پیش بینی بازار سهام با فاکتورگیری غیرمنفی ماتریس (NMF) و ELM

چگونگی پیش بینی حرکت قیمت سهام براساس مدل سازی اطلاعات بازار ، یک موضوع جذاب است. در مقابل، اخبار بازار و قیمت سهام که معمولا به عنوان دو منبع مهم اطلاعات بازار شناخته میشوند، چگونگی استخراج و بهره برداری از اطلاعات پنهان در داده های خام و پیش بینی دقیق و سریع به طور همزمان یک مشکل چالش برانگیز محسوب میشود. روش پیشنهادی، از تکنیک های انتخاب ویژگی به روش فاکتورگیری غیرمنفی ماتریس (NMF) و ماشین یادگیری شدید )ELM( برای پیش بینی قیمت سهام بر اساس دو منبع داده همزمان بهره میبرد. عملکرد روش پیشنهادی برروی دادههای روزانه بازار سهام H-share و آرشیوهای خبری همزمان مورد آزمایش قرار گرفت . همچنین، از چندین روش جدید که به عنوان بهترین روشها در پژوهشهای اخیر معرفی شده اند، برای مقایسه عملکرد روش پیشنهادی بهره گرفته شد. نتایج تجربی نشان داد در حالت استفاده از ویژگی های پایه استخراج شده از منابع بازار سهام، مدلهایی که از هسته RBF استفاده میکنند در مقایسه با سایر روشها عملکرد بهتری دارند. همچنین در حالت انتخاب ویژگیها با استفاده از NMF، عملکرد ELM بهبود قابل توجهی نسبت به رقبای خود پیدا میکند.

Keywords:

پیش بینی بازار سهام , فاکتورگیری غیرمنفی ماتریس (NMF) , ELM , هسته .RBF