基于修正的前沿市场股价预测

这两个数据集与表2中所示的决策树相同。为了通过神经网络预测11家公司的股票价格，我们将所有六个属性的历史价格作为输入来训练模型。在测试集中，我们给出了将要进行预测的特定月份的属性。set role操作符用于将属性日期的角色设置为ID。Windowing操作符用于将包含seriesdata的给定示例集转换为包含单值示例的新示例集。为了相应地处理给定的inputdataset，以适当的方式更改和设置参数序列表示、窗口大小和步长。序列表示定义为序列值的编码方式，默认情况下设置为encode Series asexample。Window size是所用窗口的宽度，step size是第一个值之间的距离。这两个参数的值都设置为1。创建单个属性和创建标签已选中方框，因为我们关注close属性，也就是说，我们正在根据过去的close属性预测未来的closeattribute。关闭属性设置为标签。因此，内衬窗口操作符创建了一个标签属性，即收盘价，而在测试侧，创建的是nolabel属性，因为它将由模型预测。验证（滑动窗口验证）操作符用于序列预测，因为时间点被编码为示例。它使用两个示例窗口，一个用于培训，另一个用于测试，如图4所示。此操作员的参数为训练窗口宽度、训练窗口步长、测试窗口宽度和水平。

Training window width是窗口中的示例数，用于训练并调整为3。Training window step size是每次迭代后窗口移动的示例数，此参数调整为1。测试宽度窗口是用于测试的示例数，已设置为3。Horizon是从上次培训到第一个测试示例的增量，该值调整为1。滑动窗口验证操作符分为两个阶段，即训练阶段和测试阶段。在训练阶段，学习算法是神经网络，因此它可以从给定的训练数据集中学习。用于神经网络训练的训练周期数设置为500个周期。学习率是每个步骤权重的变化量，调整为0.3，而动量调整为0.2，这只是将之前权重更新的一小部分添加到当前权重。测试阶段包括应用模型操作符和性能参数（预测性能）。图5（A）-（k）中显示了一个比较图，以可视化原始和预测收盘价格之间的差异和偏差，使用Rapidminer获得的性能向量如表4所示。补充S2中显示了神经网络的示例。集成方法集成学习是一种机器学习技术，其中多个机器学习算法或学习者战略性地生成并组合在一起，以解决一个特定的计算智能问题。

在普通的机器学习方法中，我们试图从给定的训练数据中提取一个假设，但在集成方法中，我们可以构造一组假设并将它们组合起来。集成学习可以提高模型的性能，或者降低不可预测地选择坏模型进行预测的可能性。因此，集成学习方法确保了最佳预测分析和最佳输出。集成方法包含多个学习者或分类器，这些学习者或分类器被称为基础学习者，集成的泛化能力比基础学习者强得多。基本学习者通常通过一种基本学习算法从训练数据中生成，该算法可以是决策树、神经网络、相对回归算法或其他类型的机器学习算法。大多数方法只使用一个基础学习者来产生同质学习者，但也有一些方法，使用多个基础学习者来产生异质学习者，可以做出非常准确的预测[31]。集成学习降低了选择特别糟糕的算法分类器的风险，这种方法在处理大型数据集时非常有用。有许多集合方法，它们足够有效，可以产生精确的预测，如增压、装袋和堆叠。在本文中，我们使用集成方法从给定的学习算法中获得最佳输出。在机器学习和数据挖掘中，人们认为，一组模型优于单一模型，这是集成学习的主要原则。

它有助于克服个别模型的偏差和错误率，这是通过产生一个强大的学习者结合一些较弱的学习者来实现的。与集成学习一样，训练数据集对模型中的错误起着最有效的作用，因此我们采用了一个大型训练集以及六个预定义属性，并将接近价格作为标签属性。模型如图6所示。split data操作符生成给定示例集所需数量的子集。示例集根据指定的相对大小划分为子集。因此，为了分割给定的数据集，该操作符的分区参数被调整为有两个分区，比率为0.6（用于训练）和0.4（用于测试）。采样类型设置为linearsampling。投票操作符是一个集合操作符，也是一个嵌套操作符，这意味着它有一个子进程。该子过程有三个学习者，即决策树、神经网络和相对回归。构建这些分类器的培训数据集如表5所示。模型中的参数已更改。对于决策树，参数是准则，最大深度。Criteria的作用是选择将选择哪些属性进行分割的标准。我们将该值设置为选择属性进行分割的最小二乘值，这将最小化节点中值的平均值与真实值之间的平方距离。maximaldepth用于限制决策树的深度，并将其调整为20。图7所示为树木diagramis的叶片样本。对于神经网络，有500个训练周期，学习率调整为0.3，动量调整为0.2。

相对回归模型是一种回归模型，它非常有用，以便允许对具有大趋势的数据集进行时间序列预测，因为它学习回归模型来预测相对于另一个属性值的预测。在我们的例子中，属性值设置为收盘价。相对回归包含一个线性回归操作符，该操作符从输入数据集计算线性回归模型，该数据集用于培训。然而，人们发现，通过在投票子过程中使用多元相关回归模型，模型整体性能的准确性得到了提高。该集合的总体预测将是individualbase分类器的大部分预测。因此，为了获得大多数基础学习者的投票，在构建模型时设置了应用模型操作符和性能操作符，这将决定性能（准确性）。性能向量如表6所示。最后，对比图[参见图8（a）-（k）]显示了股票原始收盘价和预测收盘价之间的差异和偏差，而在图9（a）-（k）中，给出了所有机器学习和BlackScholes预测与原始收盘价的对比图。从量子物理学的角度解释BSOPM的修改不同的方法可用于推导Black和Scholes偏微分方程，其中也包括使用量子物理学和其他物理学分支概念的方法。

