Comparaison des techniques SVR pour les prévisions du marché boursier

Ici, nous construisons et testons le modèle de Régression par Support Vector (SVR) pour la prévision du marché boursier indien. Le SVR est le modèle de régression basé sur la technique primitive d'apprentissage automatique (ML) appelée Machines à Vecteurs de Support (SVM) dans laquelle la parcimonie et les paramètres du processus de décision peuvent être efficacement contrôlés en sélectionnant les fonctions de noyau souhaitées. Les modèles de prédiction et de régression basés sur le ML conventionnel rencontrent des problèmes de régularisation menant à un surapprentissage, un apprentissage instable pour des données non linéaires et multidimensionnelles. Nous avons utilisé un puissant extracteur de caractéristiques pour extraire les paramètres indiquant la tendance des données financières multidimensionnelles. Le SVR corrèle ensuite les caractéristiques dans un environnement d'exécution basé sur GPU pour des prédictions plus rapides. Bien que notre objectif soit de construire une application autonome pour la prévision du marché boursier indien, en première étape, nous choisissons de construire et de comparer des modèles SVR avec divers noyaux pour décider d'acheter des actions ou non, basé sur le modèle de régression construit sur 20 ans de données du marché boursier. Les résultats indiquent que le SVR est un outil très efficace et puissant pour traiter les données financières et peut être utilisé pour construire des prévisions du marché boursier.