Machine Translated by Google

Materi Hari Ini: Prosiding 80 (2023) 1731–1736

Daftar isi tersedia di ScienceDirect

Materi Hari Ini: Prosiding

beranda jurnal: www.elsevier.com/loc/matpr

Dampak Parameter Teknis untuk Analisis Jangka Pendek dan Panjang

Perilaku Saham
ÿ
ER AL Silni Ahmed, SB Goyal
Universitas Kota, Petaling Jaya 46100, Malaysia

informasi artikel abstrak

Sejarah artikel: Peramalan harga saham adalah jenis masalah deret waktu yang meramalkan harga atau status perusahaan di
Tersedia online 3 Juni 2021 masa depan berdasarkan analisis nilai waktu masing-masing. Karena harga saham atau perusahaan bervariasi
terhadap waktu, perilakunya dapat dianalisis dengan pendekatan pembelajaran mesin yang berbeda. Dalam karya
Kata kunci: ini, metodologi diusulkan untuk mengevaluasi posisi stok dengan variasi waktu menggunakan pendekatan
Harga Pasar Saham pembelajaran mendalam seperti jaringan saraf berulang (RNN). Metodologi ini menggunakan parameter teknis
Indikator teknis
untuk mengevaluasi analisis jangka panjang dan jangka pendek dari setiap saham atau saham. Pendekatan ini juga
Analisis korelasi mengevaluasi dan memberikan saran kepada investor untuk membeli atau menjual suatu saham dalam jangka
Prediksi Saham
panjang dan memberikan return dengan risiko yang sangat rendah. Dalam makalah ini, hibridisasi analisis korelasi
RNN
dan pendekatan pembelajaran mendalam untuk analisis harga saham dan perilaku jangka panjang. Pekerjaan yang
diusulkan disebut sebagai RNN yang dioptimalkan bobot waktu tertinggal (TL-WO-RNN) yang diadopsi dalam
pekerjaan ini dan secara efektif memprediksi parameter teknis dan atas dasar itu perilaku stok juga diprediksi.
Analisis hasil dilakukan pada data dari berbagai sektor seperti sektor Telekomunikasi, Ketenagalistrikan, Manufaktur,
Keuangan, Perangkat Lunak, dll. Analisis hasil menunjukkan efektivitas algoritma TL-WO-RNN dibandingkan dengan pekerjaan y
2021 Elsevier Ltd. Hak cipta dilindungi undang-undang.
Seleksi dan tinjauan sejawat di bawah tanggung jawab komite ilmiah Konferensi Internasional Nanoelektronik,
Nanofotonik, Nanomaterial, Nanobiosains & Nanoteknologi.

1. Perkenalan
Pasar saham membentuk platform yang bergerak cepat untuk
memperoleh keuntungan besar dalam interval waktu kecil oleh sebagian
besar pengusaha besar dalam beberapa hari terakhir. Namun pasar
keuangan memiliki risiko kerugian yang tinggi ketika melakukan investasi
aset di bidang-bidang ini, jika penilaian dan keputusan analitis dari setiap
individu gagal, maka rata-rata akan menimbulkan kerugian juga. Oleh
karena itu ada penelitian dan karya yang cenderung
dan berdedikasi untuk menggambar kerangka kerja yang dapat secara
lebih tepat dan dekat menentukan naik turunnya pasar yang diharapkan
untuk menghilangkan persepsi tersebut. Dari penelitian disimpulkan bahwa
untuk mencapai pembelajaran yang tepat dan paling tepat tentang perilaku
pasar, tidak dapat dijelaskan untuk merevisi dan memahami semua faktor
yang berpengaruh pada pasar. Berbagai faktor tersebut mencakup seluruh
komponen teknis dan ekonomi yang menentukan keputusan waktu dan
durasi investasi serta kajian keuntungannya. Ditemukan tugas yang
sangat umum untuk membedah perilaku dan prediksi harga saham yang
akan jatuh tempo
ÿ Penulis koresponden.
terhadap perilaku data deret waktunya. Banyak peneliti dan penulis
dengan upaya keras mereka mampu mempelajari data deret waktu yang
juga terdeteksi terdiri dari redundansi dan kebisingan. Berbagai karya
yang dianalisis telah mengeksplorasi pendekatan matematis dan statistik
untuk melaksanakan pekerjaan prediksi biaya harga saham. Pekerjaan
tertentu juga membantu kemajuan di bidang ini dengan merancang
pembelajaran mesin data historis dan kemudian mencapai tujuan perkiraan
untuk pertukaran jangka panjang dan jangka pendek. Dengan
memanfaatkan parameter-parameter ini dengan baik, prediksi pasar
saham dapat dilakukan melalui teknik-teknik yang berkaitan dengan
pembelajaran mesin. Nabipour dkk. [1] menggunakan model pembelajaran
mendalam untuk memprediksi dan menganalisis perilaku harga saham.
Pendekatan ini dirancang untuk mengurangi risiko pasar. Dalam penelitian
ini, data sektor yang berbeda diambil seperti data keuangan untuk analisis
diversifikasinya. Dalam karya ini, penulis menganalisis berbagai algoritme
pembelajaran mesin dan menemukan bahwa Recurrent Neural Net work
(RNN) dan Long short-term memory (LSTM) memiliki performa terbaik.
Namun di antara dua RNN menghasilkan keluaran terbaik. Penelitian ini
juga mempertimbangkan parameter teknis namun tidak mengidentifikasi
hubungan apa pun di antara fitur-fitur ini untuk perilaku stok di masa
depan. ZD Aksehir dan E. Kÿlÿç [2] dalam makalah ini menyajikan
beberapa saham bank dari perkiraan harga penutupan dalam penelitian ini. Menurut l

