อัจฉริยะ Trading ระบบ ไฟล์ Pdf

ระบบการซื้อขายหลักทรัพย์: กรอบการพัฒนาและประเมินผลกลยุทธ์การซื้อขายหลักทรัพย์อ้างอิงจากบทความนี้: Nenortait J. ivilis A. (2006) ระบบการซื้อขายหลักทรัพย์: กรอบการพัฒนาและประเมินกลยุทธ์การซื้อขายหลักทรัพย์ ใน: Alexandrov V. N. van Albada G. D. Sloot P. M.A. Dongarra J. (eds) วิทยาศาสตร์คอมพิวเตอร์ ICCS 2006. ICCS 2006. บทบรรยายในวิทยาการคอมพิวเตอร์, vol 3991 Springer, Berlin, Heidelberg โมเดลการซื้อขายหุ้นอัจฉริยะกลายเป็นที่ปรึกษาที่มีค่าในตลาดหุ้น ในขณะที่การพัฒนาแบบจำลองดังกล่าวให้ความสำคัญกับการประเมินและเปรียบเทียบกับรูปแบบการทำงานอื่น ๆ บทความนี้แนะนำระบบการซื้อขายหลักทรัพย์ซึ่งได้รับการออกแบบมาเพื่อเป็นกรอบในการพัฒนาและประเมินผลรูปแบบการตัดสินใจอัจฉริยะ การวิจัยทางสังคมศาสตร์, 143 (1992) Hellstrom, T. ASTA - เครื่องมือสำหรับการพัฒนาอัลกอริธึมการทำนายสต๊อก ทฤษฎีการประมวลผลแบบสุ่ม (Stochastic Processe) 5 (21), 2232 (1999) Google Scholar NASTradingSystem (Swing Trading System) (เข้าสู่วันที่ 15 ธันวาคม 2548), nastradingsystem Nenortaite, J. Simutis, R. การปรับการกระจายตัวของอนุภาคสู่ตลาดสต็อก In: การออกแบบและการประยุกต์ใช้ระบบอัจฉริยะ การประชุมนานาชาติด้านการออกแบบและการประยุกต์ใช้ระบบอัจฉริยะครั้งที่ 5, หน้า 520525 IEEE, Los Alamitos (2005) Nenortaite, J. Simutis, R. ระบบการซื้อขายหุ้นตามอนุภาคขั้นตอนการเพิ่มประสิทธิภาพอนุภาค ใน: Bubak, M. van Albada, G. D. Sloot, P. M.A. Dongarra, J. (สหพันธ์) ICCS 2004. LNCS, vol. 1 3039, pp 843850 Springer, Heidelberg (2004) CrossRef การเทรดของ Google Scholar เพื่อผลกำไร (เข้าใช้งานวันที่ 15 ธันวาคม 2005), tradingforprofits UltraTradingSystem (Accessed 15th December 2005), ultratradingsystem WinnerStockPicks (Daily Trading System) (Accessed 15th of December 2005) , winnerstockpicks ข้อมูลลิขสิทธิ์ Springer-Verlag Berlin Heidelberg 2006 ผู้เขียนและ บริษัท ในเครือ Jovita Nenortait 1 Alminas ivilis 2 1. Kaunas คณะมนุษยศาสตร์ภาควิชาวิทยาการคอมพิวเตอร์ Vilnius University Kaunas Lithuania 2. คณะวิชาคณิตศาสตร์และสารสนเทศ Vilnius University Vilnius Lithuania เกี่ยวกับบทความนี้หุ้นอัจฉริยะ ระบบการค้าที่มีการคาดการณ์แนวโน้มราคาและการรับรู้การพลิกกลับโดยใช้เครือข่ายประสาทเทอร์โมโมดูลแบบคู่อ้างอิงบทความนี้: Jang, GS Lai, F. Jiang, BW et al