จัดกลุ่ม เวลาจริงและ Svm ตาม การคาดการณ์ ความผันผวนของ ราคา สำหรับ กลยุทธ์การซื้อขาย ที่ดีที่สุด

ไฮไลท์ ราคาในอนาคตมีการคาดการณ์โดยใช้เครื่องเวกเตอร์สนับสนุน ระยะสั้นกลยุทธ์การซื้อขายเป็นสูตรขึ้นอยู่กับการคาดการณ์ จำลองการทดสอบตระหนักกำไร 1.5% กว่า 15 วัน ผลตอบแทนทางการเงินเกี่ยวกับการลงทุนและการเคลื่อนไหวของตัวชี้วัดตลาดจะเต็มไปด้วยความไม่แน่นอนและสภาพแวดล้อมที่มีความผันผวนสูงที่มีอยู่ในตลาดโลก ตลาดทุนอ​​ย่างหนักได้รับผลกระทบโดยตลาดคาดการณ์และการรักษาผลงานที่มีความหลากหลายเพื่อสุขภาพที่มีความเสี่ยงต่ำสุดคือไม่ต้องสงสัยที่สำคัญสำหรับการลงทุนที่เกิดขึ้นในสินทรัพย์ดังกล่าว ราคาที่มีประสิทธิภาพและการทำนายความผันผวนสูงจะมีผลต่อการเรียนการสอนของกลยุทธ์การลงทุนเกี่ยวกับการเช่นผลงานของตราสารทุน ในบทความนี้ SOM นวนิยายตามเทคนิคการจัดกลุ่มไฮบริดจะรวมกับการสนับสนุนการถดถอยเวกเตอร์สำหรับการเลือกผลงานและราคาที่ถูกต้องและการคาดการณ์ความผันผวนซึ่งจะกลายเป็นพื้นฐานสำหรับกลยุทธ์การซื้อขายโดยเฉพาะอย่างยิ่งสำหรับผลงานที่นำมาใช้นั้น การวิจัยจะพิจารณาด้านบน 102 หุ้นของตลาดหุ้น NSE (อินเดีย) ​​เพื่อระบุชุดของพอร์ตการลงทุนที่ดีที่สุดที่นักลงทุนสามารถรักษาเพื่อลดความเสี่ยงและการทำกำไรสูง ระยะสั้นหุ้นกลยุทธ์การซื้อขายและตัวชี้วัดประสิทธิภาพการทำงานที่มีการพัฒนาในการประเมินความถูกต้องของการคาดการณ์เกี่ยวกับการสถานการณ์ที่เกิดขึ้นจริง Subhabrata Choudhury กำลังตามล่าปริญญาตรีของเขาการศึกษาระดับปริญญาเทคโนโลยีวิศวกรรมโลหการและวัสดุที่สถาบันเทคโนโลยีแห่งอินเดียปัวอินเดียและอยู่ในปีสุดท้าย งานวิจัยที่สนใจในปัจจุบันของเขารวมถึงการทำเหมืองข้อมูลการดำเนินงานวิจัยเครื่องการเรียนรู้และการใช้งานของพวกเขาในด้านการเงินและอุตสาหกรรมเหล็ก Subhajyoti กอชเป็นปีที่สี่นักศึกษาระดับปริญญาตรีในสถาบันเทคโนโลยีแห่งอินเดียปัวอินเดียลงทะเบียนเรียนในห้าปีหลักสูตรปริญญาคู่ (บีเอ็มเทคและเทค) ในมหาสมุทรวิศวกรรมและสถาปัตยกรรมเรือรบ การวิจัยในปัจจุบันของเขามุ่งเน้นการดำเนินงานวิจัยตลาดการเงินและการจัดตารางเวลา Arnab Bhattacharya ปัจจุบันเป็นผู้สมัครระดับปริญญาเอกในการดำเนินงานวิจัยที่มหาวิทยาลัยพิตส์เบิร์กสหรัฐอเมริกา เขาจบห้าปีหลักสูตรปริญญาคู่ (บีเอ็มเทคและเทค) ในสาขาวิชาวิศวกรรมอุตสาหการและการบริหารที่สถาบันเทคโนโลยีแห่งอินเดียปัวอินเดียในปี 2011 ด้านการวิจัยของเขารวมถึงการดำเนินงานวิจัยและการทำเหมืองข้อมูล เฟอร์นันเดรานจูดเป็นผู้อำนวยการและหัวหน้าฝ่ายวิจัยของกลุ่ม บริษัท