株価予測のための広範な学習システムのピアソン相関係数に基づく性能向上

株価の正確な予測は、金融システムの複雑さ、混沌、非線形の性質のために困難な作業です。この概要では、ピアソン相関係数（PCC）と広範な学習システム（BLS）に基づいた株価予測のためのマルチインジケータ特徴選択手法、PCC-BLSフレームワークを提案しました。まず、PCCを使用して、元の株価、テクニカルインジケータ、およびファイナンシャルインジケータを含む35の特徴から入力特徴を選択しました。次に、これらのスクリーニングされた入力特徴を使用して、迅速な情報特徴抽出とBLSのトレーニングを行いました。上海証券取引所または深セン証券取引所に上場している4つの株を用いて、提案した手法の性能を評価しました。さらに、サポートベクター回帰（SVR）、適応ブースティング（Adaboost）、ブートストラップ集約（バギング）、ランダムフォレスト（RF）、勾配ブースティング決定木（GBDT）、多層パーセプトロン（MLP）、畳み込みニューラルネットワーク（CNN）、および長短期記憶（LSTM）、ゲーテッド再帰単位（GRU）、広範な学習システム（BLS）を含む10の機械学習手法と予測結果を比較しました。この概要で使用されたすべてのアルゴリズムの中で、提案されたモデルが最も高いモデル適合能力を示し、最高の性能を発揮しました。