مقایسه مدل خطای تعمیم محلی ( LG Trader ) با روش میانگین امپدانس (EMA) در انتخاب سهام با بالاترین نرخ بازگشت

سرمایه گذاری در بازار سهام برای خرید سهام نیازمند اطلاعات زیادی برای تصمیم گیری درست می باشد. به این ترتیب تکنیک های یادگیری ماشین با پیش بینی سیگنال های معاملاتی روز بعد سعی در حمایت از سرمایه گذاران دارند . در این مقاله دو مدل پشتیبان تصمیم گیری برای انتخاب سهام با بالاترین نرخ بازگشت را مقایسه می کنیم . مدل اول ، مدل خطای تعمیم محلی ( LG Trader ) است . این مدل از یک الگوریتم ژنتیک برای به حداقل رساندن خطای بهینه سازی محلی مقیاس ( wL-GEM ) استفاده می کند . انتخاب ویژگی بر اساس wLGEM کمک می کند تا شاخص های فنی مفیدی در میان گزینه های موجود برای هر سهام انتخاب کرد . نتایج تجربی نشان می دهد که LG Trader سود و نرخ بازده را در شاخص سهام افزایش می دهد. مدل دوم ، استفاده از مدل میانگین امپدانس ( EMA ) که یکی از تکنیک های شبکه عصبی پروتسترون به اضافه داده کاوی می باشد . این مدل در مقایسه با چندین مدل به عنوان مطلوب ترین مدل انتخاب شده است . در ادامه این مقاله ما نتایج به دست آمده از هر کدام از این دو مدل را بررسی می کنیم و بهترین مدل برای پیشتیبانی تصمیم گیری برای انتخاب سهام با بالاترین نرخ بازگشت را مقایسه می کنیم.

کلیدواژه ها:

انتخاب سهام ، مدل خطای تعمیم محلی ، روش میانگین امپدانس ، انتخاب ویژگی