مقايسه مدل خطاي تعميم محلي) LG Trader ( با روش ميانگين امپدانس (EMA) در انتخاب سهام با بالاترين نرخ بازگشت

سرمايه گذاري در بازار سهام براي خريد سهام نيازمند اطلاعات زيادي براي تصميم گيري درست مي باشد .به اين ترتيب تكنيك هاي يادگيري ماشين با پيش بيني سيگنال هاي معاملاتي روز بعد سعي در حمايت از سرمايه گذاران دارند . در اين مقاله دو مدل پشتيبان تصميم گيري براي انتخاب سهام با بالاترين نرخ بازگشت را مقايسه مي كنيم . مدل اول ، مدل خطاي تعميم محلي ) LG Trader ( است . اين مدل از يك الگوريتم ژنتيك براي به حداقل رساندن خطاي بهينه سازي محلي مقياس ) wL-GEM ( استفاده مي كند . انتخاب ويژگي بر اساس wLGEM كمك مي كند تا شاخص هاي فني مفيدي در ميان گزينه هاي موجود براي هر سهام انتخاب كرد . نتايج تجربي نشان مي دهد كه LG Trader سود و نرخ بازده را در شاخص سهام افزايش مي دهد. مدل دوم ، استفاده از مدل ميانگين امپدانس ) EMA ) كه يكي از تكنيك هاي شبكه عصبي پروتسترون به اضافه داده كاوي مي باشد . اين مدل در مقايسه با چندين مدل به عنوان مطلوب ترين مدل انتخاب شده است . در ادامه اين مقاله ما نتايح به دست آمده از هر كدام از اين دو مدل را بررسي ميكنيم و بهترين مدل براي پيشتيباني تصميم گيري براي انتخاب سهام با بالاترين نرخ بازگشت را مقايسه ميكنيم.