Performance Evaluation of Machine Learning Algorithms for Stock Price and Stock Index Movement Prediction Using Trend Deterministic Data Prediction

Abstract

This experimental study addresses the problem of predicting the direction of stocks and the movement of stock price indices for three major stocks and stock indices. The proposed approach for processing input data involves the computation of ten technical indicators using stock trading data. The dataset used for the evaluation of all the prediction models consists of 11 years of historical data from January 2007 to December 2017. The study comprises four prediction models which are Long Short-Term Memory, XGBoost, Support Vector Machine ( and Random forests. Accuracy scores and F1 scores for each of the prediction models have been evaluated using this input approach. Experimental results reveal that a continuous data approach using ten technical indicators gives the best performance in the case of the Random Forest classifier model with the highest accuracy of 84.89% (average wise 83.74%) and highest F1 score of 89.33% (average wise 83.74%). The experiments also give us an insight into why a Naïve Bayes Classification model is not a suitable prediction model for the above task.

How effective is machine learning in stock market predictions?

“…The study utilized trading data calculated from January 2007 to December 2017, encompassing eleven years, incorporating ten technical indicators. The research findings indicated that the random forest algorithm exhibited superior performance [ 32 ].…”

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

“…Algunas rutinas de preparación de datos, aunque son muy comunes en la mayoría de los casos, hacen que las colecciones de datos sean más eficientes para el análisis. Entre las acciones más frecuentes, que se aplican a los datos en bruto, están la recuperación, la limpieza, la eliminación de datos inútiles o de registros con valores perdidos, la corrección de datos erróneos, el tratamiento de datos atípicos, la discretización y el almacenamiento de datos [394,395,355,396,397]. Además, uno de los problemas más comunes y ampliamente reportados es la presencia de ruido en los datos de entrada [398,329,396].…”

“…Uno de los problemas más recurrentes en el uso de métodos de aprendizaje supervisado es el desequilibrio de instancias dentro de los grupos [394,405]. En general, el análisis de eventos con observaciones desiguales se ha planteado como un problema de clasificación multiclase con datos desbalanceados [406].…”

“…Varios estudios han revelado asimismo que la precisión de la clasificación depende también del número de periodos históricos considerados en la predicción. En [394] se observa que a medida que aumenta el número de datos que preceden al periodo de predicción, mejora el rendimiento de las métricas de precisión y F1-Score. Este efecto positivo puede deberse en parte a que, a medida que aumenta el número de periodos históricos, disminuye la variabilidad de los datos y mejora la precisión de la clasificación.…”

“…Este efecto positivo puede deberse en parte a que, a medida que aumenta el número de periodos históricos, disminuye la variabilidad de los datos y mejora la precisión de la clasificación. [394] encontró mejores resultados de precisión en la clasificación tomando precios históricos de 17 a 20 periodos anteriores al periodo de estimación. Según los análisis realizados por los autores, a medida que aumenta el número de periodos históricos por encima de este umbral, se produce un proceso de degeneración en la precisión de la clasificación.…”