Введение 4
1. Анализ предметной области 6
1.1. Определения и актуальность 6
1.2. Основные направления исследований 8
1.3. Методы прогнозирования, на основе настроения рынка (Фундаментальный анализ) 9
1.3.1. Метод Опорных Векторов 11
1.3.2. Глубокое обучение 14
1.3.3. Источник данных и исследованный период времени 17
1.3.4. Выводы 19
1.4. Методы прогнозирования, на основе технического анализа 19
2. Проектирование и разработка web-платформы 23
2.1. Описание разработанной web-платформы 23
2.2. Основные требования 23
2.3. Используемые технологии и библиотеки 25
2.3.1. Клиентская часть приложения 25
2.3.2. Серверная часть приложения 29
2.4. Использованные REST API сервисы 30
2.5. Архитектура 32
2.5.1. Архитектура клиентской части 33
2.5.2. Архитектура серверной части 39
2.6. Инструменты анализа и прогнозирования 40
2.6.1. Инструменты на основе фундаментального анализа 41
2.6.2. Инструменты на основе технического анализа 51
2.7. Руководство пользователя 54
Заключение 61
Список использованных источников 63
Глоссарий 66
Возможность использования сразу двух подходов к прогнозированию рынка могут помочь делать более точные прогнозы, а использование алгоритмов машинного обучения, поможет создавать более сложные математические модели, которые могут помогать выявлять зависимости, влияющие на изменения цен акций на фондовой бирже.
Объектом исследования данной работы являются процессы, влияющие на изменения цен акций на фондовой бирже.
Предметом исследования являются различные методы анализа и прогнозирования фондового рынка.
Целью данной работы является проектирование и разработка веб- платформы, объединяющую в себе несколько инструментов прогнозирования фондового рынка, основанных как на техническом, так и на фундаментальном анализе.
Для достижения этой цели в работе предполагается решение следующих задач:
1. Проанализировать, имеющиеся наработки в данной области и возможность их включения в веб-платформу.
2. Реализовать инструменты прогнозирования фондового рынка, основанный на техническом и фундаментальном анализе.
3. Спроектировать и разработать веб-платформу объединяющие различные инструменты прогнозирования фондового рынка.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка web-платформы с панелью инструментов прогнозирования фондового рынка #9103776
Артикул: 9103776
- Предмет: Программная инженерия
- Уникальность: 72% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 68
- Формат файла: docx
- Последняя покупка: 06.02.2022
2 499p.
1. Gupta A, Dhingra B. Stock market prediction using hidden Markov models. In: 2012 Students Conference on Engineering and Systems. IEEE; 2012. Pp. 1-4
2. Asadi S, Hadavandi E, Mehmanpazir F, Nakhostin MM. Hybridization of evolutionary Levenberg–Marquardt neural networks and data pre-processing for stock market prediction. Knowledge-Based Systems. 2012; 35:245-258
3. Saravanan S, Mala S. Stock market prediction system: A wavelet based approach. Applied Mathematics and Information Sciences. 2018; 12:579-585. DOI: 10.18576/amis/120312
4. Chung H, Shin KS. Genetic algorithm-optimized long short-term memory network for stock market prediction. Sustainability. 2018;10(10):3765
5. Шарп У. Ф., Александер Г. Дж., Бэйли Д. В. Инвестиции: [пер. с англ.]. - М.: ИНФРА-М, 2009.
