The main approach in financial fore

The main approach in financial forecasting is to identify trends at an early stage in order to maintain an investment strategy until evidence indicates that the trend has reversed. Predictability of security from past real-world data using two of the simplest and most popular trading rules, namely moving average and trading range break-out rules, were first investigated in [3] on the Dow Jones Index. Other techniques used include regression methods and the ARIMA models [7], but these models fail to give satisfactory forecast for some series because of their linear structures and some other inherent limitations [8]. Although there are also ARCH/GARCH models [9] to deal with the nonconstant variance, these models also fail to give satisfactory forecast for some series [8] (please refer to [10]–[12] for a modern guide to the statistical approach to technical financial forecasting). Increasingly applications of artificial intelligence (AI) techniques, mainly artificial neural networks, have been applied to technical financial forecasting [13]–[15] as they have the ability to learn complex nonlinear mapping and self-adaptation for different statistical distributions (please refer to [16] for a review and evaluation of neural networks in technical financial forecasting). An investigation on the nonlinear predictability of security returns from past real-world returns using single layer feed-forward neural network and moving average rules was presented in [17] on the Dow Jones Index. The results showed that evidence of nonlinear predictability in stock market returns can be found by using the past buy and sell signals of the moving average rules. Application of AI techniques in financial forecasting is not restricted only to the technical analysis approach, but has also been applied to the fundamental approach. For example, in the work of [18], a genetic algorithm based fuzzy neural network is trained with additional political, financial, economic factors etc. to formulate trading decisions. A number of research investigations have been published on the application of AI techniques in the technical analysis approach of forecasting stock price, but only a few presented quantitative results on trading performance using real world stock market data [19]–[24]. Saad et al. [21] performed analysis of predictability based on a history of closing price of a number of high volatility stocks and consumer stocks using time delay, recurrent and probabilistic neural networks. Leigh et al. [22] used neuralnetworks and genetic algorithm to perform pattern recognition of the bull flag pattern and to learn the trading rules from price and volume of the NYSE Composite Index. Results showed that 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 on reinforcement learning). Chen et al. [24] used a probabilistic neural network (PNN) to forecast the direction of price moment 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 international stock indexes.

ผลลัพธ์ (ไทย) 1:

แนวทางหลักในการพยากรณ์ทางการเงินเพื่อ ระบุแนวโน้มการรักษากลยุทธ์การลงทุนจนกว่าหลักฐานบ่งชี้ว่า แนวโน้มมีการกลับรายการได้ แอพพลิเคชันของความปลอดภัยจากข้อมูลจริงมาใช้สองที่ง่ายที่สุด และนิยมมากที่สุด กฎการซื้อขายได้แก่ ย้ายกฎแบ่งเฉลี่ย และค้า ถูกสอบสวนก่อนใน [3] ดัชนีดาวโจนส์ เทคนิคที่ใช้ได้แก่วิธีการถดถอยและรุ่นอา [7], แต่โมเดลเหล่านี้ล้มเหลวในการให้การคาดการณ์เป็นที่พอใจสำหรับชุดบางโครงสร้างเชิงเส้นของพวกเขาและอื่น ๆ โดยธรรมชาติขีดจำกัดบางอย่าง [8] แม้ว่ายังมีรุ่น ซุ้ม/GARCH [9] การจัดการกับตัวแปร nonconstant โมเดลเหล่านี้ยังไม่ให้การคาดการณ์เป็นที่พอใจสำหรับบางชุด [8] (โปรดดู [10] - [12] สำหรับแนะนำวิธีการทางสถิติเพื่อการคาดการณ์ทางการเงินทางเทคนิคสมัยใหม่) มากขึ้นได้ใช้โปรแกรมปัญญาประดิษฐ์ (AI) เทคนิค ส่วนใหญ่ประดิษฐ์ประสาทเครือข่าย การเทคนิคทางการเงินคาดการณ์ [13] - [15] ตามที่พวกเขามีความสามารถในการเรียนรู้การแมปไม่เชิงเส้นที่ซับซ้อนและปรับตนเองในการกระจายทางสถิติแตกต่างกัน (โปรดดู [16] สำหรับตรวจสอบและประเมินผลของเครือข่ายประสาทในการคาดการณ์ทางการเงินทางเทคนิค) การสอบสวนในแอพพลิเคชันไม่เชิงเส้นของความปลอดภัยกลับจากโลกจริงที่ผ่านมากลับใช้โครงข่ายประสาทไปอาหารชั้นเดียว และย้ายกฎค่าเฉลี่ยถูกนำเสนอใน [17] ดัชนีดาวโจนส์ ผลลัพธ์ที่แสดงให้เห็นว่า สามารถพบหลักฐานของแอพพลิเคชันไม่เชิงเส้นในตลาดหุ้นกลับโดยผ่านมาซื้อ และขายสัญญาณกฎค่าเฉลี่ยเคลื่อนที่ ประยุกต์ใช้เทคนิค AI ในการคาดการณ์ทางการเงินจะไม่จำกัดเฉพาะวิธีการวิเคราะห์ทางเทคนิค แต่ยังได้ถูกใช้กับวิธีการพื้นฐาน ตัวอย่าง งาน [18], เครือข่ายประสาทชัดเจนตามขั้นตอนวิธีพันธุกรรมคือการฝึกอบรม มีปัจจัยเพิ่มเติมทางการเมือง การเงิน เศรษฐกิจฯลฯ การกำหนดตัดสินใจซื้อขาย จำนวนตรวจสอบวิจัยได้เผยแพร่ในการประยุกต์ใช้เทคนิควิธีการวิเคราะห์ทางเทคนิคของราคาคาดการณ์หุ้น AI แต่ไม่มีแสดงผลเชิงปริมาณในการซื้อขายประสิทธิภาพใช้ข้อมูลตลาดหุ้นโลก [19] - [24] สะอัด et al. [21] ทำการวิเคราะห์ของแอพพลิเคชันตามประวัติของราคาปิดของหุ้นผันผวนและหุ้นผู้บริโภคใช้หน่วงเวลา เครือข่ายประสาทที่เกิดซ้ำ และ probabilistic ลีห์ et al. [22] ใช้ neuralnetworks และอัลกอริทึมทางพันธุกรรมการจำแนกรูปแบบของรูปแบบธงกระทิง และเรียนรู้กฎการค้าจากราคาและปริมาณของ NYSE ดัชนีคอมโพสิต ผลลัพธ์ที่แสดงให้เห็นว่า วิธีการคาดการณ์ผลกลับอย่างมีนัยสำคัญทางสถิติที่ดีกว่าการเพิ่มขึ้นของราคาโดยรวมเฉลี่ย 20 วันฟ้าได้ มู้ดดี้ et al. [23], [25] ใช้เรียนเสริมเกิดซ้ำ โดยไม่มีการคาดการณ์การฝึกระบบการค้าการค้าใช้เลยราคาดัชนีหุ้นเอสแอนด์ P500 ขณะบัญชีสำหรับผลกระทบของต้นทุนธุรกรรม (กรุณา [26] สำหรับรายละเอียดเกี่ยวกับการเรียนรู้เสริม) เฉิน et al. [24] ใช้เครือข่ายประสาท probabilistic (PNN) เพื่อคาดการณ์ทิศทางของราคาขณะนี้ดัชนีตลาดหลักทรัพย์ไต้หวัน และนำเสนอกลยุทธ์ PNN แนะนำลงทุนสองแปลทิศทางคาดการณ์การขายสัญญาณ ฟิลด์และสิงห์ [20] ใช้ Pareto วิวัฒนาการโครงข่ายประสาท (Pareto-ENN) เพื่อคาดการณ์ 37 ต่าง ๆ ดัชนีหุ้นต่างประเทศ

ผลลัพธ์ (ไทย) 3:

วิธีการหลักในการพยากรณ์ทางการเงินเพื่อระบุแนวโน้มในระยะแรกเพื่อรักษากลยุทธ์การลงทุนจนกว่าหลักฐานบ่งชี้ว่าแนวโน้มได้กลับ ความสามารถในการพยากรณ์ของการรักษาความปลอดภัยจากการใช้ข้อมูลที่เป็นจริงในอดีตสองของที่ง่ายที่สุดและเป็นที่นิยมมากที่สุดกฎการซื้อขาย คือ ค่าเฉลี่ยเคลื่อนที่และการซื้อขายช่วงแบ่งออกกฎเป็นครั้งแรกที่พบใน [ 3 ] ในดัชนี Dow Jones เทคนิคที่ใช้อื่น ๆรวมถึงวิธีการถดถอยและตัวแบบ ARIMA [ 7 ] แต่โมเดลเหล่านี้ล้มเหลวที่จะให้อัตราที่น่าพอใจสำหรับบางชุด เพราะโครงสร้างเชิงเส้นของพวกเขาและบางคนอื่น ๆ แท้จริงข้อจำกัด [ 8 ] แม้ว่าจะยังมีของโมเดลโค้ง / [ 9 ] เพื่อจัดการกับ nonconstant แปรปรวน ,โมเดลเหล่านี้ยังล้มเหลวที่จะให้ประมาณการที่น่าพอใจสำหรับบางชุด [ 8 ] ( กรุณาดู [ 10 ] และ [ 12 ] สำหรับสมัยใหม่แนะนำวิธีการทางสถิติเพื่อการพยากรณ์ทางการเงินเทคนิค ) มากขึ้นการประยุกต์ใช้ปัญญาประดิษฐ์ ( AI ) เทคนิคโครงข่ายประสาทเทียม , ส่วนใหญ่ ,มีการใช้เทคนิคการพยากรณ์ทางการเงิน [ 13 ] - [ 15 ] เป็นพวกมีความสามารถเรียนรู้การทำแผนที่เชิงซับซ้อนและการปรับตัวและการกระจายทางสถิติที่แตกต่างกัน ( โปรดดูที่ [ 16 ] เพื่อการตรวจสอบและประเมินผลของโครงข่ายประสาทเทียมในการพยากรณ์ทางการเงินเทคนิค )การศึกษาแบบเชิงเส้นในการรักษาความปลอดภัยกลับมาจากอดีตจริงกลับใช้ชั้นเดียว feed-forward เครือข่ายระบบประสาทและค่าเฉลี่ยเคลื่อนที่กฎถูกเสนอใน [ 17 ] ในดัชนี Dow Jones ผลการศึกษาพบว่า หลักฐานของเส้นผลตอบแทนในตลาดหุ้นสามารถพบได้โดยการใช้อดีตซื้อและขายสัญญาณของการย้ายกฎการเฉลี่ยการผสมเทียมในการพยากรณ์ทางการเงินไม่ จำกัด เฉพาะการวิเคราะห์ทางเทคนิควิธีการ แต่ยังได้ประยุกต์วิธีการพื้นฐาน ตัวอย่างเช่น ในงาน [ 18 ] , ขั้นตอนวิธีทางพันธุกรรมโดยใช้เครือข่ายประสาทแบบฝึกเสริมการเมือง การเงิน ปัจจัยทางเศรษฐกิจ ฯลฯ เพื่อสร้างการตัดสินใจซื้อขายจำนวนของการตรวจสอบวิจัยได้รับการเผยแพร่เกี่ยวกับการผสมเทียมของเทคนิคการวิเคราะห์ทางเทคนิควิธีการพยากรณ์ราคาหุ้น แต่เพียง ไม่กี่ แสดงผลการทำงาน โดยใช้ข้อมูลเชิงปริมาณการซื้อขายตลาดหุ้นโลกจริง [ 19 ] - [ 24 ] ซาอัด et al .[ 21 ] แสดงการวิเคราะห์การคาดการณ์ตามประวัติศาสตร์ของราคาปิดของหุ้นผันผวนสูงและผู้บริโภคหุ้นใช้ล่าช้าเวลาดำเนินการและการโครงข่าย ลีห์ et al . [ 22 ] ใช้โครงข่ายประสาทและขั้นตอนวิธีทางพันธุกรรมเพื่อแสดงรูปแบบของธง วัวลาย และเรียนรู้กฎการซื้อขาย จากราคาและปริมาณของ NYSE ดัชนีคอมโพสิต .ผลการศึกษาพบว่า วิธีการพยากรณ์ค่านัยสำคัญทางสถิติที่ให้ผลที่ดีกว่าโดยรวมเฉลี่ย 20 วันขอบฟ้าราคาเพิ่มขึ้น มู้ดดี้ et al . [ 23 ][ 25 ] ใช้เสริมการเรียนรู้ร่วมกันโดยการพยากรณ์การฝึกระบบการซื้อขายเพื่อการค้าโดยใช้ราคาของดัชนีหุ้นของอดีต& P500 ในขณะที่บัญชีสำหรับผลกระทบของต้นทุนธุรกรรม ( โปรดดูที่ [ 26 ] รายละเอียดเสริมการเรียนรู้ Chen et al .[ 24 ] ใช้ความน่าจะเป็นของโครงข่ายประสาทเทียม ( pnn ) เพื่อคาดการณ์ทิศทางของราคาของไต้หวันขณะนี้ ดัชนีหุ้น และนำเสนอสอง pnn แนะนำกลยุทธ์การลงทุนแปลคาดการณ์ทิศทางสัญญาณการซื้อขาย สนามสิงห์ [ 20 ] ใช้ Pareto เครือข่ายประสาทวิวัฒนาการ ( Pareto ENN ) การคาดการณ์ 37 ที่แตกต่างกันระหว่างหุ้นดัชนี