บทความนี้นำเสนอระบบการซื้อขายหลักทรัพย์อัจฉริยะที่สามารถสร้างคำแนะนำในการซื้อขายหุ้นได้ทันเวลาตามการคาดการณ์แนวโน้มการเคลื่อนไหวของราคาในระยะสั้นโดยใช้เครือข่ายประสาทเทียมแบบคู่ (dual net) . ตัวชี้วัดทางเทคนิคย้อนหลังที่สกัดจากข้อมูลราคาและปริมาณข้อมูลชุดเวลาที่รวบรวมจากตลาดใช้เป็นตัวแปรอิสระสำหรับการสร้างแบบจำลองประสาท ทั้งสองโมดูลเครือข่ายประสาทเทียมของเครือข่ายคู่เรียนรู้ความสัมพันธ์ระหว่างแนวโน้มของการเคลื่อนไหวของราคาและตัวชี้วัดทางเทคนิคย้อนหลังโดยใช้อัลกอริทึมการเรียนรู้การขยายพันธุ์กลับปรับเปลี่ยน การเสริมสร้างความสัมพันธ์ชั่วคราวระหว่างน้ำหนักของระบบประสาทและรูปแบบการฝึกอบรมโมดูลคู่ของเครือข่ายประสาทเทียมได้รับการฝึกอบรมในระยะสั้นและระยะยาวของรูปแบบการฝึกอบรม กลไกการรับรู้การกลับรายการแบบปรับตัวที่สามารถปรับเกณฑ์การระบุช่วงเวลาสำหรับการซื้อหรือขายหุ้นได้รับการพัฒนาขึ้นในระบบของเรา แสดงให้เห็นว่าสถาปัตยกรรมแบบคู่ขนานที่เสนอนี้จะทำให้เกิดเครือข่ายประสาทเทียมแบบเดียวที่ดีกว่า ตามคุณลักษณะของอัตราผลตอบแทนที่ยอมรับได้และคุณภาพของข้อเสนอแนะทางการค้าที่แสดงในการประเมินผลการปฏิบัติงานระบบการซื้อขายหุ้นอัจฉริยะที่มีการคาดการณ์แนวโน้มราคาและการรับรู้ย้อนกลับสามารถรับรู้ได้โดยใช้โครงข่ายประสาทเทอร์โมโมดูลแบบคู่ การคาดเดาของเครือข่ายประสาทเทียมการอ้างอิงการอ้างอิง J. Felsen เทคนิคการรู้จำลายมือการเรียนรู้ที่ใช้กับการคาดการณ์ตลาดหุ้น, IEEE Trans. ระบบ Man Cybernet . ฉบับ SMC-5, no. 6, หน้า 583594, 1975 Google Scholar J. F. เอ็ลเดอร์, IV, และ M. T. Finn, การสร้างแบบจำลองที่ซับซ้อนที่เหมาะสมที่สุดสำหรับการพยากรณ์นักวิเคราะห์ทางการเงิน J. หน้า 7379 มกราคม 2534. D. D. Hawley, J. D. Johnson, และ D. Raina, ระบบประสาทประดิษฐ์: เครื่องมือใหม่สำหรับการตัดสินใจทางการเงิน, นักวิเคราะห์ทางการเงิน J. pp 6372 พฤศจิกายน 2533 อี. Schoneburg พยากรณ์ราคาหุ้นโดยใช้เครือข่ายประสาท: รายงานโครงการ Neurocomputing ฉบับ 2, pp. 1727, 1990 Google Scholar T. Kimoto, K. Asakawa, M. Yoda และ M. Takeoka, ระบบการทำนายตลาดสต็อกด้วยเครือข่ายประสาทเทียม, Proc. IEEE Int. ความร่วมมือ เครือข่ายประสาทเทียม 1990, หน้า 16 F. S. วง, การคาดการณ์อนุกรมเวลาโดยใช้เครือข่ายประสาทเทียมแบบ back-propagation, Neurocomputing ฉบับ 2, หน้า 147159, 1991 Google Scholar G. S. Jang, F. Lai, B. W. Jiang และ L. H. Chien ซึ่งเป็นระบบการคาดการณ์แนวโน้มอัจฉริยะและระบบการรับรู้ย้อนกลับโดยใช้เครือข่ายประสาทเทอร์โมโมดูลแบบคู่ Proc First Int. conf