股票预测的最先进的技术

j·g·Agrawal¹v . s . Chourasia博士²,博士。a . k . Mittra³

助理教授,部门的电气工程MIET Gondia,印度
助理教授,电子与通信工程,系MIET Gondia、印度
教授和负责人,部门的电气工程MIET Gondia,印度

文摘

股票市场受到许多不确定因素的影响和相关的经济和政治因素在本地和全球水平。成功的股市预测的关键是实现最佳效果和最低要求输入数据。确定的相关因素进行准确的预测是一个复杂的任务,所以普通股票市场分析是非常必要的。更具体地说,股市的运动进行了分析和预测,以检索知识可以指导投资者在买卖。它还将帮助投资者通过他的投资在股票市场上赚钱。本文从研究论文调查大量的资源,网络资源,公司报告和其他可用资源。

关键字

股票市场,预测,技术分析,基本面分析,文献调查。

介绍

印度证券交易所在全球范围内举行一个突出的地方。孟买证交所(BSE)是全世界最古老的交易所之一,在全国证券交易所(研究)是最好的成熟和进步的技术。在股票市场投资被认为是高风险和高收益,所以吸引了大量的投资者和经济学家。然而,关于股票的信息通常是不完整的,复杂的,不确定的,模糊的,预测未来经济表现的一个挑战。基于一些人投资股票市场分析。在计算机时代,人们使用股票和大宗商品交易基于他们的直觉。随着投资和交易的水平增长,人们寻找的工具和方法,将增加他们的收益同时最小化风险[1]。在全球范围内,交易在股票市场上获得了巨大的声望和它成为很多人日常工作的一部分获得可观利润。然而,股票价格运动的预测成为一个挑战,因为股票市场数据的复杂性。尽管分析股票运动行为是一个具有挑战性的任务,鲁棒预测建模可以指导投资者识别和细分高性能证券,以优越的投资决策。 Statistics, technical analysis, fundamental analysis, and linear regression are all used to attempt to predict and benefit from the market’s direction. None of these techniques has proven to be the consistently correct prediction tool. Also, many of these techniques are used to pre-process raw data inputs, and their results are fed into neural networks as input. The central idea to successful stock market prediction is achieving best results using minimum required input data and the least complex stock market model. Recent advances in soft computing techniques offer useful tool for analyzing the stock market’s movement and the movement of individual stock prices to retrieve knowledge that may guide investors on when to buy and sell [2].

前所未有的跨境资本的流动形式的FDI和造成,再加上宽松的限制将各种面值股票交易所的制度和法规,可以假设合理,一个特定的证券交易所将会影响其他交易所。本研究的主要目的是捕获的趋势,活动和运动的相似性和模式,印度股市相比,其国际同行。其目的是帮助投资者了解重要事件的影响在印度证交所。尤其在当前场景相关金融市场在全球范围内越来越融入一个大市场的影响通过考虑一个交流交流。金融证券通常是两种方法分析和评估。这些都是基本分析和技术分析。

本文的目标是研究现有的印度股市预测方法并讨论相关的参数。各种各样的这些方法的优点和局限性进行了讨论。此外,全面回顾印度股市预测领域的重大发展。

剩下的纸是组织如下。第二部分论述了股票的分析预测基于基本面分析。第三部分描述了基于技术分析的股票预测分析。第四部分阐述了重要工作领域的股票预测。V节各种现有方法的优点和局限性进行了讨论,制定问题及其预期的解决方案。结论性的言论的尊重印度股市预测第六章给出。

二世。基于基本面分析的股票预测

答:基本分析的介绍

基本面分析涉及的深入分析公司的业绩和盈利能力的措施是身体内在价值通过研究该公司的产品销售,电能质量,基础设施,投资盈利能力。它使用收入、收益、未来增长,股本回报率、利润率,和其他数据来确定公司的潜在价值和未来的增长潜力。

