ГЛОССАРИЙ 3
ВВЕДЕНИЕ 6
ГЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 8
1.1. Описание свечных паттернов 9
1.2. Обзор существующих работ в сфере распознавания паттернов 21
ГЛАВА 2. ПРИМЕНЯЕМЫЕ ТЕХНОЛОГИИ В ЗАДАЧЕ
РАСПОЗНАВАНИЯ ПАТТЕРНОВ 23
2.1. Обзор используемых технологий 23
ГЛАВА 3. ПОСТРОЕНИЕ МОДЕЛИ ДАННЫХ 26
3.1. Архитектура системы 26
3.2. Описание сбора данных 28
3.3. Построение моделей машинного обучения 30
3.4. Визуализация результата 32
ЗАКЛЮЧЕНИЕ 35
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ 36
ПРИЛОЖЕНИЕ А 38
ПРИЛОЖЕНИЕ Б 41
ПРИЛОЖЕНИЕ В 45
Целью работы служит разработка моделей машинного обучения для анализа и прогнозировании графических изображений фондового рынка. Каждая модель будет принимать на вход графическое изображение финансового рынка, считывать данные, анализировать с помощью ML- моделей и выводить результат в виде распознаваемого паттерна.
В соответствии с поставленной целью необходимо решить следующие задачи:
1. Изучить существующие технологии для распознавания изображений;
2. Создать из реальных данных Dataset;
3. Создать и обучить модели на собранных данных для распознавания свечных паттернов;
4. Провести анализ обученных моделей.
Объектом исследования является создание моделей для прогнозирования фондового рынка.
Предметом являются ML - модели для распознавания паттернов на графиках финансового рынка.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка ML-моделей для распознавания паттернов на графиках финансового рынка. А также похожие готовые работы: страница 15 #9103760
Артикул: 9103760
- Предмет: Программная инженерия
- Уникальность: 71% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 48
- Формат файла: docx
1 999p.
1. Jun-Hao Chen, Yun-Cheng Tsai. Encoding Candlesticks as Images for Patterns Classification Using Convolutional Neural Networks // Accepted by Financial Innovation. 2020. Vol. 1.
2. Yelin Li, Junjie Wu and Hui Bu, When Quantitative Trading Meets Machine Learning // 13th International Conference on Service Systems and Service Management (ICSSSM). 2016.
3. Vats P., Samdani K. Study on machine learning techniques in financial markets
// 2019 IEEE International Conference on System, Computation, Automation and Networking (ICSCAN). 2019. P.1-5.
4. Saad E.W., Prokhorov D.V., Wunsch D.C. Comparative Study of Stock Trend Prediction Using Time Delay Recurrent and Probabilistic Neural Networks Neural Networks // IEEE Transactions on // vol. 9, no. 6, pp. 1456-1470
5. Dhar V., Chou D. A Comparison of Nonlinear Methods for Predicting Earnings Surprises and Returns Neural Networks // IEEE Transactions on // vol. 12, no. 4
6. Ngoc-Quang Nguyen, Sang-Woong Lee Robust Boundary Segmentation in Medical Images Using a Consecutive Deep Encoder-Decoder Network
// Access IEEE, vol. 7, pp. 33795-33808, 2019.
7. K. H. Leung, M. R. Salmanpour, A. Saberi, I. S. Klyuzhin, V. Sossi, A. K. Jha,
M. G. Pomper, Y. Du, A. Rahmim Using deep-learning to predict outcome of patients with Parkinson’s disease // Nuclear Science Symposium and Medical Imaging Conference Proceedings (NSS/MIC) 2018 IEEE, pp. 1-4, 2018.
8. Heewon Ko, Hyunsoo Ha, Hyuna Cho, Kiwon Seo, Jihye Lee Pneumonia Detection with Weighted Voting Ensemble of CNN Models // Artificial Intelligence and Big Data (ICAIBD) 2019 2nd International Conference on, pp. 306-310, 2019.
9. Rasheed J., Jamil A., Hameed A., Ilyas M., Özyavaş A., Ajlouni N. Improving Stock Prediction Accuracy Using CNN and LSTM // International Conference on Data Analytics for Business and Industry: Way Towards a Sustainable Economy (ICDABI). 2020. P. 1-5.
10. Pei Y., Wang J., Tang X. Stock Reversal Pattern Mining Based on Fuzzy Candlestick Lines // IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA). 2020. P. 802-807.
11. Wu JM.‐T., Li Z., Srivastava G., Tasi M.‐H., Lin JC.‐W. A graph‐based convolutional neural network stock price prediction with leading indicators // Softw Pract Exper. 2021. Vol. 51. P. 628– 644.
12. Sorna Shanthi D., Aarthi T., Bhuvanesh A.K., Chooriya Prabha RA. Pattern Recognition in Stock Market // International Journal of Computer Science and Mobile Computing. 2020. Vol. 9. Issue. 3. P.106 – 111.
13. Cohen G. Best Candlesticks Pattern to Trade Stocks // International Journal of Economics and Financial Issues. 2020. Vol.10(2). P. 256-261.
14. Andriyanto A., Wibowo A., Abidin NZ. Sectoral Stock Prediction Using Convolutional Neural Networks with Candlestick Patterns as input Images // International Journal of Emerging Trends in Engineering Research. 2020. Vol. 8. No. 6.