6. Mudinas A, Zhang D, Levene M. Market trend prediction using sentiment analysis: Lessons learned and paths forward. 2019. arXiv preprint arXiv:1903.05440
7. Souza TT, Aste T. Predicting future stock market structure by combining social and financial network information. Physica A: Statistical Mechanics and its Applications. 2019; 535:122343
8. Bujari A, Furini M, Laina N. On using cashtags to predict companies stock trends. In: 2017 14th IEEE Annual Consumer Communications & Networking Conference (CCNC). IEEE; 2017. pp. 25-28
9. Dumais S, Platt J, Heckerman D, Sahami M. Inductive learning algorithms and representations for text categorization. In: Proceedings of the Seventh International Conference on Information and Knowledge Management; 1998. pp. 148-155
10. Joachims T. Text categorization with support vector machines: Learning with many relevant features. In: European conference on machine learning. Berlin/Heidelberg: Springer; 1998. pp. 137-142
11. Li X, Xie H, Chen L, Wang J, Deng X. News impact on stock price return via sentiment analysis. Knowledge-Based Systems. 2014; 69:14-23
12. Loughran T, McDonald B. When is a liability not a liability? Textual analysis, dictionaries, and 10-Ks. The Journal of Finance. 2011; 66(1):35-65
13. Long W, Song L, Tian Y. A new graphic kernel method of stock price trend prediction based on financial news semantic and structural similarity. Expert Systems with Applications. 2019; 118:411-424
14. Weng B, Ahmed MA, Megahed FM. Stock market one-day ahead movement prediction using disparate data sources. Expert Systems with Applications. 2017; 79:153-163
15. Uysal AK, Murphey YL. Sentiment classification: Feature selection based approaches versus deep learning. In: 2017 IEEE International Conference on Computer and Information Technology (CIT). IEEE; 2017. pp. 23-30
16. Martin V. Predicting the French stock market using social media analysis. In: 2013 8th International Workshop on Semantic and Social Media Adaptation and Personalization. IEEE; 2013. pp. 3-7
17. Hochreiter S, Schmidhuber J. Long short-term memory. Neural Computation. 1997;9(8):1735-1780
18. Rao G, Huang W, Feng Z, Cong Q. LSTM with sentence representations for document-level sentiment classification. Neurocomputing. 2018; 308:49-57
19. Siami-Namini S, Namin AS. Forecasting economics and financial time series: ARIMA vs. LSTM. 2018. arXiv preprint arXiv:1803.06386
20. Liu . Leveraging financial news for stock trend prediction with attention- based recurrent neural network. 2018. arXiv preprint arXiv:1811.06173
21. Chen MY, Liao CH, Hsieh RP. Modeling public mood and emotion: Stock market trend prediction with anticipatory computing approach. Computers in Human Behavior. 2019; 101:402-408
22. Kusuma R. M. I. et al. Using deep learning neural networks and candlestick chart representation to predict stock market //arXiv preprint arXiv:1903.12258. – 2019.
23. Birogul S., Temür G., Kose U. YOLO object recognition algorithm and “buy- sell decision” model over 2D candlestick charts //IEEE Access. – 2020. – Т. 8. – С. 91894-91915.
24. Liu L. et al. Deep learning for generic object detection: A survey //International journal of computer vision. – 2020. – Т. 128. – №. 2. – С. 261-318.
2. Asadi S, Hadavandi E, Mehmanpazir F, Nakhostin MM. Hybridization of evolutionary Levenberg–Marquardt neural networks and data pre-processing for stock market prediction. Knowledge-Based Systems. 2012; 35:245-258
3. Saravanan S, Mala S. Stock market prediction system: A wavelet based approach. Applied Mathematics and Information Sciences. 2018; 12:579-585. DOI: 10.18576/amis/120312
4. Chung H, Shin KS. Genetic algorithm-optimized long short-term memory network for stock market prediction. Sustainability. 2018;10(10):3765
5. Шарп У. Ф., Александер Г. Дж., Бэйли Д. В. Инвестиции: [пер. с англ.]. - М.: ИНФРА-М, 2009.