原教旨主义,股票的市场价格往往会走向“真正的价值”或“内在价值”。如果一只股票的价值高于当前市场价格,投资者可以购买股票,因为股票价格将会上升,朝着“内在或实际价值”。如果一只股票的价值低于市场价格,投资者可能会决定出售股票,因为股票价格必然会下降,接近其内在价值。开始发现内在价值,原教旨主义分析仪进行了检查当前和未来的整体健康的经济作为一个整体。

基本面分析的假设

一个¯股票价格(当前和未来)取决于其内在价值,可以预期的投资回报。

一个¯投资者90%的逻辑,详细检查他们的投资。

基本面分析的优点

一个¯基本面分析的优点是系统方法和预测能力变化之前出现在图表。

一个¯基本面分析是更好的长期稳定和经济增长的方法。

d .基本面分析的缺点

一个¯变得难以形式化这些知识为目的的自动化(例如神经网络),和解释这些知识可能是主观的。

一个¯很难时间使用基本面分析市场。

e .基本面分析的重要比例

股票估价的概念可以理解主要通过了解一些比率。下面讨论的估值都优于对方。每个人都有自己的重要性。任何分享并不能反映所有这些参数作为健康意味着它不是一个好买。

一个¯·的市净率(P / B):账面价值是价值的公司,老板可能会收集如果他们决定清算公司(特困出售)。

一个¯·市盈率(P / E):市盈率比较市场价格与每股收益。,每股收益(每股收益)是该公司的净收益的流通股数量的股票。市盈率越高,更多的人相信支付高份额的期望更高的增长在未来的未来。

一个¯·挂钩比例:PEG的P / E比率是公司利润的同比增长率。你盯住的价值比率越低,越好股票的交易你要的未来预期收益。

一个¯·股息收益率:股息收益率显示支付多少你得到你的钱。这是股票的年度派息的股票的价格。

一个¯·债务/股本比例:这个不应该超过1,小于1表明公司有非常少的债务。这是非常重要的在市场下跌趋势公司必须支付大量的利息低盈利能力旁边。所以这是一个好的迹象,如果公司有更少的债务/股本比例。

一个¯·股本回报率(ROE):使用它作为一般指示公司的效率,换句话说,能够产生多少利润给其股东提供的资源。投资者通常寻找公司的ROE且日益严重。

没有元素是孤立存在的。P / B、P / E、挂钩、股息收益率,债务/股本比例太勉强集中独立为一个单一的衡量股票。通过结合这些估值的方法,你可以得到一个更好的股票的价值。

三世。基于技术分析的股票预测

答:介绍技术分析

评估股票的技术分析方法通过分析市场活动所产生的数据,过去的价格和体积。看起来对山峰、底部、趋势、模式,以及其他因素影响股票的价格运动。未来价值的股票价格往往取决于他们过去的价值观和过去其他相关变量的值。技术分析寻找模式和指标在股票图表,将决定股票的未来性能[3]。

然而,它使用大约90%的主要股票交易员。尽管它广泛使用,技术分析是批评,因为它是非常主观的。不同的个体可以在不同的方式解读图表。

最近,神经网络已成功地应用于时间序列问题,提高多变量预测能力。神经网络具有良好的泛化能力映射输入值和输出值的特定模式。神经网络通常是健壮的噪声或缺失的数据,都是非常可取的属性在时间序列预测问题。各种神经网络模型已经发达股票市场分析。

技术分析的假设

市场走势趋势由投资者以应对不断变化的态度不同的力量。历史重演即下类似的输入股票以相似的方式。

价格趋势的趋势,而不是去对抗它。

投资者90%的心理,以可预测的方式对市场环境的变化做出反应。

技术分析的优点

一个¯·这是由大约90%的主要股票交易员使用。一个¯·也用于分析股票短段。

技术分析的缺点

一个¯·尽管它广泛使用,技术分析是批评,因为它是非常主观的。一个¯·不同的个体可以在不同的方式解读图表。

e .技术分析的重要参数

在股市技术分析数据52个不同参数,指标和振荡器已定义。尽管每一指标提供了一些关于股票的附加信息,使用每个其中之一将使系统复杂而缓慢。这将需要至少2 ^ 52简称ANFIS结构规则。因此有必要识别参数(财务数据的特征向量),最接近预测的性质运动不增加系统的复杂性[4],[5]。

一个¯·滑动平均(MA):这也许是最古老和最广泛使用的技术指标。它显示了股票价格的平均值。时间越短,越反动的移动平均线。一个典型的短期移动平均线范围从5到25天,从5到100年中期,长期100 - 250天。

一个¯·指数移动平均线(EMA):指数移动平均给予最近的价格,更高的权重,乘以一个百分比计算和昨天今天的收盘价的移动平均线。指数移动平均的周期越长,越少总重量适用于最近的价格。指数平均的优点是它能够注意到价格变化更多。

一个¯·移动平均值/散度(MACD):它的区别是两个指数移动平均线,通常短期移动平均线和长期移动平均线。一个¯·相对强弱指标(RSI):一个振荡器,引入了j·威尔斯·怀尔德,Jr .)之间的区别是基于平均收益与平均损失在给定的时期。TheRSI比较股票最近的收益的大小最近损失的大小。

四、股票预测领域的重大进展ArunUpadhyayet。艾尔。(2012)开发了多项逻辑回归模型来预测优于股票(高)。作者利用财务比率作为可用的选择标准确定性能基于股票在股票市场回报与市场回报。模型测试30日大市值公司比同期的四年。分类结果显示高预测准确率为56.8%。作者的结论是,开发模型可以提高投资者的股票价格预测能力[1]。K.K.Sureshkumaret。艾尔。(2011)使用预测算法和函数来预测未来股票价格并比较它们的性能。结果分析表明,使用等渗回归函数提供了更准确地预测股票价格的能力比其他现有技术[2]。Mohsen Mehraraet。 al. (2010) used Multi-Layered Feed Forward (MLFF) neural network with back-propagation learning algorithm and Group Method of Data Handling (GMDH) neural network with Genetic algorithm (GA) learning to predict TSE (Taiwan Stock Exchange) database. The paper used moving average crossover inputs based on technical analysis rules and the results showed the exponential moving average has better result than simple moving

平均和GMDH最好结果的预测,跟踪和盈利能力相对于MLFF神经网络[3]。Agrawalet。。(2010)提出了一个创新的方法表明股票市场通过最小化风险参与投资决策。采用了自适应神经模糊推理系统(简称ANFIS)基于技术指标的决策。中可用的各种技术指标,系统使用加权移动平均线,散度和RSI(相对强弱指标)[4]。吗哪Majumderet。。(2010)提出了一个基于神经网络的计算方法预测标普的运动方向CNX俏皮50指数。该模型利用预处理的数据组关闭的价值标准普尔CNX俏皮50指数从1月1日,2000年12月31日,2009年。89.65%的模型给了最高性能的准确预测的方向关闭价值指数和平均精度为69.72%在一段4年[5]。AmitGanatret。 al. (2010) focused to build neural network for stock market prediction. Author used R tool to implement the neural network with closing price, turnover, global indices, interest rate, and inflation as a neural network input. Author also proposed to include other indicator like news, currency rate, and crude price as input to the neural network. Subsequently, an attempt was made to build and evaluate a neural network with different network parameters and also with technical and fundamental data. In benchmark comparisons they found that the price prediction proves to be successful [6].

