Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Towards a New Evolutionary Subsampling Technique for Heuristic Optimisation of Load Disaggregators Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

A Hierarchical Beta Process Approach for Financial Time Series Trend Prediction

verfasst von : Mojgan Ghanavati, Raymond K. Wong, Fang Chen, Yang Wang, Joe Lee

Erschienen in: Trends and Applications in Knowledge Discovery and Data Mining

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

An automatic stock market categorization system would be invaluable to investors and financial experts, providing them with the opportunity to predict a stock price changes with respect to the other stocks. In recent years, clustering all companies in the stock markets based on their similarities in shape of the stock market has increasingly become popular. However, existing approaches may not be practical because the stock price data are high-dimensional data and the changes in the stock price usually occur with shift, which makes the categorization more complex. In this paper, a hierarchical beta process (HBP) based approach is proposed for stock market trend prediction. Preliminary results show that the approach is promising and outperforms other popular approaches.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Social Spam Detection Framework via Semi-supervised Learning
Nächstes Kapitel Efficient Iris Image Segmentation for ATM Based Approach Through Fuzzy Entropy and Graph Cut
Literatur
1.
Ausín, M.C., Galeano, P., Ghosh, P.: A semiparametric Bayesian approach to the analysis of financial time series with applications to value at risk estimation. Eur. J. Oper. Res. 232(2), 350–358 (2014)MathSciNetCrossRefMATH
2.
3.
Demšar, J.: Statistical comparisons of classifiers over multiple data sets. J. Mach. Learn. Res. 7, 1–30 (2006)MathSciNetMATH
4.
D’Urso, P., Cappelli, C., Lallo, D., Massari, R.: Clustering of financial time series. Phys. A Stat. Mech. Appl. 392(9), 2114–2129 (2013)MathSciNetCrossRef
5.
Fama, E.F.: Efficient capital markets: a review of theory and empirical work*. J. Finan. 25(2), 383–417 (1970)CrossRef
6.
Huang, C.J., Yang, D.X., Chuang, Y.T.: Application of wrapper approach and composite classifier to the stock trend prediction. Expert Syst. Appl. 34(4), 2870–2878 (2008)CrossRef
7.
Li, Q., Jiang, L., Li, P., Chen, H.: Tensor-based learning for predicting stock movements. In: Twenty-Ninth AAAI Conference on Artificial Intelligence (2015)
8.
Li, Z., Ding, B., Han, J., Kays, R.: Swarm: mining relaxed temporal moving object clusters. Proc. VLDB Endowment 3(1–2), 723–734 (2010)CrossRef
9.
Li, Z., Zhang, B., Wang, Y., Chen, F., Taib, R., Whiffin, V., Wang, Y.: Water pipe condition assessment: a hierarchical beta process approach for sparse incident data. Mach. Learn. 95(1), 11–26 (2014)MathSciNetCrossRef
10.
Lin, A., Shang, P., Feng, G., Zhong, B.: Application of empirical mode decomposition combined with k-nearest neighbors approach in financial time series forecasting. Fluctuation Noise Lett. 11(02), 1250018 (2012)CrossRef
11.
Lin, Y., Guo, H., Hu, J.: An SVM-based approach for stock market trend prediction. In: The 2013 International Joint Conference on Neural Networks (IJCNN), pp. 1–7. IEEE (2013)
12.
Montgomery, D.C., Jennings, C.L., Kulahci, M.: ntroduction to Time Series Analysis and Forecasting. Wiley, Hoboken (2015)MATH
13.
Moskowitz, T.J., Ooi, Y.H., Pedersen, L.H.: Time series momentum. J. Financ. Econ. 104(2), 228–250 (2012)CrossRef
14.
Patel, J., Shah, S., Thakkar, P., Kotecha, K.: Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Syst. Appl. 42(1), 259–268 (2015)CrossRef
15.
Qian, X.Y., Liu, Y.M., Jiang, Z.Q., Podobnik, B., Zhou, W.X., Stanley, H.E.: Detrended partial cross-correlation analysis of two nonstationary time series influenced by common external forces. Technical report, arXiv.org (2015)
16.
Shumway, R.H., Stoffer, D.S.: Time Series Analysis and Its Applications. Springer, New York (2013)MATH
17.
Thibaux, R., Jordan, M.I.: Hierarchical beta processes and the indian buffet process. In: International Conference on Artificial Intelligence and Statistics, pp. 564–571 (2007)
18.
Xing, H.J., Ha, M.H., Hu, B.G., Tian, D.Z.: Linear feature-weighted support vector machine. Fuzzy Inf. Eng. 1(3), 289–305 (2009)CrossRefMATH
19.
Yu, L., Chen, H., Wang, S., Lai, K.K.: Evolving least squares support vector machines for stock market trend mining. IEEE Trans. Evol. Comput. 13(1), 87–102 (2009)CrossRef
Metadaten
Titel
A Hierarchical Beta Process Approach for Financial Time Series Trend Prediction
verfasst von
Mojgan Ghanavati
Raymond K. Wong
Fang Chen
Yang Wang
Joe Lee
Copyright-Jahr
2016
Buch
Trends and Applications in Knowledge Discovery and Data Mining

Print ISBN: 978-3-319-42995-3

Electronic ISBN: 978-3-319-42996-0

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-42996-0_19