دانلود ترجمه مقاله پیش بینی قیمت سهام با مجموعه راف و الگوریتم ژنتیک – مجله الزویر

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:

مدل هیبریدی مبتنی بر تئوری مجموعه های راف و الگوریتم های ژنتیک برای پیش بینی قیمت سهام

عنوان انگلیسی مقاله:

A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting

  • برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
  • برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

 

 

مشخصات مقاله انگلیسی و ترجمه فارسی
سال انتشار 2010
تعداد صفحات مقاله انگلیسی 20 صفحه با فرمت pdf
تعداد صفحات ترجمه مقاله 39 صفحه با فرمت word به صورت تایپ شده با قابلیت ویرایش
رشته های مرتبط با این مقاله ریاضی و آمار، مدیریت و علوم اقتصادی
گرایش های مرتبط با این مقاله تحقیق در عملیات، مهندسی مالی و ریسک،مدیریت منابع اطلاعاتی، سیستم های اطلاعاتی پیشرفته، مدیریت فناوری اطلاعات، مدیریت مالی و اقتصاد پولی
مجله علوم اطلاعات (Information Sciences)
دانشگاه  گروه مدیریت اطلاعات، دانشگاه ملی علم و صنعت یونلین، تایوان
کلمات کلیدی نظریه مجموعه راف، الگوریتم ژنتیک، توزیع احتمال تجمعی، رویکرد، به حداقل رساندن رویکرد اصل آنتروپی، شاخص های فنی
شناسه شاپا یا ISSN ISSN 0020-0255
رفرنس دارد
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه Elsevier

 


  • بخشی از ترجمه:

 

چکیده
در بازار سهام، تجزیه وتحلیل فنی به عنوان روش مفیدی برای پیش بینی قیمت های سهام می باشد. اگرچه، تحلیلگران متخصص سهام و مدیران مالی، معمولا قضاوت های ذهنی را بر مبنای شاخص های فنی هدف انجام می دهند، برای افراد غیرمتخصص مشکل می باشد تا تکنیک پیش بینی را بکار گیرند، زیرا شاخص های فنی پیچیده بسیار زیادی وجود دارد که می بایست مد نظر قرار گیرد. علاوه بر این دو مانع در بسیاری از مدل های پیش بینی گذشته وجود دارد: ١) فرضیه های آماری در ارتباط با متغیرها برای مدل های سری زمانی همانند مدل میانگین متحرّک اتورگرسیو (ARMA) و ناهماهنگی پراکنش شرطی اتورگرسیو (ARCH) مورد نیاز می باشند، تا مدل های پیش بینی کننده معادلات ریاضی را مطرح کرده و این موارد به آسانی توسط سرمایه گذاران بازار سهام درک نمی گردد؛ و ٢) قوانینی که در نتیجه بعضی از الگوریتم های هوش مصنوعی، همانند شبکه های عصبی (NN)می باشند که به آسانی قابل درک نیستند.
مقدمه
برای غلبه بر این موانع، این مقاله مدل پیش بینی کننده هیبریدی را با استفاده از شاخص های فنی چندگانه برای پیش بینی روند بازار سهام مطرح می کند. علاوه بر این چنین مواردی شامل چهار روش مطرح شده در مدل های هیبریدی برای ایجاد قوانین کارامد به منظور پیش بینی می باشد، که حاصل قواعد استنباط شده با ارزش حمایتی بالا، با استفاده از مجموعه ابزارها بر مبنای مجموعه نظریات می باشد


  • بخشی از مقاله انگلیسی:

 

abstract

In the stock market, technical analysis is a useful method for predicting stock prices. Although, professional stock analysts and fund managers usually make subjective judgments, based on objective technical indicators, it is difficult for non-professionals to apply this forecasting technique because there are too many complex technical indicators to be considered. Moreover, two drawbacks have been found in many of the past forecasting models: (1) statistical assumptions about variables are required for time series models, such as the autoregressive moving average model (ARMA) and the autoregressive conditional heteroscedasticity (ARCH), to produce forecasting models of mathematical equations, and these are not easily understood by stock investors; and (2) the rules mined from some artificial intelligence (AI) algorithms, such as neural networks (NN), are not easily realized.


 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:

مدل هیبریدی مبتنی بر تئوری مجموعه های راف و الگوریتم های ژنتیک برای پیش بینی قیمت سهام

عنوان انگلیسی مقاله:

A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting

  • برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
  • برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

 

دانلود رایگان مقاله انگلیسی

 

خرید ترجمه فارسی مقاله

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا