Stock Market Speculation System Development Based on Technico Temporal Indicators and Data Mining Tools

Bousbaa, Zineb; Bencharef, Omar; Nabaji, Abdellah

doi:10.1007/978-3-030-58930-1_16

Cited by 4 publications

(5 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Tests have been made in our previous work [2]. In Figure 2, we can see that dispersed residuals along a horizontal line without clear patterns are equally distributed on the upper and lower sides of the line.…”

Section: The Dataset Analysis and The Input Selectionmentioning

confidence: 78%

“…This model is a good tool for solving linear and mixed-number problems and for situations where the numbers are mixed or continuous. More details about the PSO algorithm we used in our experimental study can be found in [2,83].…”

Section: Pso Metaheuristic Optimization Techniquementioning

confidence: 99%

“…Our proposed search Algorithm 1 steps are: The implementation of the SGD and PSO is inspired by our previous work, Ref. [2], where we developed the classic gradient descent optimized using Particle Swarm Optimization. We used almost the same gradient descent algorithm for the SGD, as the difference between them is limited to the used training data.…”

Section: The Proposed Search Algorithmmentioning

confidence: 99%

“…When we look at the work done on the algorithms used for FTSERF, we can see that researchers in both public and private institutions have tried out all the machine learning tools that are available. Those tools may be supervised, such as classification [1], regression [2], recommender systems [3], and reinforement learning [4]. They also include unsupervised algorithms, such as clustering and association analysis, ranking, and anomaly detection techniques [5].…”

Section: Introductionmentioning

confidence: 99%

See 3 more Smart Citations

Financial Time Series Forecasting: A Data Stream Mining-Based System

2023

View full text Add to dashboard Cite

Data stream mining (DSM) represents a promising process to forecast financial time series exchange rate. Financial historical data generate several types of cyclical patterns that evolve, grow, decrease, and end up dying. Within historical data, we can notice long-term, seasonal, and irregular trends. All these changes make traditional static machine learning models not relevant to those study cases. The statistically unstable evolution of financial market behavior yields a progressive deterioration in any trained static model. Those models do not provide the required characteristics to evolve continuously and sustain good forecasting performance as the data distribution changes. Online learning without DSM mechanisms can also miss sudden or quick changes. In this paper, we propose a possible DSM methodology, trying to cope with that instability by implementing an incremental and adaptive strategy. The proposed algorithm includes the online Stochastic Gradient Descent algorithm (SGD), whose weights are optimized using the Particle Swarm Optimization Metaheuristic (PSO) to identify repetitive chart patterns in the FOREX historical data by forecasting the EUR/USD pair’s future values. The data trend change is detected using a statistical technique that studies if the received time series instances are stationary or not. Therefore, the sliding window size is minimized as changes are detected and maximized as the distribution becomes more stable. Results, though preliminary, show that the model prediction is better using flexible sliding windows that adapt according to the detected distribution changes using stationarity compared to learning using a fixed window size that does not incorporate any techniques for detecting and responding to pattern shifts.

show abstract

Section: The Dataset Analysis and The Input Selectionmentioning

confidence: 78%

Section: Pso Metaheuristic Optimization Techniquementioning

confidence: 99%

Section: The Proposed Search Algorithmmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Financial Time Series Forecasting: A Data Stream Mining-Based System

2023

View full text Add to dashboard Cite

show abstract

“…La identificación de los determinantes del movimiento direccional del tipo de cambio euro-dólar debido al cambio de "régimen de mercado" se aborda como un problema de selección de características observables [563] y la distinción entre grupos se realiza con una única variable categórica compuesta por dos clases (tendencia alcista y tendencia bajista).…”

Section: Configuración De Experimentosunclassified

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Argotty Erazo

View full text Add to dashboard Cite

Predecir los precios y las tendencias de los instrumentos financieros para mejorar la efectividad de las decisiones de inversión es un reto clave para la industria financiera y los agentes implicados. Aunque se han utilizado muchas técnicas eficaces de inteligencia artificial en el análisis de las series de tiempo, el problema de predecir la dirección del movimiento de los tipos de cambio en el mercado Forex aún requiere soluciones parsimoniosas, descifrables y precisas. Desde la perspectiva del análisis técnico, esta investigación presenta una metodología novedosa para clasificar la dirección de la tendencia de los tipos de cambio. La metodología utiliza puntos de inflexión y datos de mercado que miden la acción de los precios, junto con las diferencias multidimensionales entre tendencias, para construir una función lineal discriminante (LDA).La metodología propuesta consta de cinco fases: preparación de datos, selección de características, detección de estructuras subyacentes, formulación de una función discriminante lineal y evaluación del desempeño del modelo con datos dentro y fuera de la muestra. Los experimentos se realizaron con datos de mercado del tipo de cambio euro-dólar en marcos de tiempo de 15 minutos y 1 semana, y una colección de puntos de inflexión del mercado (ET) definidos por un modelo de negociación algorítmico. El período de muestra va desde enero de 1999 hasta abril de 2023.En contraste con algunos trabajos notables publicados en la literatura científica como la Memoria a Corto Plazo (LSTM), el Aprendizaje Profundo por Refuerzo (DRL), el Análisis Wavelet (WA), el Análisis de Sentimiento de Contenido Textual, las Máquinas de Vectores de Soporte (SVM) y los Algoritmos Genéticos (GA), la metodología propuesta logró una precisión de clasificación del 98.77% con datos fuera de muestra. Estos resultados respaldan la construcción de métodos de clasificación interpretables, generalizables, precisos y parsimoniosos, lo que sugiere mejoras significativas en el rendimiento financiero y la reducción del riesgo en las estrategias de negociación. Además, esta metodología es aplicable en la selección de variables y se adapta fácilmente a otros activos financieros.

show abstract