物理学家一直在试图利用物理思想和概念更好地理解金融动力学【38-42】。在这一部分中，我们将主要关注对名为“到期时间”和“执行价格”的参数所做更改背后的逻辑原因，以及这些更改的原因。期权价格取决于股票价格，该股票价格是一个随时间演化的随机变量[43，32]。Black、Scholes和Merton提出的期权定价方法是由随机微分方程组成的，但这属于伊藤演算的解释范围。Black和Scholesde可写成以下形式的扩散方程：  Black-Scholes方程公式背后的根本思想是标准布朗运动过程，由 In（10）W是一个维纳过程或标准布朗运动过程，它实际上是一个连续的随机过程。在本文中，我们在方程（5）中还有一个随机随机分量，用于求出相应股票价格的执行价格。此外，随机方程中的随机项（9）必须是delta相关的，因为市场会即时收集有关未来市场演变的任何信息，这就是有效市场假说[32，43-45]。这意味着，理论价格是由白噪声驱动的，白噪声是白散粒噪声和维纳过程的组合。BSOPM已经扩展到引入白散粒噪声[47，48]。

然而，在离散时间内，白噪声的样本是具有零均值和有限方差的不相关随机变量序列，并且样本是具有相同概率分布的独立样本。但我们知道，如果每个样本都具有零均值的正态分布，那么信号就是高斯白噪声。然而，在这项研究中，我们发现平均值并不总是零[见表7]，并且略大于零，这表明BSOPM中可能不存在白噪声。此外，由于样本在时间上是连续的，Black-Scholes-Merton方程中的股票价格在时间上也是连续的。因此，在本研究中，“时间”参数是按顺序变化的，即到期时间也会随股票价格的变化而顺序变化。因此，到期时间取决于特定日期的股价，并根据特定日期的股价而变化。隐含波动率也随时间而变化，并且在任何时间点上都与相关期权不同，期权的特征仅因执行价格不同而不同【49】。第三，使用Stratonovich演算和Ito演算得到的Black-Scholes方程是相同的，这意味着当考虑不同的方法时，时间不会改变[43]。它只随某一天的股价而变化。在本文中，我们考虑了美式期权定价方法，该方法与欧式期权定价方法不同，可以在任何时候行使期权。然而，商品或资产的未来价格是指人们可以同意在未来某个时间购买或出售商品或资产的价格【50】。由于未来价格是时间的函数，资产将根据时间进行买卖，因此时间取决于当天的股价。

因此，时间只是指股票交易的特定日期或时间。功能  表示期权价格作为时间和资产价格的函数。Changing坐标Black-Scholes模型描述如下及时进行灯芯旋转, 热方程式（11）变为方程（12）是自由粒子的薛定谔方程[33] 和. 如果我们将这个方程与薛定谔方程进行比较，那么很明显，方程（12）的左侧包含虚数  灯芯旋转“时间”, 这也是虚构的。也就是说，函数, 随想象的“时间”变化 表示一种期权，该期权将在未来有限的给定时间内进行交易。这是随着股价变化而改变时间的一个有效原因。同样，如果我们将这个方程与热方程进行比较，函数描述给定位置的选项 随着时间的推移会发生变化，因为热量会在整个空间传播。因此，计算股票价格的时间，包括函数在某个位置 方程式（12）右侧的值未知。

因此，我们不得不花时间确定股票交易的确切交易日数，因为在前沿市场交易的资产价格没有固定的时间。结论我们提出了一种使用Black-Scholes方程预测前沿市场公司任何股票价格的方法，包括任何股票的买卖价格。这种方法对于发现某一股票的执行价、波动性和到期时间非常有用，因为这些参数在不交易期权的前沿市场中并不存在。根据每个交易月的股票价格，可以预测未来几个月的股票价格，也可以很容易地了解趋势。为此，Black-Scholes方程所需的参数也必须相应地改变，如本文所示。取任何一年某个月的历史股价（收盘价），并随时间顺序变化，可以预测随后几个月的股价。然而，波动率和无风险利率将保持不变，并在预测一个月所有股票价格的时间内保持不变。需要注意的是，这个过程实际上是一个连续的过程。因为，根据过去某个月的股票价格，我们可以得到另一个月的预测未来股票价格，然后根据对该月股票价格的预测，可以实现对后几个月股票价格的预测。这种方法对在边境市场交易的交易者非常有用。

波动性的增加和减少有助于人们从股票中获得最大利润，因为它表明了市场的趋势，即公司的股票价格何时会上涨或下跌。通过想法可以获得最大利润，即波动性越大，股票价格越高。Black-Scholes预测表明价格与当天的开盘价相似，原始收盘价偏离Black-Scholes预测，因为每天都在持续交易，因此股票（收盘）价格也会不断变化。通过数据挖掘预测Rapidminer中的股票价格得到的图与使用Black-Scholes方程得到的图非常相似。机器学习方法和Black-Scholes方法的市场趋势也非常相似，这导致了Black-Scholes方程对于计算和预测前沿市场公司的股票价格非常有用的结论。表名称交易代码预测模型和学习者数据集属性孟加拉国进出口公司有限公司BeximcoDecision TreeDateGrameenphone有限公司GPNeural NetOpening PriceOlympic Industries有限公司OlympicEnsemble LearningClose PriceACI LimitedAchigh城市银行有限公司城市银行Lowadamjee Insurance Co有限公司Aiclvolumefric Industries Saafiatlantatlabyco Petroleum Pak有限公司BYCOC T控股有限公司。N0000Chevron润滑油斯里兰卡PLCLLUB。N000表1。