จัดการการดำเนินงานที่โรงเรียนการจัดการ York, สหราชอาณาจักร นอกจากนี้เขายังเป็นหนึ่งในนักวิจัยหลักที่นิวยอร์กสหวิทยาการศูนย์การวิเคราะห์ระบบคอมเพล็กซ์ (YCCSA) เขาจบปริญญาเอกในการบริหารจัดการและระบบการดำเนินงานจากมหาวิทยาลัยวอร์วิก; ปริญญาโท (MS) จากเจมส์เวิร์แบควิทยาลัยวิศวกรรมศาสตร์ที่มหาวิทยาลัยรัฐมิสซิสซิปปี (MSU) และปริญญาตรีวิศวกรรมศาสตร์ (เกียรตินิยม) ปริญญาในการผลิตจาก Waltech งานวิจัยของเขามุ่งเน้นไปที่การสร้างแบบจำลองที่ซับซ้อนโดเมนทางสังคมและทางธุรกิจโดยใช้มุมมองของระบบที่ซับซ้อน มาโนจมาร์ทิวาเป็นอาจารย์ในภาควิชาวิศวกรรมอุตสาหการและการบริหารจัดการในสถาบันเทคโนโลยีแห่งอินเดียปัวอินเดีย เขาเป็นบรรณาธิการวารสารซึ่งรวมถึงธุรกรรมอีอีอีเอสเอ็ม ส่วน ระบบและมนุษย์วารสารนานาชาติวิทยาศาสตร์ระบบ วารสารระบบสนับสนุนการตัดสินใจ เขามีมากกว่า 200 สิ่งพิมพ์ในวารสารต่างประเทศและการประชุม ผลการวิจัยของเขาเป็นรุ่นสนับสนุนการตัดสินใจการวางแผนการจัดตารางเวลาและปัญหาการควบคุมของระบบการผลิต, เครือข่ายห่วงโซ่อุปทาน ผู้เขียนที่สอดคล้องกัน โทร +91 3222 283 746 ลิขสิทธิ์© 2013 Elsevier BV สงวนลิขสิทธิ์ สิ่งพิมพ์ที่คล้ายกัน จัดกลุ่มเวลาจริงและ SVM ตามการคาดการณ์ราคาผันผวน สำหรับกลยุทธ์การซื้อขายที่ดีที่สุด Subhabrata Choudhurya, 1, Subhajyoti Ghoshb, 2, Arnab Bhattacharyac, จูดราน Fernandesd, 3,4, มาโนจมาร์ Tiwarie, n 5 ภาควิชาวิศวกรรมโลหการวัสดุ, สถาบันเทคโนโลยีแห่งอินเดียปัวปัว 721302, อินเดีย bDepartment ของมหาสมุทรวิศวกรรมและสถาปัตยกรรมเรือรบ, สถาบันเทคโนโลยีแห่งอินเดียปัวปัว 721302, อินเดีย cUniversity พิตส์เบิร์กพิตส์เบิร์ก, PA 15213, สหรัฐอเมริกา dDepartment การจัดการมหาวิทยาลัยเดอร์แฮม Business School, มิลล์ฮิลล์เลนเดอร์แฮมมหาวิทยาลัยเดอร์แฮม DH1 3LB, สหราชอาณาจักร eDepartment วิศวกรรมอุตสาหการและการจัดการสถาบันเทคโนโลยีแห่งอินเดีย, ปัว 721302, อินเดีย งาน R ฉันทีคลิตรอีฉัน n ฉ o ประวัติศาสตร์บทความ: ที่ได้รับ 17 ตุลาคม 2012 ที่ได้รับการแก้ไขในรูปแบบ 22 กรกฎาคม 2013 ได้รับการยืนยัน 10 ตุลาคม 2013 การสื่อสารโดย Bijaya Ketan Panigrahi ออนไลน์ 29 ตุลาคม 2013 ตลาดหลักทรัพย์ การจัดกลุ่ม แผนที่การจัดระเบียบตัวเอง กลยุทธ์การซื้อขาย สนับสนุนเครื่องเวกเตอร์ นามธรรม ผลตอบแทนทางการเงินเกี่ยวกับการลงทุนและการเคลื่อนไหวของตัวชี้วัดตลาดจะเต็มไปด้วยความไม่แน่นอนและ สภาพแวดล้อมที่มีความผันผวนสูงที่มีอยู่ในตลาดโลก ตลาดทุนได้รับผลกระทบอย่างหนักจาก ตลาดคาดการณ์และการรักษาผลงานที่หลากหลายเพื่อสุขภาพที่มีความเสี่ยงต่ำสุดคือ undoubt - edly สิ่งสำคัญสำหรับการลงทุนในสินทรัพย์ดังกล่าว ราคาที่มีประสิทธิภาพและการทำนายความผันผวนสูงสามารถ มีอิทธิพลต่อหลักสูตรของกลยุทธ์การลงทุนเกี่ยวกับการเช่นผลงานของเครื่องมือส่วนได้เสีย ใน กระดาษนี้ SOM นวนิยายตามเทคนิคการจัดกลุ่มไฮบริดจะรวมกับการสนับสนุนการถดถอยเวกเตอร์ เลือกผลงานและราคาที่ถูกต้องและการคาดการณ์ความผันผวนซึ่งจะกลายเป็นพื้นฐานสำหรับ กลยุทธ์การซื้อขายโดยเฉพาะอย่างยิ่งนำมาใช้สำหรับผลงาน การวิจัยจะพิจารณาด้านบน 102 หุ้นของ ตลาดหุ้น NSE (อินเดีย) ​​เพื่อระบุชุดของพอร์ตการลงทุนที่ดีที่สุดที่นักลงทุนสามารถรักษาเพื่อลดความเสี่ยง และการทำกำไรสูง ระยะสั้นหุ้นกลยุทธ์การซื้อขายและตัวชี้วัดประสิทธิภาพการทำงานที่มีการพัฒนาเพื่อ ประเมินความถูกต้องของการคาดการณ์เกี่ยวกับการสถานการณ์ที่เกิดขึ้นจริง 2013 เอลส์ B. V. สงวนลิขสิทธิ์ 1. บทนำ ตลาดการเงินทั่วโลกเป็นอีกครั้งที่เต็มไปด้วยความไม่แน่นอน ความสัมพันธ์ในระดับของการลงทุนทุกคนและมากกว่าทุกลงทุนที่เป็นไปได้ ment รถ ความคืบหน้าล่​​าสุดเช่นการจัดลำดับลงของเครดิตสหรัฐ คะแนนโดยมาตรฐานและ Poor39; s (S และ P) จาก AAA ประดับ ไปAAþระมัดระวังและต่อเนื่องวิกฤตสินเชื่อที่เกี่ยวข้องกับยูโร หนี้ภาครัฐขนาดใหญ่ได้บังคับเข้าไปในหลายประเทศ หางเครื่องและติดเชื้อได้รับผลกระทบอย่างหนักหลายเศรษฐกิจ ทั่วทุกมุมโลก, การลงทุนด้วยความประหลาดใจและพิสูจน์ แม้กระทั่งกรณีที่เลวร้ายที่สุดของพวกเขาคาดการณ์ผิด ความหมายดังกล่าว เหตุการณ์ที่น่าประหลาดใจอาจจะเห็นในกระชากราคามากใน ตลาดทองคำทั่วโลกในขณะที่สถานการณ์ตรงข้ามสมบูรณ์วิวัฒน์ ในส่วนของสหรัฐหุ้นและตลาดสินค้าโภคภัณฑ์ซึ่งเป็น ครบครันด้วยเงินดอลลาร์อ่อนค่าลงและเงินยูโรแม้ frailer ส่วนใหญ่ที่ครอบงำของนักลงทุนและสถาบันการลงทุน ทั้งนี้มีแนวโน้มที่จะกำหนดกลยุทธ์ของพวกเขาขึ้นอยู่กับคะเน แนวโน้มล่าสุดที่เรียบง่ายและการคำนวณผลตอบแทนผลงานการค้ามีความเสี่ยง กำหนดออกไปอย่างใดอย่างหนึ่งที่ดีที่สุด การเข้าใจผิดอยู่ในการคาดการณ์และการตัดสินใจขึ้นอยู่เฉพาะ เมื่อการเคลื่อนไหวของราคาของดัชนีหุ้นหรือในแต่ละ การตลาดและการวิเคราะห์ทางเทคนิคสำหรับกลยุทธ์ต่างๆสำหรับ ช่วงของยานพาหนะการลงทุน แนวคิดของความเสี่ยงหรือความผันผวนของเวลา มีความหมายสำคัญมากในบริบทนี้ การกำหนดค่าเบี่ยงเบนมาตรฐานหรือความแปรปรวนของโดยเฉพาะอย่างยิ่ง สินทรัพย์หรืออนุพันธ์ของมันกลายเป็นสิ่งจำเป็นอย่างยิ่งในการให้ มุมมองแบบองค์รวมของความไม่แน่นอนที่มีอยู่ในตลาด