https://doi.org/10.1016/j.matpr.2021.05.474
2214-7853/ 2021 Elsevier Ltd. Semua hak dilindungi undang-undang.
Seleksi dan tinjauan sejawat di bawah tanggung jawab komite ilmiah Konferensi Internasional Nanoelektronik, Nanofotonik, Nanomaterial, Nanobiosains & Nanoteknologi.
Machine Translated by Google
ER AL Silni Ahmed dan SB Goyal
polanya adalah Pengamatan menunjukkan bahwa saham berevolusi. Oleh
karena itu, untuk metode regresi dan pohon keputusan yang berbeda, model
estimasi dibuat dan digunakan. Dan metode ini digunakan untuk membuat
model dan penggunaan variabel input dari dua tipe berbeda yang digunakan.
Dalam himpunan variabel masukan pertama terdapat empat indikator dasar
dan teknik 46 (total indikator dari 50). Kecilnya jumlah indikator teknis
disebabkan oleh jumlah yang kecil, dan kumpulan variabel input kedua terdiri
dari indikator utama berjumlah 4, dan sifat teknis berjumlah 29 indikator (total
indikatornya 33). Kumpulan variabel masukan yang akan dievaluasi dan Trent
ini adalah penggunaan kriteria R2 dengan dua model. Berikut hasil R2 setelah
diketahui bahwa prediksi model berpengaruh positif terhadap performa.
Menurunnya indikator teknikal menjadi penyebabnya.
L. Sayavong, Z. Wu dan S. Chalita [3] mengusulkan model prediktif peramalan
saham dalam makalah ini. Kebutuhan pemasaran keuangan dan sektor terkait
akan model yang diadaptasi dalam makalah ini. Dan pikiran jaringan saraf
konvolusi (CNN) dan pasar saham Thailand setuju, tanggal yang ditetapkan
setelah pra-pemrosesan dilakukan adalah pelatihan dan pengujian yang
memadai. Sifat pasar saham India sedang fluktuatif. Alat yang mudah
digunakan oleh orang-orang yang berdagang adalah Sharma dkk. [4] adalah
metode yang diusulkan untuk memperkirakan biaya berdasarkan tren dan
memperhatikan inventaris yang mempertimbangkan potensi analisis
fundamental dari tinjauan dan pembelajaran mesin. Strategi seperti penyelidikan
penilaian, model relaps multivariat, dan model pengaturan waktu yang dapat
didekomposisi digunakan untuk memberikan sistem dalam memperkirakan
dan menguji nilai. Permintaan yang besar terhadap dugaan dan lubang nilai
saham diperhatikan dan dibedah oleh Wei [5] dalam eksplorasinya.
Pemeriksaan antara berbagai teknik yang tersedia untuk peramalan organisasi
saraf telah dilakukan dan dihentikan.
Pada akhirnya, memori sementara jangka panjang atau organisasi saraf
LSTM dipilih. Dalam skenario saat ini tentang arsitektur jaringan saraf CISS
yang kompatibel untuk multilayer yang selanjutnya dibahas oleh peneliti Yang
et.al. [6]. Pengetahuan awal dari sektor keuangan adalah metode yang tepat
untuk memperoleh pengetahuan dengan lebih jauh ke depan pada tahap
awal beberapa berita inferensial menghasilkan lebih banyak perhatian yang
juga menjadi masukan dari metode kami, keluaran representasi berita adalah
area terkonsentrasi utama di mana setiap momen ketergantungan harga
saham yang selanjutnya mempengaruhi mekanisme akhir dan memberikan
bobot umur yang diberikan pada hari tersebut beberapa analisis empiris dari
nilai historis kuantitas saham telah dilakukan yang menunjukkan antara
konvensional dan tradisional.
metode nasional.
Beberapa indikator jaringan yang bersifat finansial juga diperkenalkan oleh
Kyun et. Al. [7].beberapa Indikasi berasal dari strategi investor global, model
regresi otomatis vektor dan volatilitas dalam jaringan untuk pasar ekuitas non-
arah dan terarah, hal ini diidentifikasi dalam analisis ini sistem korelasi
pasangan sederhana dan afiliasi tingkat sistem untuk nilai ekuitas nasional
dipertimbangkan dengan berbagai pendekatan pembelajaran mesin, beberapa
indikator jaringan telah digunakan seperti Regresi logistik, mesin vektor
pembawa, hutan acak, beberapa hal diketahui dengan mengamati pengaruh
efektivitas indikator-indikator ini.
