Evaluating multiple classifiers for stock price direction prediction

Ballings, Michel; Poel, Dirk Van den; Hespeels, Nathalie; Gryp, Ruben

doi:10.1016/j.eswa.2015.05.013

Cited by 459 publications

(273 citation statements)

References 67 publications

Supporting

Mentioning

223

Contrasting

Unclassified

Order By: Relevance

“…Then, we apply the optimized neural network Nonlinear Autoregressive Exogenous (NARX) is applied to predict the stock price, whether buy, sell or hold the shares. Finally, the prediction is evaluated by the cost function as explained in equation (13). We have also performed a comparative study of the prediction between prominent stock market and emerging stock market.…”

Section: Architecture Of the Proposed Systemmentioning

confidence: 99%

“…Classification and various machine learning algorithms which use combination of classifiers are also gaining researchers' attention in dealing with the stock prediction. Among the various classification methods, some of the researchers use single classification for stock forecasting, whereas others use combination of multiple classifiers to improve the accuracy of prediction [13]. proposed of applying combination of technical analysis and nearest neighbour classification in predicting Brazilian stock market.…”

Section: Use Of Classification In Stock Prediction Systems and Their mentioning

confidence: 99%

See 1 more Smart Citation

Hybrid Clustering-GWO-NARX neural network technique in predicting stock price

Das

Sadiq

Mirjalili

et al. 2017

J. Phys.: Conf. Ser.

View full text Add to dashboard Cite

Abstract. Prediction of stock price is one of the most challenging tasks due to nonlinear nature of the stock data. Though numerous attempts have been made to predict the stock price by applying various techniques, yet the predicted price is not always accurate and even the error rate is high to some extent. Consequently, this paper endeavours to determine an efficient stock prediction strategy by implementing a combinatorial method of Grey Wolf Optimizer (GWO), Clustering and Non Linear Autoregressive Exogenous (NARX) Technique. The study uses stock data from prominent stock market i.e. New York Stock Exchange (NYSE), NASDAQ and emerging stock market i.e. Malaysian Stock Market (Bursa Malaysia), Dhaka Stock Exchange (DSE). It applies K-means clustering algorithm to determine the most promising cluster, then MGWO is used to determine the classification rate and finally the stock price is predicted by applying NARX neural network algorithm. The prediction performance gained through experimentation is compared and assessed to guide the investors in making investment decision. The result through this technique is indeed promising as it has shown almost precise prediction and improved error rate. We have applied the hybrid Clustering-GWO-NARX neural network technique in predicting stock price. We intend to work with the effect of various factors in stock price movement and selection of parameters. We will further investigate the influence of company news either positive or negative in stock price movement. We would be also interested to predict the Stock indices.

show abstract

Section: Architecture Of the Proposed Systemmentioning

confidence: 99%

Section: Use Of Classification In Stock Prediction Systems and Their mentioning

confidence: 99%

Hybrid Clustering-GWO-NARX neural network technique in predicting stock price

Das

Sadiq

Mirjalili

et al. 2017

J. Phys.: Conf. Ser.

View full text Add to dashboard Cite

show abstract

“…Akcijų rinkos prognozavimas turi didelę reikšmę priimant investavimo sprendimus (Guresen et al 2011). Deja, akcijų kainos juda atsitiktinai, yra susijusios su istoriniais duomenimis, o pati akcijų rinka yra sudėtinga ir netiesiška sistema (Lo, MacKinlay 2011;Manahov, Hudson 2014), kurią sudaro daug skirtingų dalyvių, veikiančių pagal atskirus ekonominius, politinius ir psichologinius veiksnius (Ballings et al 2015), kurie gali padidinti rinkoje esamą neapibrėžtumą, o šis savo ruožtu gali turėti teigiamą arba neigiamą poveikį akcijų kainoms. Todėl labai svarbu siekti prognozavimo stabilumo, kad kuo tiksliau ir laiku būtų galima nustatyti tam tikrą nežinomų duomenų kiekį (Maknickienė, Maknickas 2012).…”

Section: Prielaidos Investavimo Sprendimų Priėmimo Modeliams Kurtiunclassified

Comparative Analysis of Investment Decision Models

Kekytė

Stasytytė

2017

Science - Future of Lithuania

View full text Add to dashboard Cite

2017 © Straipsnio autoriai. Leidėjas VGTU leidykla "Technika". Šis straipsnis yra atvirosios prieigos straipsnis, turintis Kūrybinių bendrijų (Creative Commons) licenciją (CC BY-NC 4.0), kuri leidžia neribotą straipsnio ar jo dalių panaudą su privaloma sąlyga nurodyti autorių ir pirminį šaltinį. Straipsnis ar jo dalys negali būti naudojami komerciniams tikslams. ISSN 2029-2341 / eISSN 2029-2252 De Oliveira et al. 2013). Taigi pagrindinė mokslinė problema, kuri bus sprendžiama šiame straipsnyje, yra informacijos ir kriterijų trūkumas, pagal kuriuos investuotojas ar rinkos tyrinėtojas rinktųsi investavimo modelį. Kadangi yra daug įvai-rių modelių bei sprendimų paramos sistemų, kyla sunkumų norint išsirinkti tinkamiausią dinamiškai rinkai ir didelėms duomenų apimtims analizuoti. Modelių palyginimas pagal jų privalumus, trūkumus, taikomus metodus ir rezultatus galėtų būti svarus indėlis sprendžiant įvardytą mokslinę problemą. MOKSLAS -LIETUVOS ATEITIS SCIENCE -FUTURE OF LITHUANIATradicinių inovacijų augimo požiūriu inovacijos finan sų srityje padeda gerinti įvairių banko paslaugų kokybę, palengvinti rizikos valdymą, išpildyti rinką ir galiausiai padidinti išteklių paskirstymo efektyvumą (Berger 2003;Houston et al. 2010). Lerner ir Tufano (2011) teigia, kad finansinės naujovės teigiamai veikia finansų sektoriaus stiprėjimą, taip pat ir ekonominį augimą. Taigi aukštesnis finansinių inovacijų lygis skatina spartesnį atskirų pramonės sektorių ir visos šalies ekonominį augimą bei suteikia daugiau galimybių didinti plėtros efektyvumą (Beck et al. 2016).Per pastaruosius kelis dešimtmečius finansinių duomenų analizė, padedanti prognozuoti akcijų kainas, prekybos vietas ir investicinius portfelius, tapo labai populiari mokslinių tyrimų tema (Wu et al. 2014 Santrauka. Sparti finansų rinkų plėtra lemia naujus iššūkius tiek investuotojams, tiek investavimo problematiką nagrinėjantiems mokslininkams. Kyla būtinybė sukurti inovatyvius, šiuolaikines finansų rinkų sąlygas atitinkančius investicijų portfelio sudarymo ir valdymo sprendimus. Finansų rinkos sulaukia ypatingo dėmesio, atliekami įvairūs tyrimai, įskaitant įvairių investavimo modelių formavimą, kurie apima finansinės rizikos valdymą ir investavimo sprendimų paramos sistemas. Mokslininkai pripažįsta būtinumą nagrinėti finansines problemas integruotais ir realybę atitinkančiais būdais, grindžiamais sudėtinga kiekybinės analizės technika. Taigi matematinio modeliavimo vaidmuo finansų sektoriuje tampa labai svarbus. Straipsnyje nagrinėjami įvairūs investavimo sprendimų priėmimo modeliai, apimantys prognozavimą, optimizavimą, stochastinius procesus, dirbtinį intelektą ir kt., kurie tampa reikšmingo-mis priemonėmis priimant investicinius sprendimus.reikšminiai žodžiai: investavimas, sprendimų priėmimo modeliai, akcijų rinka, portfelis, duomenų analizė, prognozavimas. ĮvadasFinansų rinkos palengvina tarptautinę prekybą, sujungia ir suteikia informacijos apie organizacijų bei ekonomikos ateities perspektyvas, yra ekonomikos augimą skatinanti priemonė . Tačiau šiuolaikinėje finan...

show abstract

“…It is observed from the study results that local modeling improves the performance. Michel Ballings et al [8] compare the ensemble methods such as Random Forest, AdaBoost and Kernel Factory against the single classifier models namely Neural Networks, Logistic Regression, Support Vector Machines and K-Nearest Neighbor. The data from 5767 European companies are taken for the study.…”

Section: Related Workmentioning

confidence: 99%

Prediction of Stock Market using Ensemble Model

Narayanan¹,

Govindarajan²

2015

IJCA

View full text Add to dashboard Cite

In the modern Digital Era, Data Mining is the powerful area for analyzing the large data sets to get unexpected relationships (models). The analysis of statistical data on sequential data points measured at regular time interval over a period of time is time series analysis. Time series analysis is used in predicting future occurrence of a time based event. One of the main areas where time series analysis is implied is in stock market prediction. The two important classification ways are Support Vector Machine (SVM) and Naïve Bayes. SVM is a method used for the foreseeing of financial time based data sets. It uses a function called risk which contains a mistake and a term. The basic principle which is used to obtain this may be called as minimization of structural risk. Naïve Bayes model assigns class labels for problem instances which can be denoted as vectors of feature measurements. For a given group variable, it takes into consideration that the numerical record of a specified feature is unique of others. Purpose of the present investigation is to develop an ensemble model namely AdaSVM and AdaNaive to analyse the stock data by comparing SVM and Naïve Bayes methods. The performance evaluation measures such as accuracy and classification error were computed individually for the stock market data set. The experimental result shows AdaSVM and AdaNaive is acceptable than SVM and Naïve Bayes.

show abstract

Evaluating multiple classifiers for stock price direction prediction

Cited by 459 publications

References 67 publications

Hybrid Clustering-GWO-NARX neural network technique in predicting stock price

Hybrid Clustering-GWO-NARX neural network technique in predicting stock price

Comparative Analysis of Investment Decision Models

Prediction of Stock Market using Ensemble Model

Contact Info

Product

Resources

About