An Intelligent Fusion Model with Portfolio Selection and Machine Learning for Stock Market Prediction

Abstract

Developing reliable equity market models allows investors to make more informed decisions. A trading model can reduce the risks associated with investment and allow traders to choose the best-paying stocks. However, stock market analysis is complicated with batch processing techniques since stock prices are highly correlated. In recent years, advances in machine learning have given us a lot of chances to use forecasting theory and risk optimization together. The study postulates a unique two-stage framework. First, the mean-variance approach is utilized to select probable stocks (portfolio construction), thereby minimizing investment risk. Second, we present an online machine learning technique, a combination of “perceptron” and “passive-aggressive algorithm,” to predict future stock price movements for the upcoming period. We have calculated the classification reports, AUC score, accuracy, and Hamming loss for the proposed framework in the real-world datasets of 20 health sector indices for four different geographical reasons for the performance evaluation. Lastly, we conduct a numerical comparison of our method’s outcomes to those generated via conventional solutions by previous studies. Our aftermath reveals that learning-based ensemble strategies with portfolio selection are effective in comparison.

Dynamic Portfolio Rebalancing with Lag-Optimised Trading Indicators Using Serofam and Genetic Algorithms

“…There are various methods reported for market trend detections using technical analyses in financial trading, such as neuro-fuzzy systems (Chen, Rajan, & Quek, 2020;Tan & Quek, 2010), genetic algorithms (GA) (Aguilar-Rivera, Valenzuela-Rendon, & Rodriguez-Ortiz, 2015;Kaucic, 2010), machine learning (Padhi, Padhy, Bhoi, Shafi, & Yesuf, 2022), deep learning (Li & Bastos, 2020;Ozbayoglu, Gudelek, & Sezer, 2020;Troiano, Villa, & Loia, 2018), reinforcement learning (RL) (Pendharkar & Cusatis, 2018), and hybrid of few models (Alhnaity & Abbod, 2020). Some common technical indicators used in technical analysis include simple moving average (SMA), exponential moving average (EMA), relative strength index (RSI), and moving average convergence divergence (MACD) (Gunduz, Yaslan, & Cataltepe, 2017;Liu & Wang, 2019;Patel, Shah, Thakkar, & Kotecha, 2015).…”

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

“…El uso de métodos de balanceo por submuestreo o sobre muestreo de instancias [408,409,410]. Entre estos métodos, SMOTE es una de las técnicas de sobremuestreo más utilizadas para equilibrar las clases minoritarias y mejorar el rendimiento del modelo [327]. Otra medida muy practica es la ponderación de clases, que consiste en asignar pesos más altos a la clase con instancias deficitarias frente a la clase dominante [411].…”

“…A saber, verdaderos positivos (Tp), falsos positivos (FP), falsos negativos (FN) y verdaderos negativos (Tn) (Para más detalles, véase la sección 7.2 Medidas de desempeño). Entre las medidas de evaluación del rendimiento más utilizadas, según las publicaciones de los últimos años, se encuentran Accuracy (Exactitud) [335,338,341], Recall (Sensibilidad) [340,345], F1-Score [327,332,344] y Precision [324,336,339]. Otros estudios han recurrido al uso de métricas más especializadas, como las mencionadas en la Tabla 3.3, para resaltar la magnitud de los resultados obtenidos.…”

“…Otros estudios han recurrido al uso de métricas más especializadas, como las mencionadas en la Tabla 3.3, para resaltar la magnitud de los resultados obtenidos. Entre ellas cabe citar las siguientes: Proporción de aciertos HR [334,343], Retorno medio por periodo Rm/d [333], Ratio de Sharpe SR [539,333], Desviación estándar de los retornos SD [330,333], Pagos acumulativos por inversión media diaria CP/d [333], Tasa de error ER [342], Retorno sobre la inversión ROI [328,329], Reducción de fondos Drawdown [329], Precisión direccional DA [315] y Perdida Hamming HL [327].…”

“…Otra medida utilizada para medir el rendimiento de los modelos cuando hay clases desequilibradas es la pérdida de Hamming (HL). Aunque técnicamente es una proporción de casos mal clasificados, en la práctica refleja el impacto del desequilibrio de clases en el entrenamiento del modelo [327].…”