โครงสร้าง การเปลี่ยนแปลงจากภายนอกในตลาดเป็นอย่างมากยากที่จะคาดการณ์ ด้วยเหตุนี้การวิเคราะห์ที่ใช้ในชิ้นส่วนของงานวิจัยนี้มุ่งเน้นไปที่การให้ นักลงทุนที่เป็นเครื่องมือที่มีประสิทธิภาพที่สามารถวัดได้อย่างถูกต้องอารมณ์ของ การตลาดและสินทรัพย์ภายใต้การพิจารณาซึ่งจะกลายเป็นสำคัญ ในการกำหนดกลยุทธ์การซื้อขายที่ตรงกับความเสี่ยงที่ averseness ความเห็นอกเห็นใจหรือความเสี่ยงของนักลงทุนแต่ละคนหรือกลุ่ม บริษัท เกิน ปฏิกิริยาเป็นอันตรายมากที่เดินทางมาถึงได้ตัดสินใจลงทุน sions ซึ่งจะกลายเป็นรากฐานที่สำคัญของการสร้างหรือการวิเคราะห์ การแก้ปัญหาการแก้ปัญหาที่มีต่อการกำหนดกลยุทธ์ที่สามารถป้องกันความเสี่ยง กับความหวาดระแวงเช่นเมื่ออิทธิพลก่อกวนใด ๆ ในฐานะที่เป็นรุ่นที่ไม่มี ถูกหลอกหลักฐานการทำงานที่ควรได้รับการประเมินตามเวลาจริง รายการเนื้อหาที่มีอยู่ใน ScienceDirect หน้าแรกของวารสาร: เอลส์ / ค้นหา / neucom Neurocomputing 0925-2312 / $ - เห็นว่าหน้า 2013 Elsevier BV สงวนลิขสิทธิ์ dx. doi / 10.1016 / j. neucom.2013.10.002 ผู้เขียน nCorresponding โทร þ91 3222 283 746 ผลตอบแทนจากผลงานและการวิเคราะห์ความเสี่ยงในชีวิตประจำวันซึ่งจะช่วยให้ นักลงทุนที่จะเลือกชุดของชั้นเรียนที่จะกระจายความเสี่ยงที่ มีเป้าหมายที่จะเพิ่มมากขึ้นอย่างถูกต้องหรือผลตอบแทนที่เพิ่มประสิทธิภาพแทน มีมูลค่าการกำหนดเป้​​าหมายของเขา [1] งานนำเสนอที่นี่มุ่งเน้นการณ์ที่ดีที่สุด ผลงานของสินทรัพย์เสี่ยงหรือกลุ่มสินทรัพย์ที่จะนำเสนอ นักลงทุนเพื่อประเมินความเสี่ยงที่เกี่ยวข้องกับผลตอบแทนในการเลือก นางแบบ ถูกนำไปใช้สำหรับหุ้นที่ซื้อขายในตลาดหลักทรัพย์แห่งชาติ (NSE) ของอินเดียซึ่งมีตราสารอนุพันธ์ทางเลือก เช่นฟิวเจอร์สดัชนีและตัวเลือก งานที่เลือกหุ้นอินเดีย การวิเคราะห์เพราะเบต้าสูงของเศรษฐกิจอินเดีย ผลกระทบที่บิดเบือนของ fallouts การเงินสามารถศึกษาอยู่ท่ามกลาง สภาพแวดล้อมที่ดีในระยะยาวและเงินลงทุนระยะสั้น ผลักดันจากการเติบโตทางเศรษฐกิจของแท้ งาน envisages โมดูลการคาดการณ์ที่สมบูรณ์ที่สามารถคาดการณ์ได้อย่างถูกต้องราคา และความผันผวนโดยธรรมชาติที่เกี่ยวข้องกับประเภทสินทรัพย์ที่ มีการจัดกลุ่มแรกที่ขึ้นอยู่กับความเสี่ยงและโปรไฟล์ของพวกเขากลับมา SOM ไฮบริด (ตัวเองจัด Maps) โดยใช้ K หมายถึงการจัดกลุ่มเป็น ที่ใช้สำหรับการจัดกลุ่มหุ้นในขณะที่การสนับสนุนเวกเตอร์ถดถอย (SVR) จะใช้ในการคาดการณ์ของราคาในอนาคตและความผันผวนระยะสั้น รอบการซื้อขายที่ดีกว่าการคาดการณ์ ขึ้นอยู่กับผลของการซื้อขาย