Comercio bursátil automatizado mediante el aprendizaje automático
Versandkostenfrei!
Versandfertig in 1-2 Wochen
24,99 €
inkl. MwSt.
PAYBACK Punkte
12 °P sammeln!
La toma de decisiones en el mercado de valores es una tarea muy desafiante y difícil de predicción de datos financieros. La predicción sobre el mercado de valores con un movimiento de alta precisión produce beneficios para los inversores de las acciones. Debido a la complejidad de los datos financieros del mercado de valores, el desarrollo de modelos eficaces para la decisión de predicción es muy difícil, y debe ser preciso. En este estudio se ha intentado desarrollar modelos de predicción del mercado de valores y decidir si se compran o retienen las acciones utilizando técnicas de mi...
La toma de decisiones en el mercado de valores es una tarea muy desafiante y difícil de predicción de datos financieros. La predicción sobre el mercado de valores con un movimiento de alta precisión produce beneficios para los inversores de las acciones. Debido a la complejidad de los datos financieros del mercado de valores, el desarrollo de modelos eficaces para la decisión de predicción es muy difícil, y debe ser preciso. En este estudio se ha intentado desarrollar modelos de predicción del mercado de valores y decidir si se compran o retienen las acciones utilizando técnicas de minería de datos y aprendizaje automático. Se han utilizado técnicas de aprendizaje automático como Naive Bayes, k-Nest Neighbor (k-NN), Support Vector Machine (SVM), Artificial Neural Network (ANN) y Random Forest para desarrollar el modelo de predicción. Los indicadores técnicos se calculan a partir de las cotizaciones bursátiles basadas en datos cronológicos y se utilizan como entradas de los modelos de predicción propuestos. Se han utilizado diez años de datos bursátiles para la predicción de señales de las acciones. Basándose en el conjunto de datos, estos modelos son capaces de generar una señal de compra/retención para el mercado de valores como resultado.
Andere Kunden interessierten sich für
