Skip Navigation Linksلیست مقالات ترجمه شده / مقالات ترجمه شده مهندسی كامپيوتر /

عنوان ترجمه شده مقاله: یک سیستم توصیه گر سبد اوراق بهادار بازار سهام بر اساس کاوش قوانین وابستگی

ما یک سیستم توصیه گر سبد اوراق بهادار بازار سهام بر اساس کاوش قانون وابستگی (ARM) پیشنهاد می کنیم که داده های سهام را تحلیل کرده و یک سبد رتبه بندی شده از سهام ها را پیشنهاد می کند.

Abstract

We propose a stock market portfolio recommender system based on association rule mining (ARM) that analyzes stock data and suggests a ranked basket of stocks. The objective of this recommender system is to support stock market traders, individual investors and fund managers in their decisions by suggesting investment in a group of equity stocks when strong evidence of possible profit from these transactions is available

Our system is different compared to existing systems because it finds the correlation between stocks and recommends a portfolio. Existing techniques recommend buying or selling a single stock and do not recommend a portfolio

We have used the support confidence framework for generating association rules. The use of traditional ARM is infeasible because the number of association rules is exponential and finding relevant rules from this set is difficult. Therefore ARM techniques have been augmented with domain specific techniques like formation of thematical sectors, use of cross-sector and intra-sector rules to overcome the disadvantages of traditional ARM

We have implemented novel methods like using fuzzy logic and the concept of time lags to generate datasets from actual data of stock prices. Thorough experimentation has been performed on a variety of datasets like the BSE-30 sensitive Index, the S&P CNX Nifty or NSE-50, S&P CNX-100 and DOW-30 Industrial Average. We have compared the returns of our recommender system with the returns obtained from the top-5 mutual funds in India. The results of our system have surpassed the results from the mutual funds for all the datasets

Our approach demonstrates the application of soft computing techniques like ARM and fuzzy classification in the design of recommender systems 

چکیده

ما یک سیستم توصیه گر سبد اوراق بهادار بازار سهام بر اساس کاوش قانون وابستگی (ARM) پیشنهاد می­کنیم که داده­ های سهام را تحلیل کرده و یک سبد رتبه­ بندی شده از سهام­­ ها را پیشنهاد می­­کند. هدف این سیستم توصیه ­گر، حمایت از معامله ­کنندگان بازار سهام، سرمایه­ گذاران شخصی و مدیران صندوق در تصمیم ­گیری­ هایشان، با پیشنهاد دادن سرمایه ­گذاری در گروهی از سهامِ منصفانه است وقتی که شواهد قوی از سود احتمالی از این معاملات در دسترس می­باشد.

سیستم ما در مقایسه با سیستم­ های موجود متفاوت است، چون ارتباط بین سهام­ را پیدا کرده و یک سبد اوراق بهادار را توصیه می­ کند. تکنیک­ های موجود، خرید یا فروش یک سهام را توصیه می­کنند و یک سبد اوراق بهادار را توصیه نمی­کنند.

ما از چارچوب support-confidence برای تولید قوانین وابستگی استفاده می­کنیم. استفاده از ARM سنتی، غیرعملی است، چون تعداد قوانین وابستگی نمایی بوده و پیدا کردن قوانین مربوطه از این مجموعه دشوار است. از این رو تکنیک­ های ARM با تکنیک­ های مختص دامنه مانند تشکیل بخش­ های موضوعی، استفاده از قوانین بینِ بخشی و درون بخشی برای غلبه بر معایب ARM سنتی تقویت شده ­اند. ما روش­های جدیدی مانند استفاده از منطق فازی و مفهوم تاخیر زمانی را برای تولید مجموعه داده­ از داده­های واقعی قیمت سهام پیاده ­سازی کرده ­ایم.