m . m . Goswamiet。。(2009)提出了一个新颖的模型,试图预测短期价格波动,用烛台分析。该方法结合了自组织映射和基于案例推理的校正盈利模式(烛台)和预测股票价格波动基于模式后果[7]。SaifulHafizahJaamanet。。(2009)分析和预测股票市场走势以检索知识可以指导投资者在买卖。作者发现,发现依赖关系的粗糙集方法的能力同时消除多余的因素在嘈杂的股市数据提取交易规则认为非常有用。他进一步解释如何检测市场时机捕捉的主要转折点的关键数据,还讨论了发展预测系统无法检测无数次要趋势显示不稳定的个人公司[8]。乔治·s . Atsalakiset。。(2008)调查了超过100名发表的相关文章,关注神经和neurofuzzy技术来预测股票市场。论文调查表明,软计算技术被广泛接受为研究和评估股票市场的行为。 Classifications were made in terms of input data, forecasting methodology, and performance evaluation. They have concluded that in view of stock market model uncertainty, soft computing techniques were viable candidates to capture stock market nonlinear relations returning significant forecasting results with not necessarily prior knowledge of input data statistical distributions [9].

美国Chaigusinet。。(2008)分析了相关文献在泰国证券交易所(套),根据使用的技术类别和的基础上,提出了一套上的软计算方法预测和暴露的主要驱动指标。他们还测试了道琼斯,日经指数,HangSeng指数,最低贷款利率,泰铢和黄金价格的价值[10]。

m . Thenmozhi(2006)应用神经网络预测每日疯牛病的回报。多层感知器网络是用于构建每日回归的模型和使用误差反向传播算法训练网络。作者发现,网络模型的预测能力受到了前一天的回归比第一个为期三天的输入。研究表明,能取得令人满意的结果将神经网络应用于预测BSE Sensex [11]。小平杨(2005)结合了不同的模型和实例研究的因素如何影响股票价格。他使用变量的主成分分析减少通过保持原始变量的大部分信息。然后,建立了BP神经网络来分析和预测股票价格。最后,中国股市上的方法进行了测试,发现股票价格的预测,使用这种方法是令人满意的和可行的[12]。

MyungsookKlassen(2005)解释了需要选择大量数据输入向量的维数小。一般技术指标使用神经网络用于股市预测调查以确定其有效性作为输入。Levenberg-Marquardt算法的前馈神经网络应用于执行领先一步预测的纳斯达克和道琼斯股票价格[13]。穆罕默德Alyet。艾尔。()提出了一种方法使用的融合预测提高混沌时间序列预测的性能。具有不同特征的不同非线性预测包括多层感知器神经网络、径向基函数(RBF)神经网络,模糊推理系统,递归神经网络,沃尔泰拉过滤器,和局部线性预测被用来预测混沌时间序列。他们预测被组合起来构成一个更准确的预测使用线性约束最小平方(拼箱)融合方法。建议使用模拟混沌时间序列预测融合方法评估基于Mackey-Glass方程和Ikeda系统。结果表明,融合预测始终优于所有单个预测[14]。Yuehui Chenet。 al. ( ) investigated how the seemingly chaotic behavior of stock markets could be well represented using neural network, TS fuzzy system and hierarchical TS fuzzy techniques. To demonstrate the different techniques, author analyzed 7 year's Nasdaq 100 main index values and 4 year's NIFTY index values. He has used particle swarm optimization algorithm to optimize the parameters of the different techniques. This paper briefly explained how the different learning paradigms could be formulated using various methods and then investigated whether they can provide the required level of performance, which were sufficiently good and robust so as to provide a reliable forecast model for stock market indices. Experiment results revealed that all the models considered could represent the stock indices behavior very accurately [15]. Mohammad Mojaddadyet. al. ( ) considered the Twin Gaussian Process (TGP) method to predict the stock prices. They have used the historical data of stock price to learn TGP and established the relation between input and output data. Then, by inserting the new data to TGP, they have predicted the stock prices. The method was also tested on both USA and Iran stocks and found that the results of using TGP method was much effective than the other available base line methods [16]. Wei Huanget. al. (2004) investigated the predictability of financial movement direction with Support vector machine (SVM) by forecasting the weekly movement direction of NIKKEI 225 index. To evaluate the forecasting ability of SVM, author compared its performance with Linear Discriminant Analysis, Quadratic Discriminant Analysis and Elman Backpropagation Neural Networks. The experiment results showed that SVM outperforms the other classification methods. Further, he proposed a combining model by integrating SVM with the other classification methods and found that outperforms among all other forecasting methods [17]. Bruce Vanstoneet. al. (2003) surveyed recent literature in the domain of applying Soft Computing to Investment and Financial Trading and analysed the literature according to the style of soft computing used, the investment discipline used, the successes demonstrated, and the applicability of the research to real world trading. Their paper contributed to expose the key areas where research was being undertaken and they attempt to quantify the degree of successes associated with the different research approaches [18]. RohitChoudhryet. al. (2008) proposed a hybrid machine learning system based on Genetic Algorithm (GA) and Support Vector Machines (SVM) for stock market prediction. A variety of indicators from the technical analysis field of study were used as input features & the genetic algorithm was used to select the set of most informative input features from among all the technical indicators. The result showed that the hybrid GA-SVM system outperforms the stand alone SVM system [19]. Jin-Cherng Linet. al. (2007) presented a time series forecasting model by independent component analysis mechanism. They have extracted some underlying factors using time series and used those factors as a forecasting base. They have concluded that within component ambiguity, correlation approximation and mean difference problems, independent component analysis mechanism had intrinsic limitations for time series forecasting. Under the linear time complexity, the component ambiguity and mean difference problem was solved by the proposed evaluation. The empirical data showed that their model exactly revealed the exibility and accuracy in time series forecasting domain [20].