15. Hassen O.A., Darwish S.M., Abu N.A., Abidin Z.Z. Application of Cloud Model in Qualitative Forecasting for Stock Market Trends // Entropy. 2020. Vol. 22. P. 991.
16. Wu J.MT., Li Z., Herencsar N. A graph-based CNN-LSTM stock price prediction algorithm with leading indicators // Multimedia Systems. 2021.
2. Yelin Li, Junjie Wu and Hui Bu, When Quantitative Trading Meets Machine Learning // 13th International Conference on Service Systems and Service Management (ICSSSM). 2016.
3. Vats P., Samdani K. Study on machine learning techniques in financial markets
// 2019 IEEE International Conference on System, Computation, Automation and Networking (ICSCAN). 2019. P.1-5.
4. Saad E.W., Prokhorov D.V., Wunsch D.C. Comparative Study of Stock Trend Prediction Using Time Delay Recurrent and Probabilistic Neural Networks Neural Networks // IEEE Transactions on // vol. 9, no. 6, pp. 1456-1470
5. Dhar V., Chou D. A Comparison of Nonlinear Methods for Predicting Earnings Surprises and Returns Neural Networks // IEEE Transactions on // vol. 12, no. 4
6. Ngoc-Quang Nguyen, Sang-Woong Lee Robust Boundary Segmentation in Medical Images Using a Consecutive Deep Encoder-Decoder Network
// Access IEEE, vol. 7, pp. 33795-33808, 2019.
7. K. H. Leung, M. R. Salmanpour, A. Saberi, I. S. Klyuzhin, V. Sossi, A. K. Jha,
M. G. Pomper, Y. Du, A. Rahmim Using deep-learning to predict outcome of patients with Parkinson’s disease // Nuclear Science Symposium and Medical Imaging Conference Proceedings (NSS/MIC) 2018 IEEE, pp. 1-4, 2018.
8. Heewon Ko, Hyunsoo Ha, Hyuna Cho, Kiwon Seo, Jihye Lee Pneumonia Detection with Weighted Voting Ensemble of CNN Models // Artificial Intelligence and Big Data (ICAIBD) 2019 2nd International Conference on, pp. 306-310, 2019.
9. Rasheed J., Jamil A., Hameed A., Ilyas M., Özyavaş A., Ajlouni N. Improving Stock Prediction Accuracy Using CNN and LSTM // International Conference on Data Analytics for Business and Industry: Way Towards a Sustainable Economy (ICDABI). 2020. P. 1-5.
10. Pei Y., Wang J., Tang X. Stock Reversal Pattern Mining Based on Fuzzy Candlestick Lines // IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA). 2020. P. 802-807.
11. Wu JM.‐T., Li Z., Srivastava G., Tasi M.‐H., Lin JC.‐W. A graph‐based convolutional neural network stock price prediction with leading indicators // Softw Pract Exper. 2021. Vol. 51. P. 628– 644.
12. Sorna Shanthi D., Aarthi T., Bhuvanesh A.K., Chooriya Prabha RA. Pattern Recognition in Stock Market // International Journal of Computer Science and Mobile Computing. 2020. Vol. 9. Issue. 3. P.106 – 111.
13. Cohen G. Best Candlesticks Pattern to Trade Stocks // International Journal of Economics and Financial Issues. 2020. Vol.10(2). P. 256-261.
14. Andriyanto A., Wibowo A., Abidin NZ. Sectoral Stock Prediction Using Convolutional Neural Networks with Candlestick Patterns as input Images // International Journal of Emerging Trends in Engineering Research. 2020. Vol. 8. No. 6.
15. Hassen O.A., Darwish S.M., Abu N.A., Abidin Z.Z. Application of Cloud Model in Qualitative Forecasting for Stock Market Trends // Entropy. 2020. Vol. 22. P. 991.
16. Wu J.MT., Li Z., Herencsar N. A graph-based CNN-LSTM stock price prediction algorithm with leading indicators // Multimedia Systems. 2021.
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка ML-моделей для распознавания паттернов на графиках финансового рынка |
| Артикул: | 9103760 |
| Дата написания: | 27.04.2021 |
| Тип работы: | Дипломная работа |
| Предмет: | Программная инженерия |
| Оригинальность: | Антиплагиат.ВУЗ — 71% |
| Количество страниц: | 48 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Разработка ML-моделей для распознавания паттернов на графиках финансового рынка. А также похожие готовые работы: страница 15 по предмету программная инженерия
Пролистайте "Разработка ML-моделей для распознавания паттернов на графиках финансового рынка. А также похожие готовые работы: страница 15" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 24.01.2025
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 71% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
Утром сдавать, а работа еще не написана?
Через 30 секунд после оплаты вы скачаете эту работу!
Сегодня уже купили 24 работы. Успей и ты забрать свою пока это не сделал кто-то другой!
ПРЕДЫДУЩАЯ РАБОТА
Разработка механизма кросс-продаж с применением методов машинного обучения в голосовом ассистенте
СЛЕДУЮЩАЯ РАБОТА
Разработка модели поиска ассоциативных правил для анализа потребительской корзины