and chaotic properties in nature (Oh & Kim, 2002; Wang, 2003). Many standard statistical and econometric models for forecasting must face significant 5 challenges, such as disobeying the statistical assumptions in dealing with non-stationary time series, or having unsatisfactory forecasting performance due to the requirement of observations to be distributed normally.
چکیده
پیش بینی بازار بورس یک جزء حیاتی از سیستم های مالی است. با این حال، قیمت سهام به شدت پر سر و صدا و غیر ثابت با توجه به این واقعیت است که بازارهای سهام تحت تاثیر عوامل مختلف. پیش بینی روند بازار سهام معمولا به چالش های بزرگ بستگی دارد. هدف از این مقاله معرفی یک رویکرد جدید ترکیبی، پایان نهایی شامل دو مرحله، مدل تقسیم حالت تجربی و شبکه مبتنی بر شبکه فاکتور سازی (EMD2FNN) برای پیش بینی روند بازار سهام است. برای نشان دادن روش، ما از EMD2FNN برای پیش بینی قیمت روزانه بسته بندی از شاخص سهام کامپوزیتی شانگهای (SSEC)، شاخص سهام مجدد سهامداران ملی (NASDAQ) و Standard & Poor’s 500 Composite Index Price Index (S & P 500 )، که به ترتیب الگوهای نوسان، بالا و پایین را نشان می دهند. نتایج با پیش بینی های به دست آمده از روش های دیگر، از جمله مدل شبکه عصبی (NN)، مدل شبکه عصبی مبتنی بر فاکتور سازی (FNN)، مدل شبکه عصبی مبتنی بر مدل سازی تجربی (EMD2NN) و مدل مبتنی بر تخمین موجک مدل شبکه عصبی (WDBP). در شرایط مشابه، آزمایشات نشان می دهد که روش های پیشنهادی با توجه به معیارهای خطای مطلق متوسط (MAE)، خطای مربع میانگین ریشه (RMSE) و میانگین خطای درصد مطلق (MAPE) بهتر از سایرین عمل می کنند. علاوه بر این، سودآوری را با یک استراتژی تجاری کوتاه مدت کوتاه برای بررسی عملکرد تجاری مدل های ما در معیارهای میانگین سالانه بازگشت (AAR)، حداکثر کاهش (MD)، نسبت شارپ (SR) و AAR / MD محاسبه می کنیم. عملکرد در دو سناریو متفاوت، زمانی که هزینه های مربوط به معامله را در نظر بگیرید یا از آن استفاده نکنید، از لحاظ اقتصادی قابل توجه است.
مقدمه
پیش بینی بازار سهام همیشه یک موضوع قابل توجه است و توجه مداوم را در انجا جذب کرده است. متاسفانه، قیمت سهام دارای خواص پویا، غیر خطی، غیر پارامتری و هرج و مرج در طبیعت است (Oh & Kim، 2002؛ Wang، 2003). بسیاری از مدلهای استاندارد آماری و اقتصادسنجی برای پیش بینی باید با 5 مورد چالش مواجه شوند، مثلا نادیده گرفتن فرضیه های آماری در برخورد با سری زمانی غیر ثابت، یا عملکرد پیش بینی ناخوشایند به دلیل نیاز به مشاهدات به طور معمول توزیع شود.
Year: 2018
Publisher : ELSEVIER
By : Feng Zhou, Hao-min Zhou, Zhihua Yang, Lihua Yang
File Information: English Language/ 27 Page / size: 3.94 MB
سال : 1396
ناشر : ELSEVIER
کاری از : فنگ ژو، هاو مین ژو، زیه هوا یانگ، لیهوا یانگ
اطلاعات فایل : زبان انگلیسی / 27 صفحه / حجم : MB 3.94
نقد و بررسیها
هنوز بررسیای ثبت نشده است.