Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.
Titre original :
Stock Market Prediction and Efficiency Analysis using Recurrent Neural Network
Contenu du livre :
Rapport de projet de l'année 2018 dans la matière Informatique - Informatique technique, cours : Informatique, langue : English, abstract : La modélisation et la prévision du marché financier ont été un sujet attrayant pour les universitaires et les chercheurs de divers domaines académiques. Le marché financier est un concept abstrait où les marchandises financières telles que les actions, les obligations et les métaux précieux font l'objet de transactions entre acheteurs et vendeurs.
Dans le scénario actuel du monde des marchés financiers, en particulier du marché boursier, la prévision de la tendance ou du prix des actions à l'aide de techniques d'apprentissage automatique et de réseaux neuronaux artificiels est la question la plus intéressante à étudier. Comme Giles l'a expliqué, les prévisions financières sont un exemple de problème de traitement des signaux qui est difficile en raison du bruit élevé, de la petite taille de l'échantillon, de la non-stationnarité et de la non-linéarité. Les caractéristiques bruyantes signifient l'écart d'information incomplet entre le prix et le volume des transactions boursières passées et le prix futur.
Le marché boursier est sensible à l'environnement politique et macroéconomique.
Cependant, ces deux types d'informations sont trop complexes et instables pour être rassemblées. Les informations susmentionnées qui ne peuvent être incluses dans les caractéristiques sont considérées comme du bruit.
La taille de l'échantillon de données financières est déterminée par les enregistrements de transactions dans le monde réel. D'une part, une taille d'échantillon plus importante renvoie à une période plus longue d'enregistrements de transactions ; d'autre part, une taille d'échantillon importante accroît l'incertitude de l'environnement financier au cours de la période d'échantillonnage. Dans ce projet, nous utilisons des données boursières au lieu de données quotidiennes afin de réduire la probabilité d'un bruit incertain et d'augmenter relativement la taille de l'échantillon au cours d'une certaine période.
La non-stationnarité signifie que la distribution des données boursières varie au cours du temps. La non-linéarité implique que la corrélation des caractéristiques des différentes actions individuelles est variable. L'hypothèse du marché efficient a été élaborée par Burton G.
Malkiel en 1991.
Autres informations sur le livre :
| ISBN : | 9783668800465 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