โมดูลกลยุทธ์เป็นเสียงก้องที่เลือกกลยุทธ์ที่ดีที่สุดสำหรับ การซื้อขายภายใต้ความไม่แน่นอนสถานการณ์โดยนัยในตลาด ระบุโดยการคาดการณ์ ตามที่ระบุไว้ก่อนหน้านี้มากกว่า ความถูกต้องในการทำนายราคาที่เกิดขึ้นจริงและความผันผวนสิ่งที่ กลายเป็นสิ่งสำคัญเป็นทิศทางความสัมพันธ์ของการเคลื่อนไหว และช่วงที่แน่นอนของค่าที่รูปแบบสามารถเสนอตาม เมื่อกลยุทธ์ที่แตกต่างที่นักลงทุนเลือกที่อยู่บนพื้นฐานของ รังเกียจความเสี่ยงของเขา การทำงานที่มีอยู่ซึ่งประกอบด้วยการจัดกลุ่ม เทคนิค [2,3] และขั้นสูงทางสถิติและการทำเหมืองข้อมูล techni - ques [4] ได้รับการแปลงหลายก่อนดีกว่า ความสามารถใน dictive ในขณะที่เขียน, ผู้เขียนไม่มี ความรู้เกี่ยวกับระบบควบคู่ไปหลอมรวมซึ่งใช้ทั้ง การจัดกลุ่มและเทคนิคการทำนายที่เชื่อมโยงกับการเลือกกลยุทธ์ สำหรับผลงานการลงทุนในตลาดหุ้น กระดาษมีโครงสร้างดังนี้ ส่วนถัดไปจะกล่าวถึง 2. ทบทวนวรรณกรรม ในส่วนนี้ทำงานที่เกี่ยวข้องกับเทคนิคการจัดกลุ่ม regres - รุ่นไซออนและกลยุทธ์การซื้อขายที่จะกล่าวถึงที่ตั้ง สำหรับขั้นตอนการแก้ไขปัญหาในบทความนี้ 2.1 เทคนิคการจัดกลุ่ม ในช่วงไม่กี่ทศวรรษที่ผ่านมาการจัดกลุ่มเทคนิคการถูกนำมาใช้ การเลือกสรรชุดข้อมูลที่แตกต่างกัน แต่ก็เป็นเพียงในปี 1990 ต่อมาเมื่อ เทคนิคการจัดกลุ่มถูกเอาเปรียบในข้อมูลทางการเงิน อนุสัญญา ขั้นตอนวิธีการแบ่งแยกระหว่างประเทศและการพัฒนาเป็นลำดับชั้นของพวกเขา ลูกผสมทางพันธุกรรมเช่น GA-K-วิธี เหล่านี้ถูกนำมาใช้อย่างกว้างขวาง สำหรับการแบ่งส่วนตลาด [5] ในกรณีที่มีข้อมูลทางการเงิน, การจัดกลุ่ม ขั้นตอนวิธีการยังได้รับการใช้ในการจัดกลุ่มข้อมูลอนุกรมเวลา Cluster - ไอเอ็นจีของชุดเวลาที่อำนวยความสะดวกในรูปแบบการถดถอยที่ดีกว่าสำหรับ ทำนายอนาคต [6] ในขณะที่มันมากช่วยลดเสียงรบกวนของที่ไม่ใช่ อนุกรมเวลานิ่งเหมือนของราคาหุ้น แม้ว่าจะมีหลายแบ่งแยกและ agglomerative clus - ขั้นตอนวิธีการ tering SOM ได้กลายเป็นหนึ่งในความนิยมมากขึ้น ทางเลือกในการจัดกลุ่มข้อมูลหลายมิติเช่นวิเคราะห์โดย Shahapurkar และ Sundareshan [7] SOM ใช้เครือข่ายประสาทเทียม ทำงานให้กับกลุ่มข้อมูลและช่วยให้การทำแผนที่ข้อมูลหลายตัวแปรใน พื้นที่ 2 มิติที่แสดงโดย [8] ความซับซ้อนของการจัดกลุ่มเหล่านี้ ขั้นตอนวิธีการเป็นสัดส่วนกับปริมาณของข้อมูลที่เลี้ยงจึงหนัก เพิ่มเวลาการคำนวณสำหรับการดำเนินงานการจัดกลุ่ม ใน ข้อมูลกรณีของเรามีทั้งเสียงง่ายและหมดจด เพื่อขจัดเสียงรบกวนและต่อมาปรับปรุงการ computa - การเวลา Vesanto และ Alhoniemi [9] เสนอนวนิยายสองระดับ นามธรรมกับคลัสเตอร์แผนที่จัดงานเอง