ترجمه فارسی مقاله ترکیب روش های یادگیری تحت نظارت و بدون نظارت برای پیش بینی حرکات بازار مالی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Combining supervised and unsupervised learning methods to predict financial market movements
عنوان مقاله به فارسی ترکیب روش های یادگیری تحت نظارت و بدون نظارت برای پیش بینی حرکات بازار مالی
نویسندگان Gabriel Rodrigues Palma, Mariusz Skoczeń, Phil Maguire
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Statistical Finance,Machine Learning,امور مالی آماری , یادگیری ماشین ,
توضیحات Submitted 19 August, 2024; originally announced September 2024. , Comments: 22 pages
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 22 صفحه
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The decisions traders make to buy or sell an asset depend on various analyses, with expertise required to identify patterns that can be exploited for profit. In this paper we identify novel features extracted from emergent and well-established financial markets using linear models and Gaussian Mixture Models (GMM) with the aim of finding profitable opportunities. We used approximately six months of data consisting of minute candles from the Bitcoin, Pepecoin, and Nasdaq markets to derive and compare the proposed novel features with commonly used ones. These features were extracted based on the previous 59 minutes for each market and used to identify predictions for the hour ahead. We explored the performance of various machine learning strategies, such as Random Forests (RF) and K-Nearest Neighbours (KNN) to classify market movements. A naive random approach to selecting trading decisions was used as a benchmark, with outcomes assumed to be equally likely. We used a temporal cross-validation approach using test sets of 40%, 30% and 20% of total hours to evaluate the learning algorithms' performances. Our results showed that filtering the time series facilitates algorithms' generalisation. The GMM filtering approach revealed that the KNN and RF algorithms produced higher average returns than the random algorithm.

چکیده به فارسی (ترجمه ماشینی)

تصمیمات معامله گران برای خرید یا فروش دارایی به تجزیه و تحلیل های مختلف بستگی دارد و تخصص لازم برای شناسایی الگوهای مورد استفاده برای سود است.در این مقاله ویژگی های جدید استخراج شده از بازارهای مالی نوظهور و به خوبی تثبیت شده با استفاده از مدل های خطی و مدل های مخلوط گاوسی (GMM) با هدف یافتن فرصت های سودآور را شناسایی می کنیم.ما تقریباً شش ماه از داده های متشکل از شمع های دقیقه ای از بازارهای بیت کوین ، Pepecoin و Nasdaq برای استخراج و مقایسه ویژگی های جدید پیشنهادی با موارد معمول استفاده کردیم.این ویژگی ها بر اساس 59 دقیقه قبلی برای هر بازار استخراج شده و برای شناسایی پیش بینی ها برای یک ساعت پیش رو استفاده می شود.ما عملکرد استراتژی های مختلف یادگیری ماشین ، مانند جنگل های تصادفی (RF) و همسایگان K-Nearest (KNN) را برای طبقه بندی حرکات بازار بررسی کردیم.یک رویکرد تصادفی ساده لوحانه برای انتخاب تصمیمات تجاری به عنوان معیار مورد استفاده قرار گرفت و نتایج فرض می شود به همان اندازه محتمل است.ما برای ارزیابی عملکرد الگوریتم های یادگیری از یک روش اعتبار سنجی متقاطع زمانی با استفاده از مجموعه های آزمون 40 ٪ ، 30 ٪ و 20 ٪ از کل ساعات استفاده کردیم.نتایج ما نشان داد که فیلتر کردن سری زمانی ، تعمیم الگوریتم ها را تسهیل می کند.رویکرد فیلتر GMM نشان داد که الگوریتم های KNN و RF بازده متوسط ​​بالاتری نسبت به الگوریتم تصادفی دارند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.