networks and genetic algorithm to p

networks and genetic algorithm to perform pattern recognition of the bull flag pattern and to learn the trading rules from price andvolumeoftheNYSECompositeIndex.Resultsshowedthat the forecasting method yielded statistically significant returns that are better than the overall average 20-day horizon price increase. Moody et al. [23], [25] used recurrent reinforcement learning without forecasting to train a trading system to trade using past prices of S&P500 stock index while accounting for the effects of transaction costs (please refer to [26] for details onreinforcementlearning).Chenetal.[24]usedaprobabilistic neuralnetwork(PNN)toforecastthedirectionofpricemoment of the Taiwan Stock Index and presented two PNN-guided investment strategies to translate the predicted direction to trading signals. Field and Singh [20] used Pareto evolutionary neural network (Pareto-ENN) to forecast 37 different interna- tional stock indexes. Althoughneuralnetworks possessthepropertiesrequiredfor technical financial forecasting, they cannot be used to explain the causal relationship between input and output variables be- cause of theirblack box nature.Neuro-fuzzy hybridization syn- ergizes neural networks and fuzzy systems by combining the human-like reasoning style of fuzzy systems with the learning andconnectioniststructureofneuralnetworks.Neuro-fuzzyhy- bridizationiswidelytermedasfuzzyneuralnetworks(FNNs)or neuro-fuzzy systems (NFSs) in the literature [27]. NFSs incor- poratesthehuman-likereasoningstyleoffuzzysystemsthrough theuseoffuzzysetsandalinguisticmodelconsistingofasetof IF–THEN fuzzy rules. Thus the main strength of NFSs is that they are universal approximators [28]–[30] with the ability to solicit interpretable IF–THEN rules [31]. In recent years, in- creasing number of research applied NFSs in financial engi- neering[32].SomeworksthatappliedNFSsinforecastingstock price are [8], [21], [33]–[35]. 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). Section II reviews the two main NFSs and outlines the proposed rough set-based neuro-fuzzy approach. Section III reviews the commonly used time-delayed price forecast approach and the time-delayed price difference forecast approach in forecasting stock prices. Section IV presents experimental results of forecasting stock price difference using various neuro-fuzzy systems and neural networks on artificially generated price series data. Section V reviews existing trading models with and without forecast and presents the proposed forecast bottleneck free stock trading with RSPOP forecast model. Section VI presents extensive experimental results using the proposed stock trading with RSPOP forecast model on real world stock market data. The trading profits in terms of portfolio end values are presented and compared against the stock trading with dynamic evolving neural-fuzzy inference system (DENFIS) [36] forecast model, the stock trading without forecast model and the stock trading with ideal forecast model. Finally, Section VII concludes this paper.

ผลลัพธ์ (ไทย) 1:

เครือข่ายและขั้นตอนวิธีพันธุกรรมการจำแนกรูปแบบของรูป flag วัว และเรียนรู้กฎการค้าจากราคา andvolumeoftheNYSECompositeIndex.Resultsshowedthat วิธีการคาดการณ์ผลทางสถิติกลับ significant ที่ดีกว่าการเพิ่มขึ้นของราคาโดยรวมเฉลี่ย 20 วันฟ้า มู้ดดี้ et al. [23], [25] ใช้เรียนเสริมเกิดซ้ำ โดยไม่มีการคาดการณ์การฝึกระบบการค้าการค้าใช้เลยราคาดัชนีหุ้นเอสแอนด์ P500 ขณะบัญชีสำหรับผลกระทบของต้นทุนธุรกรรม (กรุณา [26] สำหรับรายละเอียด onreinforcementlearning)Chenetaltoforecastthedirectionofpricemoment neuralnetwork (PNN) usedaprobabilistic [24] ดัชนีหุ้นไต้หวันและนำเสนอกลยุทธ์ลงทุนแนะนำ PNN สองแปลทิศทางคาดการณ์การขายสัญญาณ ฟิลด์และสิงห์ [20] ใช้ Pareto วิวัฒนาการโครงข่ายประสาท (Pareto-ENN) เพื่อคาดการณ์ดัชนีหุ้น interna tional ต่าง ๆ 37 Althoughneuralnetworks possessthepropertiesrequiredfor financial เทคนิคการคาดการณ์ พวกเขาไม่สามารถใช้อธิบายความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรอินพุท และเอาท์พุทเป็นสาเหตุธรรมชาติกล่อง theirblackศัลยกรรมเอิบ hybridization syn - ergizes เครือข่ายประสาทและระบบชัดเจน โดยรวมแบบเหตุผลบุคคลเช่นระบบเอิบกับ andconnectioniststructureofneuralnetworks เรียนรู้ศัลยกรรม-fuzzyhy-bridizationiswidelytermedasfuzzyneuralnetworks (FNNs) หรือระบบสมองปุย (NFSs) ในวรรณคดี [27] NFSs theuseoffuzzysetsandalinguisticmodelconsistingofasetof incor poratesthehuman likereasoningstyleoffuzzysystemsthrough ถ้าแล้วเอิบกฎการ ดังนั้น ความแข็งแรงหลักของ NFSs คือพวกเขา approximators สากล [28] – [30] สามารถขอกฎถ้าแล้ว interpretable [31] ในปีที่ผ่านมา ใน creasing จำนวนงานวิจัยประยุกต์ใช้ NFSs ใน financial engi-neering [32]ราคา SomeworksthatappliedNFSsinforecastingstock มี [8], [21], [33] – [35] กระดาษนี้เสนอนวนิยายหยาบตามชุดศัลยกรรมเอิบคลังเรียกว่าแบบจำลองการตัดสินใจซื้อขายซื้อขายหุ้นใช้ภายนอกหลอกใช้ชุดหยาบผลิตภัณฑ์ (RSPOP) ส่วนที่สองทาน NFSs หลักสอง และสรุปเสนอคร่าว ๆ ตามชุดสมองชัดเจนวิธี ส่วน III รีวิววิธีการคาดการณ์ราคาล่าช้าเวลาใช้กันทั่วไป และวิธีการในการคาดการณ์ราคาหุ้นคาดการณ์ส่วนต่างราคาเวลาที่ล่าช้า ส่วน IV แสดงผลการทดลองของการคาดการณ์โดยใช้เครือข่ายประสาทและระบบสมองเอิบต่าง ๆ ข้อมูลชุดราคา artificially ที่สร้างความแตกต่างของราคาหุ้น รีวิวส่วน V ที่ขายอยู่รุ่นมี และไม่มีการคาดการณ์ และนำเสนอหุ้นฟรีขวดนำเสนอการคาดการณ์การค้า ด้วย RSPOP แบบจำลองการคาดการณ์ ส่วน VI นำเสนอผลการทดลองอย่างละเอียดใช้การเสนอซื้อขายหุ้นกับ RSPOP แบบจำลองการคาดการณ์ข้อมูลตลาดหุ้นโลก Profits ค้าในแง่ของค่าสุดท้ายผลงานนำเสนอ และเปรียบเทียบกับหุ้นที่ซื้อขายกับแบบไดนามิกพัฒนาข้อเอิบประสาทระบบ (DENFIS) [36] แบบจำลองคาดการณ์ โดยแบบจำลองการคาดการณ์การซื้อขายหุ้น และหุ้นที่ซื้อขายกับแบบจำลองการคาดการณ์ที่เหมาะ สุดท้าย VII ส่วนสรุปเอกสารนี้

ผลลัพธ์ (ไทย) 3:

เครือข่ายและขั้นตอนวิธีทางพันธุกรรมเพื่อแสดงลวดลายของวัวfl AG รูปแบบและเรียนรู้กฎการซื้อขายจาก andvolumeofthenysecompositeindex ราคา resultsshowedthat การพยากรณ์วิธีให้ผลทางสถิติ signi จึงไม่สามารถผลตอบแทนที่ดีกว่า โดยรวมเฉลี่ย 20 วันขอบฟ้าราคาเพิ่มขึ้น มู้ดดี้ et al . [ 23 ][ 25 ] ใช้เสริมการเรียนรู้ร่วมกันโดยการพยากรณ์การฝึกระบบการซื้อขายเพื่อการค้าโดยใช้ราคาของดัชนีหุ้นของอดีต& P500 ในขณะที่บัญชีสำหรับผลกระทบของต้นทุนธุรกรรม ( กรุณาดูที่ [ 26 ] รายละเอียด onreinforcementlearning ) chenetal .[ 24 ] [ usedaprobabilistic ( pnn ) toforecastthedirectionofpricemoment ของไต้หวัน ดัชนีหุ้น และนำเสนอสอง pnn แนะนำกลยุทธ์การลงทุนแปลคาดการณ์ทิศทางสัญญาณการซื้อขาย สนามสิงห์ [ 20 ] ใช้ Pareto เครือข่ายประสาทวิวัฒนาการ ( Pareto ENN ) การคาดการณ์ 37 - ดัชนีหุ้นแตกต่างกัน interna tional .althoughneuralnetworks possessthepropertiesrequiredfor จึง nancial เทคนิคการพยากรณ์ พวกเขาไม่สามารถใช้เพื่ออธิบายความสัมพันธ์เชิงสาเหตุระหว่างอินพุตเอาต์พุตและตัวแปรเป็นสาเหตุของ theirblack ภัยธรรมชาติประสาทฟัซซี่ ( ; - ergizes เครือข่ายประสาทฟัซซี่และระบบโดยรวมของมนุษย์ เช่น การให้เหตุผลลักษณะของระบบฟัซซี่กับการเรียนรู้ andconnectioniststructureofneuralnetworks.neuro-fuzzyhy - bridizationiswidelytermedasfuzzyneuralnetworks ( fnns ) หรือระบบฟัซซี่ ประสาท ( nfss ) ในวรรณคดี [ 27 ]nfss incor - poratesthehuman likereasoningstyleoffuzzysystemsthrough theuseoffuzzysetsandalinguisticmodelconsistingofasetof ถ้า ) แล้วนำกฎ ดังนั้นความแข็งแรงหลักของ nfss ว่าเป็นสากล approximators [ 28 ] - [ 30 ] มีความสามารถในการ interpretable ถ้า - แล้วกฎ [ 31 ] ในปีล่าสุด - creasing หมายเลขการวิจัยประยุกต์ nfss ในจึง nancial Engi - neering [ 32 ]someworksthatappliednfssinforecastingstock ราคา [ 8 ] , [ 21 ] , [ 33 ] - [ 3 ] บทความนี้เสนอนวนิยายชุด Neuro ฟัซซี่หยาบการซื้อขายหุ้นซื้อขายหุ้นโดยใช้การตัดสินใจแบบที่เรียกว่าหยาบนอกจากผลิตภัณฑ์ชุดเทียม ( rspop ) ส่วนที่ ii รีวิวสองหลัก nfss และสรุปเสนอวิธีการเลือนประสาทหยาบตั้งตามส่วนที่ 3 ความคิดเห็น ใช้บ่อยเวลาล่าช้าการพยากรณ์ราคาวิธีการและเวลาล่าช้าราคาต่างกันวิธีการในการพยากรณ์คาดการณ์ราคาหุ้น ส่วนที่ 4 แสดงผลของการพยากรณ์ราคาหุ้นโดยใช้ระบบต่างๆแตกต่างกัน Neuro เลือนและเครือข่ายประสาทใน Arti จึงสร้าง cially ราคาชุดข้อมูลส่วน V รีวิวโมเดลการค้าที่มีอยู่และไม่มีการคาดการณ์และนำเสนอเสนอประมาณการฟรีซื้อขายหุ้นกับ rspop คอขวดพยากรณ์แบบ ส่วนที่ 6 เสนอผลอย่างละเอียดโดยใช้เสนอการซื้อขายหุ้นกับแบบจำลองพยากรณ์ rspop ข้อมูลตลาดหุ้นโลกที่แท้จริงการค้า Pro จึง TS ในแง่ของค่าจบผลงานนำเสนอและเปรียบเทียบกับการซื้อขายหุ้นในตลาดหลักทรัพย์ ด้วยการพัฒนาระบบประสาทฟัซซี่แบบอนุมาน ( denfis ) [ 36 ] การพยากรณ์รูปแบบ , การซื้อขายหุ้นโดยไม่มีรูปแบบการพยากรณ์และการซื้อขายหุ้นแบบปรับเหมาะ ในที่สุด ส่วนที่ 7 สรุปบทความนี้