An Analytical Comparison of the Behavior of Machine Learning and Deep Learning in Stock Market Prediction

IF 1.2 Q3 MULTIDISCIPLINARY SCIENCES

Baghdad Science Journal Pub Date : 2024-07-19 DOI:10.21123/bsj.2024.10017

Hasanen S. Abdullah, Nada Hussain Ali, Ammar Hussein Jassim, Syed Hamid Hussain

{"title":"An Analytical Comparison of the Behavior of Machine Learning and Deep Learning in Stock Market Prediction","authors":"Hasanen S. Abdullah, Nada Hussain Ali, Ammar Hussein Jassim, Syed Hamid Hussain","doi":"10.21123/bsj.2024.10017","DOIUrl":null,"url":null,"abstract":"يعتبر تعلم الماكنة تقنية قوية في كثير من التطبيقات مثل التصنيف، العنقدة، التمييز والتنبؤ. التعلم العميق هو تقنية تعلم ماكنة حديثة وحيوية ومتفوقة والتي تعطي اداء مبهر خصوصا مع البيانات ضحمة. التنبؤ بأسعار سوق الاوراق المالية هي عملية تحديد القيمة المستقبلية لأدوات مالية متعامل بها في السوق، لتحقيق مكاسب كبرى يجب توظيف عملية تنبؤ ناجحة ومن اجل تحقيق هذا الغرض تم استخدام تعلم الماكنة. في هذا البحث، تم اقتراح نهجين للتنبؤ بأسعار وتحركات سوق الاوراق المالية باستخدام مجموعتين بيانات، النهج الاول يوظف نموذجين تعلم ماكنة (J48 &الانحدار اللوجستي) بينما النهج الثاني يعتمد على الشبكات العصبية المتكررة (LSTM المقترحة). معمارية LSTM المقترحة صممت وتم تدريبها باستخدام محسنات كفوئة، ضبط المعلمات الفائقة واختبار معدل اسقاط مناسب لتجنب مشكلة التجهيز الزائد. الهدف من هذا البحث هو اجراء مقارنة تجريبية بين مناهج تعلم الماكنة التقليدية ( J48 &الانحدار اللوجستي )وتعلم الماكنة العميق (LSTMالمقترحة) النتائج التجريبية اظهرت ان نظام التعلم العميق المقترح LSTM تفوق على النهج الآخر (لكلا لنموذجين) ومن خلال مجموعتي البيانات بتنبؤ اسعار وحركة سوق الاوراق المالية.","PeriodicalId":8687,"journal":{"name":"Baghdad Science Journal","volume":null,"pages":null},"PeriodicalIF":1.2000,"publicationDate":"2024-07-19","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Baghdad Science Journal","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21123/bsj.2024.10017","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"MULTIDISCIPLINARY SCIENCES","Score":null,"Total":0}

引用次数: 0

Abstract

يعتبر تعلم الماكنة تقنية قوية في كثير من التطبيقات مثل التصنيف، العنقدة، التمييز والتنبؤ. التعلم العميق هو تقنية تعلم ماكنة حديثة وحيوية ومتفوقة والتي تعطي اداء مبهر خصوصا مع البيانات ضحمة. التنبؤ بأسعار سوق الاوراق المالية هي عملية تحديد القيمة المستقبلية لأدوات مالية متعامل بها في السوق، لتحقيق مكاسب كبرى يجب توظيف عملية تنبؤ ناجحة ومن اجل تحقيق هذا الغرض تم استخدام تعلم الماكنة. في هذا البحث، تم اقتراح نهجين للتنبؤ بأسعار وتحركات سوق الاوراق المالية باستخدام مجموعتين بيانات، النهج الاول يوظف نموذجين تعلم ماكنة (J48 &الانحدار اللوجستي) بينما النهج الثاني يعتمد على الشبكات العصبية المتكررة (LSTM المقترحة). معمارية LSTM المقترحة صممت وتم تدريبها باستخدام محسنات كفوئة، ضبط المعلمات الفائقة واختبار معدل اسقاط مناسب لتجنب مشكلة التجهيز الزائد. الهدف من هذا البحث هو اجراء مقارنة تجريبية بين مناهج تعلم الماكنة التقليدية ( J48 &الانحدار اللوجستي )وتعلم الماكنة العميق (LSTMالمقترحة) النتائج التجريبية اظهرت ان نظام التعلم العميق المقترح LSTM تفوق على النهج الآخر (لكلا لنموذجين) ومن خلال مجموعتي البيانات بتنبؤ اسعار وحركة سوق الاوراق المالية.

查看原文本刊更多论文

机器学习与深度学习在股市预测中的行为分析比较

在分类、聚类、辨别和预测等许多应用中，机器学习都是一项强大的技术。深度学习是一种现代的、动态的、卓越的机器学习技术，尤其是在处理大数据时，其性能令人印象深刻。股票市场价格预测是确定市场上交易的金融工具未来价值的过程，要想获得显著收益，必须采用成功的预测过程，为此使用了机器学习。在这项研究中，提出了两种利用两个数据集预测股市价格和走势的方法，第一种方法采用了两种机器学习模型（J48 和逻辑回归），而第二种方法则基于循环神经网络（拟议的 LSTM）。拟议的 LSTM 架构采用高效的优化器、超参数调整和适当的下降率测试来设计和训练，以避免过拟合问题。本研究的目的是对传统机器学习方法（J48 和逻辑回归）和深度机器学习（拟 LSTM）进行实验比较。实验结果表明，在两个数据集上，拟 LSTM 在预测股市价格和走势方面优于其他方法（两种模型）。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Baghdad Science Journal MULTIDISCIPLINARY SCIENCES-

CiteScore

2.00

自引率

50.00%

发文量

102

审稿时长

24 weeks

期刊介绍： The journal publishes academic and applied papers dealing with recent topics and scientific concepts. Papers considered for publication in biology, chemistry, computer sciences, physics, and mathematics. Accepted papers will be freely downloaded by professors, researchers, instructors, students, and interested workers. ( Open Access) Published Papers are registered and indexed in the universal libraries.