6. Mudinas A, Zhang D, Levene M. Market trend prediction using sentiment analysis: Lessons learned and paths forward. 2019. arXiv preprint arXiv:1903.05440
7. Souza TT, Aste T. Predicting future stock market structure by combining social and financial network information. Physica A: Statistical Mechanics and its Applications. 2019; 535:122343
8. Bujari A, Furini M, Laina N. On using cashtags to predict companies stock trends. In: 2017 14th IEEE Annual Consumer Communications & Networking Conference (CCNC). IEEE; 2017. pp. 25-28
9. Dumais S, Platt J, Heckerman D, Sahami M. Inductive learning algorithms and representations for text categorization. In: Proceedings of the Seventh International Conference on Information and Knowledge Management; 1998. pp. 148-155
10. Joachims T. Text categorization with support vector machines: Learning with many relevant features. In: European conference on machine learning. Berlin/Heidelberg: Springer; 1998. pp. 137-142
11. Li X, Xie H, Chen L, Wang J, Deng X. News impact on stock price return via sentiment analysis. Knowledge-Based Systems. 2014; 69:14-23
12. Loughran T, McDonald B. When is a liability not a liability? Textual analysis, dictionaries, and 10-Ks. The Journal of Finance. 2011; 66(1):35-65
13. Long W, Song L, Tian Y. A new graphic kernel method of stock price trend prediction based on financial news semantic and structural similarity. Expert Systems with Applications. 2019; 118:411-424
14. Weng B, Ahmed MA, Megahed FM. Stock market one-day ahead movement prediction using disparate data sources. Expert Systems with Applications. 2017; 79:153-163
15. Uysal AK, Murphey YL. Sentiment classification: Feature selection based approaches versus deep learning. In: 2017 IEEE International Conference on Computer and Information Technology (CIT). IEEE; 2017. pp. 23-30
16. Martin V. Predicting the French stock market using social media analysis. In: 2013 8th International Workshop on Semantic and Social Media Adaptation and Personalization. IEEE; 2013. pp. 3-7
17. Hochreiter S, Schmidhuber J. Long short-term memory. Neural Computation. 1997;9(8):1735-1780
18. Rao G, Huang W, Feng Z, Cong Q. LSTM with sentence representations for document-level sentiment classification. Neurocomputing. 2018; 308:49-57
19. Siami-Namini S, Namin AS. Forecasting economics and financial time series: ARIMA vs. LSTM. 2018. arXiv preprint arXiv:1803.06386
20. Liu . Leveraging financial news for stock trend prediction with attention- based recurrent neural network. 2018. arXiv preprint arXiv:1811.06173
21. Chen MY, Liao CH, Hsieh RP. Modeling public mood and emotion: Stock market trend prediction with anticipatory computing approach. Computers in Human Behavior. 2019; 101:402-408
22. Kusuma R. M. I. et al. Using deep learning neural networks and candlestick chart representation to predict stock market //arXiv preprint arXiv:1903.12258. – 2019.
23. Birogul S., Temür G., Kose U. YOLO object recognition algorithm and “buy- sell decision” model over 2D candlestick charts //IEEE Access. – 2020. – Т. 8. – С. 91894-91915.
24. Liu L. et al. Deep learning for generic object detection: A survey //International journal of computer vision. – 2020. – Т. 128. – №. 2. – С. 261-318.
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 web-платформы с панелью инструментов прогнозирования фондового рынка |
| Артикул: | 9103776 |
| Дата написания: | 25.04.2021 |
| Тип работы: | Магистерская диссертация |
| Предмет: | Программная инженерия |
| Оригинальность: | Антиплагиат.ВУЗ — 72% |
| Количество страниц: | 68 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка. Самой программы нет
В работе представлены только пояснительная записка. Самой программы нет
Файлы артикула: Разработка web-платформы с панелью инструментов прогнозирования фондового рынка по предмету программная инженерия
Пролистайте "Разработка web-платформы с панелью инструментов прогнозирования фондового рынка" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 18.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 72% (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.
ПРЕДЫДУЩАЯ РАБОТА
Разработка модели и программного инструмента оценки влияния преподавателей на успеваемость обучающихся
СЛЕДУЮЩАЯ РАБОТА
Разработка средств тестирования производительности платежной системы Банка России