การทดลองของพวกเขา ส่อเค้าว่าการจัดกลุ่ม SOM เป็นคอมพิวเตอร์ที่มีประสิทธิภาพมากขึ้น วิธีการจัดกลุ่มโดยตรงกว่าชุดข้อมูล ในทางกลับกัน SOM ช่วยให้เห็นภาพชุดข้อมูลมิติที่สูงขึ้นใน 2-D พื้นที่ซึ่งจะเป็นประโยชน์ถ้าเราเพิ่มขนาด ที่เป็นตัวแทนของสต็อกให้มากขึ้นกว่า 2. ได้รับความพยายามที่จะ สร้างผลงานชั้นเดียวโดยใช้วิธีการที่แตกต่างกันเป็นกลุ่มก้อน [10] แต่ที่ดีที่สุดของความรู้ของเราที่นำเสนอเป็นสองชั้น 2.2 รูปแบบการถดถอย ในช่วงไม่กี่ปีที่ผ่านมาตัวเลขการเติบโตของนักวิจัยกำลัง การศึกษาราคาและความผันผวนของการเคลื่อนไหวที่แตกต่างกัน เครื่องมือทางการเงิน นักวิชาการและนักวิจัยขององค์กร พยายามที่ดีที่สุดที่จะกำหนดวิธีการในการทำนายอนาคต ตลาดเศรษฐกิจและประดิษฐ์ระบบการซื้อขายที่มีประสิทธิภาพเพื่อ เพิ่มกำไร [15] ก่อนที่จะนำปัญญาคำนวณ tradi - เทคนิคทางสถิติระหว่างประเทศเช่นการถดถอยหลายตัวแปรอัตโนมัติ บูรณาการการเคลื่อนย้ายถอยหลังเฉลี่ย (ARIMA) [16], ทั่วไป อัตเงื่อนไข heteroskedasticity (GARCH) [17] เป็น ถูกนำมาใช้สำหรับการพยากรณ์ พวกเขาไม่สามารถที่จะผลิตอย่างมีนัยสำคัญ ส่งผลให้หุ้นโดยทั่วไปจะมีข้อมูลที่ซับซ้อนและมีเสียงดังในธรรมชาติ ไปยัง แก้ไขปัญหาเทคนิคปัญญาประดิษฐ์เช่น ทั่วไปขั้นตอนวิธีเครือข่ายประสาทเทียม (ANN) เป็นโปร โพสต์ที่จะเข้าใกล้ปัญหานี้ ขณะนี้นักวิจัยกำลังเอียง ที่มีต่อการสนับสนุนเครื่องเวกเตอร์ (SVM) ชี้ให้เห็นเป็นครั้งแรกโดย Vapnik [18] ในการปรับปรุงการคาดการณ์ [6,19] ส่วนใหญ่ผลการเปรียบเทียบ แสดงให้เห็นว่า SVM เกินกว่า ANN ในแง่ของประสิทธิภาพการทำนาย [20] เพราะนี่คือโครงสร้างที่ซับซ้อนน้อยกว่าของ SVR และเนื่องจากการที่ การดำเนินการตามหลักการลดความเสี่ยงโครงสร้าง SVR ความพยายามที่จะลดขีด จำกัด บนของข้อผิดพลาดทั่วไป ในขณะที่แอนหลักการลดความเสี่ยงเชิงประจักษ์คือว่าระบบ ได้ชัดเจนซึ่งพยายามที่จะลดข้อผิดพลาดหรือจำแนก devia - การแก้ปัญหาจากของข้อมูลการทดสอบ นอกจากนี้ยังมีโอกาสน้อยกว่า กว่าที่เหมาะสมกับ SVM มันเป็นที่ดีที่สุดทั่วโลกในขณะที่แอนอาจ สร้างเพียงการแก้ปัญหาที่ดีที่สุดในท้องถิ่น [21,22] สมนูน การเพิ่มประสิทธิภาพที่ใช้ในการแก้ปัญหาสำหรับ SVM ที่ที่ พบว่ามีประสิทธิภาพดีกว่า SVM หลังหนึ่ง SVM ถูกใช้โดย [21] เพื่อ คาดการณ์การเปลี่ยนแปลงในชีวิตประจำวันของราคาของเกาหลีคอมโพสิตราคาหุ้น ดัชนี (KOSPI) นอกจากนี้รูปแบบ SVM ถูกเมื่อเทียบกับ CASE - ตามเหตุผล (CBR) และกลับมาขยายพันธุ์เครือข่ายประสาท (BPN) ที่ SVM เฮงอีกสอง ทำนาย แนวโน้มการเคลื่อนไหวสัปดาห์ NIKKEI 225 ดัชนีได้ดำเนินการ ใช้ SVM [26] เพื่อประเมินความสามารถในการคาดการณ์ของ SVM ของมัน ประสิทธิภาพการทำงานที่ได้รับการเปรียบเทียบกับการจำแนกเชิงเส้น การวิเคราะห์จำแนกกำลังสองการวิเคราะห์และเอลแมนกลับ propa - gation โครงข่ายประสาท (NN) SVM เฮงวิธีการอื่น ๆ ในการทดลอง รูปแบบการรวมโดยการบูรณาการกับ SVM วิธีการจัดหมวดหมู่อื่น ๆ ที่ได้รับการเสนอยังอยู่ในกระดาษ Gavrishchaka และ Banerjee [27] ​​การแก้ไขปัญหาของการ volati - การคาดการณ์ lity จากตลาดหุ้นมิติสูง SVM ตาม รูปแบบความผันผวนเทียบได้มักจะดีกว่าที่จัดตั้งขึ้น ความผันผวนของแบบจำลองการคาดการณ์เช่น GARCH และงานทั่วไปซึ่งตน izations การคาดการณ์ของ SP CNX NIFTY ดัชนีตลาดของ NSE ได้ดำเนินการโดยมาร์และ Thenmozhi [28] โดยใช้ SVM และ การถดถอยป่าสุ่ม ในการทดสอบ SVM ดีกว่า ป่าสุ่ม ANN นอกเหนือไปจากวิธีการแบบเดิมเช่น ARIMA การศึกษาเชิงประจักษ์ในฮ่องกงตลาดหลักทรัพย์ ยืนยันว่าวิธี ANN และหดตัวลงอย่างเห็นได้ชัด SVR ข้อผิดพลาดที่คาดการณ์เฉลี่ยและปรับปรุงตาม forecast - ความถูกต้องของไอเอ็นจี วิธีการที่ไม่อิงพารามิเตอร์ขึ้นอยู่กับแอนและ SVM พร้อมกับตัวเลือกที่ดีขึ้นทั่วไปเทคนิคการกำหนดราคาที่เป็น นำเสนอในการคาดการณ์ราคาตัวเลือกจากหลักทรัพย์ฮ่องกง ตลาด [29] ผลการศึกษาพบการปรับปรุงที่สำคัญใน forecast - ไอเอ็นจีที่มีความถูกต้องและ ANN SVR รุ่นตาม ผลการดำเนินงาน กรณีศึกษาวรรณกรรมของการถดถอย SVM จะวัดกับ วิธีการเรียนรู้ขั้นสูงอื่น ๆ เช่นเกณฑ์ Radial ฟังก์ชัน การแบบดั้งเดิมหลายรูปแบบ Perceptron, Box-Jenkins อัตแบบบูรณาการเคลื่อนไหว กระตุ้นการตอบสนองเฉ​​พาะโครงข่ายประสาทกำเริบ [22] ได้โดยง่าย การเปรียบเทียบแสดงให้เห็นว่าในกรณีการวิเคราะห์ SVM เทียบเคียง และในกรณีส่วนใหญ่มีประสิทธิภาพดีกว่าเทคนิคอื่น ๆ คลาสสิก วิธีการเช่น ARMA และ GARCH ต้องใช้ขนาดของกลุ่มตัวอย่างขนาดใหญ่สำหรับ ดีกว่าการคาดการณ์ที่นำไปสู่​​ขนาดของกลุ่มตัวอย่างเดิมที่ลดลงสำหรับ สูงกว่ารูปแบบการสั่งซื้อ [30] พวกเขายังแสดงให้เห็นว่า SVM และกลับ การขยายพันธุ์ (BP) ประสิทธิภาพดีกว่ารุ่น ARMA ใน เกณฑ์ในการวัดค่าเบี่ยงเบน การทดลองยังแสดงให้เห็นว่า SVM มีประสิทธิภาพดีกว่าทั้งส่วนผสม จำกัด ของ ARMA-GARCH และ BP รุ่น เกณฑ์การปฏิบัติงานในส่วนเบี่ยงเบน [31] การศึกษาล่าสุดได้รับการกำหนดเป้​​าหมายวิธี SVR ไฮบริด เพื่อปรับปรุงประสิทธิภาพการคาดการณ์ของ SVR [32,33] สัญญาณ เทคนิคการประมวลผลเช่นเวฟแปลงและไม่เป็นลบ ตัวประกอบเมทริกซ์ช่วยในการปรับปรุงการคาดการณ์ การคาดการณ์ที่ได้รับการสนับสนุนจากการถดถอยเวกเตอร์ รุ่นให้ราคาปิดและค่าความผันผวนต่อไปอีก 15 เฉลี่ยและ theInfinite วัน ค่าเหล่านี้เป็นแพลตฟอร์มสำหรับการกำหนดซื้อขาย กลยุทธ์ในการเพิ่มผลกำไร 2.3 กลยุทธ์การซื้อขาย การจัดการที่ดีของการทำงานได้รับการเผยแพร่ในช่วงทศวรรษที่ผ่านมา เกี่ยวกับกลยุทธ์การซื้อขายตลาดหุ้น ส่วนใหญ่ของกลยุทธ์เหล่านี้เป็น อย่างใดอย่างหนึ่งลงมาจากโรคที่ล่าช้าตามที่มันเป็นในกรณีของการติดเทียน กลยุทธ์หรือเหมาะสำหรับการลงทุนในระยะยาวเช่นเดียวกับกรณีของ ซื้อขายโมเมนตัม กลยุทธ์ที่เรานำเสนอจะขึ้นอยู่กับ การวิเคราะห์ของทั้งสองวันทำการซื้อขายซึ่งจะช่วยให้มันได้เปรียบกว่า กลยุทธ์อื่น ๆ การรักษาในใจความวุ่นวายในปัจจุบัน ตลาดการเงิน. เมทริกซ์การตัดสินใจนอกจากนี้ยังได้เตรียมที่จะช่วยให้ ผู้ประกอบการที่จะใช้ในการตัดสินใจ 3.1 การจัดกลุ่ม ขั้นตอนแรกของการแก้ปัญหาที่เกี่ยวข้องกับการจัดกลุ่มของหุ้นจดทะเบียน ใน NSE ขึ้นอยู่กับผลตอบแทนของพวกเขาและลอการิทึมอ้างอิงประจำวัน ความผันผวน การจัดกลุ่มเป็นวิธีการของการเรียนรู้ที่จะใกล้ชิด พาร์ทิชันชุดข้อมูลเป็นชุดของกลุ่ม บทความนี้นำเสนอสอง นามธรรมชั้นกลุ่มหุ้นโดยใช้ตามด้วย SOM K-หมายถึงการจัดกลุ่มของ SOM ดังแสดงในรูป 1. ระดับแรก SOM, ประกอบด้วย 2 มิติเครือข่ายประสาทกับพื้นที่ใกล้เคียง ความสัมพันธ์ระหว่างเซลล์ประสาท เวกเตอร์ป้อนข้อมูลที่เชื่อมต่อกับ ชั้นการส่งออก แต่เซลล์ประสาทไม่ได้เชื่อมต่อระหว่าง SOM เป็น เหมาะสำหรับการจัดกลุ่มและการทำแผนที่ข้อมูลมิติที่สูงขึ้นใน 2 มิติแปลงพิสูจน์ให้เป็นที่ที่เหมาะในกรณีที่มีหลายมิติ ระดับที่สองในวิธีการที่เกี่ยวข้องกับการจัดกลุ่มโดยใช้ ขั้นตอนวิธีการแบ่งแยก ขั้นตอนวิธีการแบ่งแยกเช่น K-หมายความว่าพาร์ทิชัน ข้อมูลที่กำหนดลงใน k-กลุ่มซึ่งในทุกต้นแบบเป็นคลัสเตอร์ ขึ้นอยู่กับค่าเฉลี่ยที่ใกล้เคียงที่สุด ผลรับจาก K-วิธีการเป็นตัวแทน กลุ่มของต้นแบบซึ่งจะเป็นแผนที่พื้นฐานที่ หุ้น จำนวนที่เหมาะสมของกลุ่มจะถูกกำหนดจากที่ต่างๆ ดัชนีความถูกต้องของคลัสเตอร์ ดัชนีคำนวณยังคำแนะนำที่ดีที่สุด การจัดกลุ่มในกรณีนี้ที่ tabulated ในตารางที่ 1 วิธีนี้ระดับสองอย่างมีนัยสำคัญจะช่วยลดการคำนวณ = 15 หรือประมาณหกเท่าสำหรับN¼1000 ของ หลักสูตรนี้เป็นประมาณการคร่าวๆมากเนื่องจากข้อ จำกัด ในทางปฏิบัติหลาย 3.2 สนับสนุนเครื่องเวกเตอร์ ขั้นตอนที่สองของการแก้ปัญหาที่เกี่ยวข้องกับการถอยเวลา ชุดของหุ้นที่ได้จากขั้นตอนแรกและด้วยเหตุนั้น การคาดการณ์ในอนาคตค่าใช้สนับสนุนเครื่องเวกเตอร์ SVMs