آزمایشات کاملی بر روی انواع مجموعه داده مانند BSE-30 sensitive Index ،S&P CNX Nifty  یا NSE-50 ،S&P CNX-100  و DOW-30 Industrial Average انجام شده است. ما بازده سیستم توصیه­­ گرمان را با بازده به دست آمده از 5 صندوق برتر سرمایه ­گذاری مشترک هند، مقایسه کرده­ ایم. نتایج سیستم ما برای تمام مجموعه داده ­ها از نتایج صندوق سرمایه­ گذاری مشترک، پیشی گرفته­ است.

رویکرد ما، کاربرد تکنیک­ های محاسبات نرم مانند ARM و طبقه­ بندی فازی را در طراحی سیستم­ های توصیه­ گر نشان می­دهد.

1. مقدمه

ما یک سیستم توصیه­ گر بازار سهام مبتنی بر کاوش قوانین وابستگی (ARM) تولید کرده­ ایم که یک سبد اوراق بهادار­ سهام را توصیه می­کند. هدف این سیستم توصیه ­گر، حمایت از معامله­ کنندگان بازار سهام، سرمایه­ گذاران شخصی و مدیران صندوق در تصمیم­گیری­ هایشان، با پیشنهاد سرمایه­ گذاری در یک گروه از سهام منصفانه است وقتی که شواهد قوی از سود احتمالی از این معاملات در دسترس می­باشد. سیستم ما در مقایسه با سیستم ­های موجود متفاوت است چون ارتباط بین سهام­ را پیدا کرده و یک سبد اوراق بهادار را توصیه می­کند. تکنیک­های موجود مبتنی بر تحلیل فنی و بنیادی، خرید یا فروش یک سهام مبتنی بر الگوهای حجم قیمت بر اصل سهام را توصیه می­کنند. اما آنها یک سبد اوراق بهادار را توصیه نمی­کنند. تا جایی که می­دانیم، سیستم ما اولین تلاش برای استفاده از تکنیک کاوش قانون وابستگی برای ایجاد سیستم توصیه­ گر سبد اوراق بهادار بازار سهام است... 


موسسه ترجمه البرز اقدام به ترجمه مقاله " مهندسی فناوری اطلاعات " با موضوع " یک سیستم توصیه گر سبد اوراق بهادار بازار سهام بر اساس کاوش قوانین وابستگی " نموده است که شما کاربر عزیز می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
یک سیستم توصیه گر سبد اوراق بهادار بازار سهام بر اساس کاوش قوانین وابستگی
نویسنده/ناشر/نام مجله :
Applied Soft Computing
سال انتشار
2013
کد محصول
1002884
تعداد صفحات انگليسی
9
تعداد صفحات فارسی
24
قیمت بر حسب ریال
1,281,500
نوع فایل های ضمیمه
Pdf+Word
حجم فایل
1 مگا بایت
تصویر پیش فرض


این مقاله ترجمه شده را با دوستان خود به اشتراک بگذارید
سایر مقالات ترجمه شده مهندسی فناوری اطلاعات , مهندسی كامپيوتر را مشاهده کنید.
کاربر عزیز، بلافاصله پس از خرید مقاله ترجمه شده مقاله ترجمه شده و با یک کلیک می توانید مقاله ترجمه شده خود را دانلود نمایید. مقاله ترجمه شده خوداقدام نمایید.
جهت خرید لینک دانلود ترجمه فارسی کلیک کنید
جستجوی پیشرفته مقالات ترجمه شده
برای کسب اطلاعات بیشتر، راهنمای فرایند خرید و دانلود محتوا را ببینید
هزینه این مقاله ترجمه شده 1281500 ریال بوده که در مقایسه با هزینه ترجمه مجدد آن بسیار ناچیز است.
اگر امکان دانلود از لینک دانلود مستقیم به هر دلیل برای شما میسر نبود، کد دانلودی که از طریق ایمیل و پیامک برای شما ارسال می شود را در کادر زیر وارد نمایید


این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:



Association rule mining (ARM)
Portfolio recommender systems

تاریخ انتشار در سایت: 2015-01-11
جستجوی پیشرفته مقالات ترجمه شده
نظرتان در مورد این مقاله ترجمه شده چیست؟

ثبت سفارش جدید