诉讨论

在第二和第三部分讨论股票预测可以通过使用基本面和技术分析。基本面分析假设投资者更合乎逻辑的和股票价格(当前和未来)取决于其内在价值。根据原教旨主义,股票的市场价格往往会走向“真正的价值”或“内在价值”。找到一个特定的股票的内在价值股票的当前和未来的整体健康以及经济需要检查。基本面分析的优点是系统方法和预测能力变化之前出现在图表。基本面分析是更好的长期稳定和经济增长的方法。但很难一次使用基本面分析市场。技术分析评估市场活动所产生的股票通过分析统计,过去的价格和体积。看起来对山峰、底部、趋势、模式,以及其他因素影响股票的价格运动。未来价值的股票价格往往取决于他们过去的价值观和过去其他相关变量的值。技术分析寻找模式和指标在股票图表,将决定一个股票未来的表现。 This analysis is largely preferred by the major stock traders and is good for shorter period also. Despite this fact technical analysis is criticized because it is highly subjective and different individuals can interpret charts in different manners. This analysis assumes that the market moves in trends dictated by the constantly changing attitudes of investors in response to different forces. Here it is assumed that the prices have tendency to go with the trend rather than against it and that the investors are 90% psychological, reacting to changes in the market environment in predictable ways.

这两种方法都有自己的局限性,所以未能给预期的结果。这些工具都是基于不同的分析方法,得出互相矛盾的结果。而且这些工具产生的结果只能由专家解释这些工具,也需要大量的时间在现代动态交易环境。

六。结论本文回顾各种股票预测技术被提出。发布和现有文献的基础上,它可以安全地得出结论:现有技术不适合预测股票市场趋势以及价格不同的袜子。存在的技术差距和用户要求安全、准确的股票预测系统。如果各种政治、经济因素影响股票市场也考虑以外的技术指标作为输入变量,可以获得更好的结果。同时,将市场特定领域知识纳入该系统可以帮助实现更好的性能。

引用

阿帕德海耶,。,Bandyopadhyay, G., Dutta, A., “Forecasting Stock Performance in Indian Market using Multinomial Logistic Regression”, Journal of Business Studies Quarterly, Vol. 3, No. 3, pp. 16- 39, 2012.
Sureshkumar K·K。,Elango: M。,“An Efficient Approach to Forecast Indian Stock Market Price and their Performance Analysis”, International Journal of Computer Application, Vol. 34, No.5, 2011.
Mehrara, M。,Moeini, A., Ahrari, M., Ghafari, A., “Using Technical Analysis with Neural Network for Forecasting Stock Price Index in Tehran Stock Exchange” Middle Eastern Finance and Economics, Vol. 6, No. 6, pp. 50-61, 2010.
Agrawal, S。,Jindal, M., Pillai, G. N., “Momentum Analysis based Stock Market Prediction using Adaptive Neuro-Fuzzy Inference System (ANFIS)”, Proceedings of the International MultiConference of Engineers and Computer Scientists, Hong Kong, Vol. 1, March 17 -19, 2010.
Majumder, M。,Hussian, A., “Forecasting of Indian Stock Market Index Using Artificial Neural Network”, .
Ganatr,。,Kosta, Y. P., “Spiking Back Propagation Multilayer Neural Network Design for Predicting Unpredictable Stock Market Prices with Time Series Analysis”, International Journal of Computer Theory and Engineering, Vol. 2, No. 6, 1793-8201, 2010.
他,:M M。,Bhensdadia, C. K., Ganatra, A. P., “Candlestick Analysis based Short Term Prediction of Stock Price Fluctuation using SOM-CBR”, IEEE International Advance Computing Conference, Patiala, India, pp. 1448 – 1452, 6-7 March 2009.
Jaaman, s . H。,Shamsuddin, S. M., Yusob, B., Ismail, M., “A Predictive Model Construction Applying Rough Set Methodology for Malaysian Stock Market Returns”, International Research Journal of Finance and Economics, No. 30, pp. 211-218, 2009.
Atsalakis, g S。,Valavanis, K. P., “Surveying stock market forecasting techniques – Part II: Soft computing methods”, Expert Systems with Applications, Vol. 36, pp. 5932-5941, 2009.
Chaigusin, S。,Chirathamjaree, C., Clayden J., “Soft computing in the forecasting of the Stock Exchange of Thailand (SET)”, Proceedings of IEEE Conference on Management of Innovation and Technology, pp. 1277-1281, 2008.
Thenmozhi, M。,“Forecasting Stock Index Returns Using Neural Networks”, Delhi Business Review, Vol. 7, No. 2, pp. 59-69, July December 2006.
杨,X。,Jiangxi, “The Prediction of Stock Prices Based on PCA and BP Neural Networks”, Chinese Business Review, Vol. 4, No.5, pp. 6468, May 2005.
克拉森,M。,Investigation of Some Technical Indexes in Stock Forecasting Using Neural Networks, World Academy of Science, Engineering and Technology, Vol. 5, pp. 75-79, 2005.
Phua, p . k . H。、朱、x T。,Chung, H. K., “Forecasting Stock Index Increments Using Neural Networks with Trust Region Methods”, Proceedings of the International Joint Conference on Neural Networks, vol. 1, pp. 260-265, 2003.
陈,Y。,Abraham, A., Yang, J., Yang, B., “Hybrid Methods for Stock Index Modeling”, Proceedings of the Second international conference on Fuzzy Systems and Knowledge Discovery, Volume Part II, pp. 1067-1070, 2005.
蔡,c F。,Wang, S. P., “Stock Price Forecasting by Hybrid Machine Learning Techniques”, Proceedings of the International Multi Conference of Engineers and Computer Scientists, Hong Kong, Vol. I, March 18 -20, 2009.
黄,W。,Nakamori, Y., Wang, S. Y., “Forecasting stock market movement direction with support vector machine”, Computers & Operations Research, Vol. 32, No. 10, pp. 2513-2522, 2004.
范斯通,B。棕褐色,C。,“A Survey of the Application of Soft Computing to Investment and Financial Trading”, Information Technology Papers, Vol. 1, No. 1, pp. 211-216, 2003.
影响,R。,加戈,K。,“A Hybrid Machine Learning System for Stock Market Forecasting”, World Academy of Science, Engineering and Technology, Vol. 15, pp. 315-318, 2008.
林,J。,Li, Y., Liu, C., “Building Time Series Forecasting Model by Independent Component Analysis Mechanism”, Proceedings of the World Congress on Engineering, London, U.K, Vol. II, July 2 -4, 2007.