Abstract—This paper investigates th

Abstract—This paper investigates the method of forecasting stock price difference on artificially generated price series data using neuro-fuzzy systems and neural networks. As trading profits is more important to an investor than statistical performance, this paper proposes a novel rough set-based neuro-fuzzy stock trading decision model called stock trading using rough set-based pseudo outer-product (RSPOP) which synergizes the price difference forecast method with a forecast bottleneck free trading decision model. The proposed stock trading with forecast model uses the pseudo outer-product based fuzzy neural network using the compositional rule of inference [POPFNN-CRI(S)] with fuzzy rules identified using the RSPOP algorithm as the underlying predictor model and simple moving average trading rules in the stock trading decision model. Experimental results using the proposed stock trading with RSPOP forecast model on real world stock market data are presented. Trading profits in terms of portfolio end values obtained are benchmarked against stock trading with dynamic evolving neural-fuzzy inference system (DENFIS) forecast model, the stock trading without forecast model and the stock trading with ideal forecast model. Experimental results showed that the proposed model identified rules with greater interpretability and yielded significantly higher profits than the stock trading with
DENFIS forecast model and the stock trading without forecast model.

ผลลัพธ์ (ไทย) 1:

นามธรรมเช่นกระดาษนี้ตรวจสอบวิธีการประมาณผลต่างของราคาหุ้นราคาเหือดสร้างชุดข้อมูลโดยใช้เครือข่ายประสาทและระบบสมองเอิบ เป็นการค้ากำไรเป็นสำคัญให้นักลงทุนมากกว่าประสิทธิภาพทางสถิติ กระดาษนี้เสนอนวนิยายหยาบตามชุดศัลยกรรมเอิบคลังเรียกว่าแบบจำลองการตัดสินใจซื้อขายซื้อขายหุ้นใช้หลอกใช้ชุดหยาบภายนอกผลิตภัณฑ์ (RSPOP) ที่ synergizes ผลต่างของราคาคาดการณ์วิธีกับการคาดการณ์คอฟรีค้าตัดสินใจแบบนั้น หุ้นเสนอค้ากับแบบจำลองการคาดการณ์ใช้หลอกภายนอกผลิตภัณฑ์ตามข่ายประสาทเอิบด้วยกฎ compositional ของข้อ [สถาบันวิจัยจุฬา POPFNN (S)] กฎชัดเจนที่ระบุโดยใช้อัลกอริทึม RSPOP เป็นโมเดลต้นแบบจำนวนประตู และง่ายย้ายกฎการค้าเฉลี่ยในแบบจำลองการตัดสินใจซื้อขายหุ้น ผลการทดลองใช้กับหุ้นที่เสนอซื้อขายกับ RSPOP คาดการณ์มีแสดงแบบจำลองข้อมูลตลาดหุ้นโลก ค้ากำไรในสิ้นผลงานค่าเป็น benchmarked กับการซื้อขายหุ้นแบบไดนามิกพัฒนาระบบข้อเอิบประสาท (DENFIS) คาดการณ์รูปแบบ การซื้อขายหุ้นไม่ มีแบบจำลองการคาดการณ์และหุ้นที่ซื้อขายกับแบบจำลองการคาดการณ์ที่เหมาะ ผลการทดลองพบว่า แบบเสนอระบุกฎกับ interpretability มากกว่า และให้ผลกำไรสูงขึ้นอย่างมีนัยสำคัญกว่าการซื้อขายหุ้นด้วยDENFIS การณ์จำลองและหุ้นที่ซื้อขาย โดยไม่มีแบบจำลองการคาดการณ์

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ การวิจัยนี้ศึกษาวิธีการพยากรณ์ราคาหุ้นสร้างความแตกต่างในราคาชุดข้อมูลโดยใช้ประสาทเทียมแบบระบบและโครงข่ายประสาทเทียม เป็นกำไรการค้าสำคัญกับนักลงทุนมากกว่าการปฏิบัติงานสถิติบทความนี้เสนอนวนิยายชุด Neuro ฟัซซี่หยาบการซื้อขายหุ้นซื้อขายหุ้นโดยใช้การตัดสินใจแบบที่เรียกว่าหยาบนอกจากผลิตภัณฑ์ชุดเทียม ( rspop ) ซึ่ง synergizes ราคาแตกต่างกันวิธีการพยากรณ์กับการคาดการณ์ของการตัดสินใจซื้อขายฟรีรูปแบบการเสนอซื้อขายหุ้นกับแบบจำลองพยากรณ์ใช้ผลิตภัณฑ์โดยใช้ฟัซซี่นิวรอลเทียมภายนอกโดยใช้กฎส่วนประกอบของ popfnn-cri อนุมาน [ ( s ) ] กับกฎที่ระบุการใช้ขั้นตอนวิธีแบบฟัซซี่ rspop เป็นต้นแบบและตัวแบบค่าเฉลี่ยเคลื่อนที่อย่างง่ายกฎการซื้อขายในการตัดสินใจซื้อขายหุ้นแบบผลการทดลองใช้รูปแบบ rspop เสนอการซื้อขายหุ้นที่มีการคาดการณ์ข้อมูลตลาดหุ้นโลกจริงจะนำเสนอ การค้ากำไรในแง่ของจบผลงานได้จะเทียบกับการซื้อขายหุ้นที่มีพลวัตการพัฒนาประสาทฟัซซี่ระบบอนุมาน ( denfis ) แบบจำลองพยากรณ์ หุ้นการซื้อขายโดยไม่มีรูปแบบการพยากรณ์และการซื้อขายหุ้นแบบปรับเหมาะจากผลการทดลองพบว่าแบบจำลองที่ระบุกฎ interpretability ให้ผลกำไรมากขึ้นและสูงกว่าการซื้อขายหุ้นด้วย
denfis แบบพยากรณ์และการซื้อขายหุ้นโดยแบบจำลองพยากรณ์อากาศ