Stock movement prediction using hybrid normalization technique and artificial neural network

Kumari, Binita; Swarnkar, Tripti

doi:10.19101/ijatee.2021.874387

Cited by 3 publications

(1 citation statement)

References 29 publications

(39 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…При сравнительном анализе использования различных методов нормализации данных для прогнозирования индексов фондового рынка, результаты гибридной нормализации оказались более заметными по сравнению с другими методами. Приблизительная точность, полученная с использованием метода гибридной нормализации, составила 71 %, 60 % и 71 % в разных архитектурах нейронных сетей [2].…”

Section: задачи исследованияunclassified

Нормализация Входных Данных Для Прогнозирования Урожайности Пшеницы

Шарипова¹,

Аканова²,

Оспанова³

et al. 2022

BTOUEn

View full text Add to dashboard Cite

"В данной статье рассматривается нормализация входных данных для прогнозирования урожайности пшеницы. Объектом исследования в рамках статьи являются входные данные нейронной сети. В рамках данного исследования рассматривается влияние таких параметров как, внесение удобрений, содержащих фосфор и азот на урожайность пшеницы с 1997 года по 2021 год. В ходе исследования были рассмотрены методы нормализации такие как минимаксная, z-средняя и робостная нормализация. В последующем была осуществлена нормализация имеющихся входных данных. С помощью полученных данных была обучена нейронная сеть прогнозирования урожайности пшеницы. В итоге был проведен сравнительный анализ способов нормализации по таким показателям, как ошибка обучения и точность обучения. По результатам исследования робостный метод нормализации привел к наилучшему результату: ошибка 0,01. Полученные результаты объясняются тем, что, когда к одному и тому же набору данных применяются разные типы методов нормализации с использованием одного и того же метода машинного обучения, результат может отличаться. Робостная нормализация проста в использовании и дает улучшенный результат по сравнению с другими методами нормализации. Ключевые слова: нейронная сеть, нормализация, прогнозирование, зерновые культуры, фосфор, удобрение."

show abstract

Section: задачи исследованияunclassified

Нормализация Входных Данных Для Прогнозирования Урожайности Пшеницы

Шарипова¹,

Аканова²,

Оспанова³

et al. 2022

BTOUEn

View full text Add to dashboard Cite

show abstract

Forecasting Daily Stock Movement Using a Hybrid Normalization Based Intersection Feature Selection and ANN

Kumari

Swarnkar

2023

Procedia Computer Science

View full text Add to dashboard Cite

A New Dual Normalization for Enhancing the Bitcoin Pricing Capability of an Optimized Low Complexity Neural Net with TOPSIS Evaluation

Mohanty

Dash

2023

Mathematics

View full text Add to dashboard Cite

Bitcoin, the largest cryptocurrency, is extremely volatile and hence needs a better model for its pricing. In the literature, many researchers have studied the effect of data normalization on regression analysis for stock price prediction. How has data normalization affected Bitcoin price prediction? To answer this question, this study analyzed the prediction accuracy of a Legendre polynomial-based neural network optimized by the mutated climb monkey algorithm using nine existing data normalization techniques. A new dual normalization technique was proposed to improve the efficiency of this model. The 10 normalization techniques were evaluated using 15 error metrics using a multi-criteria decision-making (MCDM) approach called technique for order performance by similarity to ideal solution (TOPSIS). The effect of the top three normalization techniques along with the min–max normalization was further studied for Chebyshev, Laguerre, and trigonometric polynomial-based neural networks in three different datasets. The prediction accuracy of the 16 models (each of the four polynomial-based neural networks with four different normalization techniques) was calculated using 15 error metrics. A 16 × 15 TOPSIS analysis was conducted to rank the models. The convergence plot and the ranking of the models indicated that data normalization plays a significant role in the prediction capability of a Bitcoin price predictor. This paper can significantly contribute to the research with a new normalization technique for utilization in varied fields of research. It can also contribute to international finance as a decision-making tool for different investors as well as stakeholders for Bitcoin pricing.

show abstract

Stock movement prediction using hybrid normalization technique and artificial neural network

Cited by 3 publications

References 29 publications

Нормализация Входных Данных Для Прогнозирования Урожайности Пшеницы

Нормализация Входных Данных Для Прогнозирования Урожайности Пшеницы

Forecasting Daily Stock Movement Using a Hybrid Normalization Based Intersection Feature Selection and ANN

A New Dual Normalization for Enhancing the Bitcoin Pricing Capability of an Optimized Low Complexity Neural Net with TOPSIS Evaluation

Contact Info

Product

Resources

About