Vorhersage von Amazon-Aktien durch SVM und Random Forest

Die inherenten Unsicherheiten der Marktdynamik, wie wirtschaftliche Daten, Geopolitik und Naturkatastrophen, machen die Vorhersage von Aktienmärkten extrem schwierig. Eine zunehmend effektive Methode zur Bewältigung dieser Komplexität ist das maschinelle Lernen. Diese Studie, die Daten des weltweit größten E-Commerce- und Technologiekonzerns Amazon verwendete, konzentrierte sich auf überwachte maschinelle Lernmodelle zur Vorhersage von Aktienmärkten. Das erfolgreichste Modell war die Support Vector Machine (SVM), die eine erstaunliche Vorhersagegenauigkeit von 89,11 % erreichte. Darüber hinaus verbesserte die Hauptkomponentenanalyse (PCA) die Genauigkeit des Random Forests erheblich und steigerte sie von 75,25 % auf 87,13 %. Zusätzlich zeigen die Ergebnisse, dass SVM den Random Forest übertrifft, unabhängig davon, ob die PCA berücksichtigt wird. Diese Ergebnisse unterstreichen die Bedeutung von SVM bei der Vorhersage von Aktienkursen und den Wert der PCA zur Verbesserung der Leistung des Random Forest. Diese Forschung bietet wertvolle Einblicke in die Rolle des maschinellen Lernens bei der finanziellen Prognose und ermöglicht es Investoren und Entscheidungsträgern, informierte Entscheidungen in der sich ständig wandelnden Landschaft der Aktienmärkte zu treffen.