Automatisierter Aktienmarkthandel mit maschinellem Lernen

Die Entscheidungsfindung an der Börse ist eine sehr anspruchsvolle und schwierige Aufgabe bei der Vorhersage von Finanzdaten. Vorhersagen über den Aktienmarkt mit hoher Genauigkeit bringen Gewinn für die Investoren der Aktien. Aufgrund der Komplexität der Finanzdaten an der Börse ist die Entwicklung effektiver Modelle für die Entscheidungsvorhersage sehr schwierig, und sie müssen genau sein. In dieser Studie wurde versucht, mit Hilfe von Data-Mining- und maschinellen Lerntechniken Modelle zur Vorhersage des Aktienmarktes und zur Entscheidung über den Kauf/Halt von Aktien zu entwickeln. Für die Entwicklung des Vorhersagemodells wurden maschinelle Lerntechniken wie Naive Bayes, k-Nearest Neighbor (k-NN), Support Vector Machine (SVM), Artificial Neural Network (ANN) und Random Forest verwendet. Technische Indikatoren werden aus den Aktienkursen auf der Grundlage von Zeitreihendaten berechnet und als Input für die vorgeschlagenen Prognosemodelle verwendet. Für die Signalvorhersage von Aktien wurden zehn Jahre Börsendaten verwendet. Basierend auf dem Datensatz sind diese Modelle in der Lage, Kauf-/Haltesignale für den Aktienmarkt zu generieren.

Autorentext
Parth Shah hat einen Abschluss in Informatik mit Spezialisierung auf maschinelles Lernen. Derzeit arbeitet er als Data Scientist für ein führendes Privatunternehmen in Ahmedabad, Indien. Er verfügt über Fachkenntnisse in maschinellem Lernen und natürlicher Sprachverarbeitung.