artif Intell Appl ใน Wall Street New York, 1991, หน้า 4251 G. S. Jang, F. Lai, B. W. Jiang, C. C. Pan และ L. H. Chien ซึ่งเป็นระบบการบริหารพอร์ตหุ้นอัจฉริยะโดยอาศัยการคาดการณ์แนวโน้มในระยะสั้นโดยใช้เครือข่ายประสาทเทอร์โมโมดูลแบบคู่ Proc int conf artif เครือข่ายประสาทเทียม 1991, pp 447452 J. Utans และ J. Moody, การเลือกสถาปัตยกรรมเครือข่ายประสาทผ่านความเสี่ยงในการทำนาย: การประยุกต์ใช้ในการคาดการณ์อันดับความน่าเชื่อถือของตราสารหนี้ภาครัฐ, Proc. First Int. conf artif Intell Appl ใน Wall Street New York, 1991, หน้า 3541 A. Guez, J. L. Eilbert และ M. Kam, สถาปัตยกรรมเครือข่ายประสาทเทียมสำหรับควบคุม, IEEE Control Syst พูดเรื่องไม่มีสาระ ฉบับ 8 ไม่ใช่ 2, pp. 2225, เมษายน 1988 Google Scholar R. P. Gorman และ T. J. Sejnowski, การวิเคราะห์หน่วยที่ซ่อนอยู่ในเครือข่ายชั้นที่ได้รับการฝึกอบรมเพื่อจำแนกเป้าหมาย sonar, โครงข่ายประสาทเทียม ฉบับ 1 ไม่ใช่ 1, pp. 7590, 1988 Google Scholar T. J. Sejnowski และ C. R. Rosenberg เครือข่ายแบบขนานที่เรียนรู้การออกเสียงข้อความภาษาอังกฤษ Complex Syst . ฉบับ 1, 1987, pp. 145168 Google Scholar J. J. เมอร์ฟี่, การวิเคราะห์ทางเทคนิคของตลาดฟิวเจอร์ส, คู่มือฉบับสมบูรณ์เพื่อวิธีการซื้อขายและการประยุกต์ใช้ New York Institute of Finance: นิวยอร์ก, 1986 Google Scholar G. C. Lane, กลยุทธ์การซื้อขาย Future Symposium International: Tucson, AZ, 1984 Google Scholar K. Hornik, M. Stinchcombe และ H. White เครือข่ายเครือข่ายประสาทเทียมแบบหลายชั้นเป็นเครือข่ายสากล ฉบับ 2, หน้า 359366, 1989 CrossRef Google Scholar D. E. Rumelhart, J. L. McClelland และกลุ่มงานวิจัย PDP, Explorations การประมวลผลแบบขนานในโครงสร้างจุลภาคของความรู้ความเข้าใจ Volume I: Foundations MIT Press: Cambridge, MA, 1986 Google Scholar S. C. Huang และ Y. F. Huang, อัลกอริทึมการเรียนรู้สำหรับ perceptrons โดยใช้ back-propagation พร้อมกับการปรับปรุงที่เลือก, IEEE Control Syst พูดเรื่องไม่มีสาระ ฉบับ 10, ไม่มี 3, pp. 5661, เมษายน 2533 Google Scholar G. Mani ลดความแปรปรวนของการตัดสินใจด้วยการใช้เครือข่ายประสาทเทียม, การคำนวณประสาทเทียม ฉบับ 3, หน้า 484486, 1991 Google Scholar T. C. ลีการปรับโครงสร้างระดับเครือข่ายประสาทเทียม Kluwer Academic: Boston, 1991 Google Scholar D. E. โกลด์เบิร์กอัลกอริทึมทางพันธุกรรมในการค้นหาการเพิ่มประสิทธิภาพและการเรียนรู้ด้วยเครื่อง Addison-Wesley: Reading, MA, 1989 Google Scholar J. W. Wilder, Jr. , แนวคิดใหม่ในระบบการค้าทางเทคนิค Trend Research: Greensboro, NC, 1978. Google Scholar ข้อมูลลิขสิทธิ์ Kluwer Academic Publishers 1993 ผู้เขียนและ บริษัท ในเครือ Gia-Shuh Jang 1 Feipei Lai 1 Bor-Wei Jiang 1 Tai-Ming Parng 1 Li-Hua Chien 2 1. ภาควิชาวิศวกรรมไฟฟ้าและ ภาควิชาวิทยาการคอมพิวเตอร์และวิศวกรรมข้อมูลมหาวิทยาลัยแห่งชาติไต้หวันไต้หวันไต้หวันไต้หวัน 2. กลุ่มตลาดทุน China Development Corporation ประเทศจีนเกี่ยวกับบทความนี้ระบบการซื้อขาย Stock: กรอบการพัฒนาและประเมินกลยุทธ์การซื้อขายหลักทรัพย์อ้างอิงจากบทความนี้: Nenortait J. ivilis A. ( 2006) ระบบการซื้อขายหลักทรัพย์: กรอบการพัฒนาและประเมินผลกลยุทธ์การซื้อขายหลักทรัพย์ ใน: Alexandrov V. N. van Albada G. D. Sloot P. M.A. Dongarra J. (eds) วิทยาศาสตร์คอมพิวเตอร์ ICCS 2006. ICCS 2006. บทบรรยายในวิทยาการคอมพิวเตอร์, vol 3991 Springer, Berlin, Heidelberg โมเดลการซื้อขายหุ้นอัจฉริยะกลายเป็นที่ปรึกษาที่มีค่าในตลาดหุ้น ในขณะที่การพัฒนาแบบจำลองดังกล่าวให้ความสำคัญกับการประเมินและเปรียบเทียบกับรูปแบบการทำงานอื่น ๆ บทความนี้แนะนำระบบการซื้อขายหลักทรัพย์ซึ่งได้รับการออกแบบมาเพื่อเป็นกรอบในการพัฒนาและประเมินผลรูปแบบการตัดสินใจอัจฉริยะ การวิจัยทางสังคมศาสตร์, 143 (1992) Hellstrom, T. ASTA - เครื่องมือสำหรับการพัฒนาอัลกอริธึมการทำนายสต๊อก ทฤษฎีการประมวลผลแบบสุ่ม (Stochastic Processe) 5 (21), 2232 (1999) Google Scholar NASTradingSystem (Swing Trading System) (เข้าถึงวันที่ 15 ธันวาคม 2548), nastradingsystem Nenortaite, J. Simutis, R. การปรับการกระจายตัวของอนุภาคสู่ตลาดสต็อก In: การออกแบบและการประยุกต์ใช้ระบบอัจฉริยะ การประชุมนานาชาติด้านการออกแบบและการประยุกต์ใช้ระบบอัจฉริยะครั้งที่ 5, หน้า 520525 IEEE, Los Alamitos (2005) Nenortaite, J. Simutis, R. ระบบการซื้อขายหุ้นตามอนุภาคขั้นตอนการเพิ่มประสิทธิภาพอนุภาค ใน: Bubak, M. van Albada, G. D. Sloot, P. M.A. Dongarra, J. (สหพันธ์) ICCS 2004. LNCS, vol. 1 3039, pp 843850 Springer, Heidelberg (2004) CrossRef การเทรดของ Google Scholar เพื่อผลกำไร (เข้าใช้งานวันที่ 15 ธันวาคม 2005), tradingforprofits UltraTradingSystem (Accessed 15th December 2005), ultratradingsystem WinnerStockPicks (Daily Trading System) (Accessed 15th of December 2005) , winnerstockpicks ข้อมูลลิขสิทธิ์ Springer-Verlag Berlin