پارس پروژه پرتال خدمات دانشگاهی
این مقاله علمی پژوهشی (ISI) به زبان انگلیسی از نشریه اسپرینگر مربوط به سال ۲۰۲۱ دارای ۹ صفحه انگلیسی با فرمت PDF می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی و بخشی از ترجمه فارسی مقاله موجود می باشد.
کد محصول: H637
سال نشر: ۲۰۲۱
نام ناشر (پایگاه داده): اسپرینگر
نام مجله: Journal of Big Data
نوع مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۹ صفحه PDF
عنوان کامل فارسی:
مقاله انگلیسی ۲۰۲۱ : رویکرد علوم داده برای پیش بینی قیمت های سهام در اندونزی طی کووید-۱۹ با استفاده از حافظه کوتاه مدت ماندگار (LSTM)
عنوان کامل انگلیسی:
Data science approach to stock prices forecasting in Indonesia during Covid-19 using Long Short-Term Memory (LSTM)
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه ی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:H637)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
چکیده فارسی:
زمینه: روند بازار سهام پر از عدم قطعیت است. از این رو پیش بینی قیمت سهام در امور مالی و کسب و کار بسیار مهم است. برای کارگزاران سهام ، درک روندها و تایید پیش بینی ها توسط نرم افزار پیش بینی برای تصمیم گیری بسیار مهم است. در این مقاله یک مدل علم داده برای پیش بینی قیمت سهام در بورس اندونزی بر اساس محاسبات آماری مبتنی بر زبان R و حافظه کوتاه مدت ماندگار(LSTM) ارائه شده است.
یافته ها: اولین مورد مبتلا به Covid-19 (بیماری کرونا ویروس -۱۹) در اندونزی در ۲ مارس ۲۰۲۰ تأیید شده است. پس از آن ، شاخص قیمت سهام مرکب از ابتدای سال تاکنون ۲۸٪ سقوط کرده و قیمت سهام تولیدکنندگان سیگار و بانک ها در اواسط بیماری همه گیر کرونا تا ۲۴ مارس ۲۰۲۰ به کمترین میزان خود رسیده است. ما از کلان داده های بانک آسیای مرکزی (BCA) و بانک ماندیری اندونزی برگرفته از وب سایت یاهو فاینانس استفاده می کنیم. در بررسی خود ، ما داده ها را با استفاده از علم داده تصویرسازی می کنیم و قیمت های مهم به نام Open ، High ، Low و Closing (OHLC) را با پارامترهای مختلف، پیش بینی و شبیه سازی می کنیم.
جمع بندی: بر اساس بررسی ، علوم داده برای تصویرسازی داده ها بسیار مفید است ،روش پیشنهادی ما با استفاده از حافظه کوتاه مدت ماندگار (LSTM) می تواند به عنوان پیش بینی کننده در داده های کوتاه مدت با دقت ۹۴.۵۷٪ برگرفته از دوره کوتاه مدت (۱ سال) با مبدا بالا در مرحله طبقه بندی به جای بکارگیری داده های طبقه بندی ۳ ساله، بکار گرفته شود.
واژه های کلیدی: علم داده ، LSTM ، پیش بینی ، بازار سهام ، امور مالی ، یادگیری عمیق
Abstract
Background: Stock market process is full of uncertainty; hence stock prices forecasting very important in finance and business. For stockbrokers, understanding trends and supported by prediction software for forecasting is very important for decision making. This paper proposes a data science model for stock prices forecasting in Indonesian exchange based on the statistical computing based on R language and Long Short-Term Memory (LSTM).
Findings: The first Covid-19 (Coronavirus disease-19) confirmed case in Indonesia is on 2 March 2020. After that, the composite stock price index has plunged 28% since the start of the year and the share prices of cigarette producers and banks in the midst of the corona pandemic reached their lowest value on March 24, 2020. We use the big data from Bank of Central Asia (BCA) and Bank of Mandiri from Indonesia obtained from Yahoo finance. In our experiments, we visualize the data using data science and predict and simulate the important prices called Open, High, Low and Closing (OHLC) with various parameters.
Conclusions: Based on the experiment, data science is very useful for visualization data and our proposed method using Long Short-Term Memory (LSTM) can be used as predictor in short term data with accuracy 94.57% comes from the short term (1 year) with high epoch in training phase rather than using 3 years training data.
Keywords: Data science, LSTM, Forecasting, Stock market, Finance, Deep learning
Introduction
Data science is a blend of various tools, algorithms, and machine learning principles with the goal to discover hidden patterns from the raw data. Using data science and forecasting method, we can see get many insight such as the financial health of a company. A forecasting algorithm is an information process that seeks to predict future values based on past and present data. The forecasting is so important because prediction of future events is a critical input into many types of planning and decision-making processes such as finance, industrial process control risk management [1]…
Conclusion
This paper develops a model and program for stock prices prediction using data from Yahoo finance. Efficient and accurate prediction systems for stock prices help traders, investors, and analyst by providing supportive information like the future direction of the stock market. We found that for LSTM, it should use short term historical data for the best accuracy. Historical data using 1 year is the best compared with 3 years and 5 years data. Deep learning technology is expanding the options available to data scientists to solve interesting problems with high accuracy…