دانلود مقاله ISI انگلیسی شماره 101371
ترجمه فارسی عنوان مقاله

شبکه های یادگیری عمیق برای تجزیه و تحلیل و پیش بینی بازار سهام: روش شناسی، نمایش داده ها و مطالعات موردی

عنوان انگلیسی
Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
101371 2017 19 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 12653 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 20 روز بعد از پرداخت 151,836 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 10 روز بعد از پرداخت 303,672 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 83, 15 October 2017, Pages 187-205

ترجمه کلمات کلیدی
پیش بینی بازار بورس، یادگیری عمیق، شبکه عصبی چند لایه برآورد کوواریانس،
کلمات کلیدی انگلیسی
Stock market prediction; Deep learning; Multilayer neural network; Covariance estimation;
پیش نمایش مقاله
پیش نمایش مقاله شبکه های یادگیری عمیق برای تجزیه و تحلیل و پیش بینی بازار سهام: روش شناسی، نمایش داده ها و مطالعات موردی

چکیده انگلیسی

We offer a systematic analysis of the use of deep learning networks for stock market analysis and prediction. Its ability to extract features from a large set of raw data without relying on prior knowledge of predictors makes deep learning potentially attractive for stock market prediction at high frequencies. Deep learning algorithms vary considerably in the choice of network structure, activation function, and other model parameters, and their performance is known to depend heavily on the method of data representation. Our study attempts to provides a comprehensive and objective assessment of both the advantages and drawbacks of deep learning algorithms for stock market analysis and prediction. Using high-frequency intraday stock returns as input data, we examine the effects of three unsupervised feature extraction methods—principal component analysis, autoencoder, and the restricted Boltzmann machine—on the network’s overall ability to predict future market behavior. Empirical results suggest that deep neural networks can extract additional information from the residuals of the autoregressive model and improve prediction performance; the same cannot be said when the autoregressive model is applied to the residuals of the network. Covariance estimation is also noticeably improved when the predictive network is applied to covariance-based market structure analysis. Our study offers practical insights and potentially useful directions for further investigation into how deep learning networks can be effectively used for stock market analysis and prediction.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 12653 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 20 روز بعد از پرداخت 151,836 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 10 روز بعد از پرداخت 303,672 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.