Heidelberg 2006 ผู้เขียนและ บริษัท ในเครือ Jovita Nenortait 1 Alminas ivilis 2 1. Kaunas คณะมนุษยศาสตร์ภาควิชาวิทยาการคอมพิวเตอร์ Vilnius University Kaunas Lithuania 2. คณะวิชาคณิตศาสตร์และสารสนเทศ Vilnius University Vilnius Lithuania เกี่ยวกับหนังสือเล่มนี้ ระบบ: กรอบการพัฒนาและประเมินกลยุทธ์การซื้อขายหลักทรัพย์อ้างอิงจากบทความนี้: Nenortait J. ivilis A. (2006) ระบบการซื้อขายหลักทรัพย์: กรอบการพัฒนาและประเมินกลยุทธ์การซื้อขายหลักทรัพย์ ใน: Alexandrov V. N. van Albada G. D. Sloot P. M.A. Dongarra J. (eds) วิทยาศาสตร์คอมพิวเตอร์ ICCS 2006. ICCS 2006. บทบรรยายในวิทยาการคอมพิวเตอร์, vol 3991 Springer, Berlin, Heidelberg โมเดลการซื้อขายหุ้นอัจฉริยะกลายเป็นที่ปรึกษาที่มีค่าในตลาดหุ้น ในขณะที่การพัฒนาแบบจำลองดังกล่าวให้ความสำคัญกับการประเมินและเปรียบเทียบกับรูปแบบการทำงานอื่น ๆ บทความนี้แนะนำระบบการซื้อขายหลักทรัพย์ซึ่งได้รับการออกแบบมาเพื่อเป็นกรอบในการพัฒนาและประเมินผลรูปแบบการตัดสินใจอัจฉริยะ การวิจัยทางสังคมศาสตร์, 143 (1992) Hellstrom, T. ASTA - เครื่องมือสำหรับการพัฒนาอัลกอริธึมการทำนายสต๊อก ทฤษฎีการประมวลผลแบบสุ่ม (Stochastic Processe) 5 (21), 2232 (1999) Google Scholar NASTradingSystem (Swing Trading System) (เข้าถึงวันที่ 15 ธันวาคม 2548), nastradingsystem Nenortaite, J. Simutis, R. การปรับการกระจายตัวของอนุภาคสู่ตลาดสต็อก In: การออกแบบและการประยุกต์ใช้ระบบอัจฉริยะ การประชุมนานาชาติด้านการออกแบบและการประยุกต์ใช้ระบบอัจฉริยะครั้งที่ 5, หน้า 520525 IEEE, Los Alamitos (2005) Nenortaite, J. Simutis, R. ระบบการซื้อขายหุ้นตามอนุภาคขั้นตอนการเพิ่มประสิทธิภาพอนุภาค ใน: Bubak, M. van Albada, G. D. Sloot, P. M.A. Dongarra, J. (สหพันธ์) ICCS 2004. LNCS, vol. 1 3039, pp 843850 Springer, Heidelberg (2004) CrossRef การเทรดของ Google Scholar เพื่อผลกำไร (เข้าใช้งานวันที่ 15 ธันวาคม 2005), tradingforprofits UltraTradingSystem (Accessed 15th December 2005), ultratradingsystem WinnerStockPicks (Daily Trading System) (Accessed 15th of December 2005) , winnerstockpicks ข้อมูลลิขสิทธิ์ Springer-Verlag Berlin Heidelberg 2006 ผู้เขียนและ บริษัท ในเครือ Jovita Nenortait 1 Alminas ivilis 2 1. Kaunas คณะมนุษยศาสตร์ภาควิชาวิทยาการคอมพิวเตอร์ Vilnius University Kaunas Lithuania 2. คณะวิชาคณิตศาสตร์และสารสนเทศ Vilnius University Vilnius Lithuania เกี่ยวกับเอกสารนี้