2. Metodologi
Di dunia modern, dengan kemajuan teknologi, manusia tidak mungkin
melakukan analisis dan membuat prediksi yang akurat untuk masa depan.
Seiring dengan semakin majunya sistem komunikasi digital, sejumlah besar
data dapat dikumpulkan untuk melakukan analisis ekonomi dan keuangan.
Analisis data deret waktu keuangan tidak mudah untuk dianalisis karena
skenario pasar berubah setiap saat [8,9]. Sejumlah
1732
Materi Hari Ini: Prosiding 80 (2023) 1731–1736
faktor yang mempengaruhi pasar keuangan. Misalnya status sosial suatu
negara, status politik dan status ekonomi yang berkaitan dengan suatu
negara. Merupakan kebutuhan saat ini untuk memiliki sistem yang akurat dan
otomatis yang akan membantu dalam memprediksi aspek-aspek masa depan.
Hal ini disebabkan data yang tidak teratur dan berfluktuasi jumlahnya terus
bertambah seiring berjalannya waktu. Dengan menggali lebih dalam data
keuangan, akan lebih mudah untuk mengembangkan pendekatan baru yang
dapat membantu dalam prediksi harga saham dalam hal investasi dan
perdagangan. Oleh karena itu, risiko yang terlibat dalam investasi diturunkan
melalui sistem prediksi deret waktu ini.
Mencermati tren sejarah masing-masing saham dapat menurunkan
ketidakpastian pilihan investasi. Analisis mendalam tentang tren bursa, dipilih
waktu paling sederhana yang sepenuhnya cocok untuk membeli dan menjual
saham. Ada sejumlah model yang menggabungkan teknik pembelajaran mesin
dengan analisis teknis untuk prediksi nilai saham yang tepat
pergerakan
2.1. Flow chart
Strategi yang berkaitan dengan penetapan harga dapat memberikan bukti
adanya risiko dan juga membantu meminimalkan risiko yang dihadapi investor
ekuitas. Strategi hemat biaya atau strategi yang disesuaikan dengan risiko
dapat dikembangkan melalui studi prediktif. Alasannya, tingkat risiko portofolio
investasi dapat dipengaruhi melalui peningkatan prediktabilitas. Hasilnya,
pengembalian yang disesuaikan dengan risiko dapat diperoleh investor melalui
perkiraan harga yang lebih akurat. Tujuan utama yang terkait dengan penelitian
ini adalah untuk mengajukan pendekatan pembelajaran mesin gabungan yang
mencakup indikator teknis sehingga harga saham tertentu di masa depan
dapat diprediksi.
Prosedur yang diusulkan mencakup langkah-langkah berikut:
Ekstraksi Data
Menemukan indikator teknis Mencari
tahu hubungan antar fitur Klasifikasi data
menjadi tiga jenis: tipe penyimpanan, tipe penjualan, dan tipe pembelian
Menghitung
parameter kinerja untuk fitur variabel, yang memiliki set pengujian dan
pelatihan variabel.
Gambar 1 menunjukkan diagram alur algoritma yang diusulkan sehingga
status pembelian dan penjualan saham yang terkait dengan suatu perusahaan
dapat diprediksi.
2.1.1. Ekstraksi data
Lembar data historis yang berkaitan dengan ekstraksi fitur teknis
dikumpulkan dari berbagai perusahaan untuk tahun 2015–2020. Hal ini
dilakukan untuk memodelkan analisis pasar saham dengan tepat. Situs web
yahoo finance terutama digunakan untuk memperoleh kumpulan data historis.
Untuk melakukan analisis simulasi, data historis 10 perusahaan dibuat selama
sekitar tiga tahun (2015–2020). Naik atau turunnya suatu saham diprediksi
melalui kumpulan data, oleh karena itu data ini penting. Algoritme pembelajaran
mesin yang sesuai digunakan untuk melatih data yang tersedia melalui
penggunaan yang tepat dari jaringan saraf berulang bobot yang tertinggal
waktu (TL-WO-RNN).
2.1.2. Ekstraksi Fitur Teknis
Rumus tertentu diterapkan pada harga saham sebelumnya untuk
mendapatkan data yang jika digabungkan menjadi indikator teknis. Saya untuk
membuat analisis mendalam terhadap algoritma yang diusulkan, 10 fitur
ditemukan.
Machine Translated by Google
ER AL Silni Ahmed dan SB Goyal
Gambar 1. Diagram Alir Usulan Arsitektur.
2.1.3. Divergensi konvergensi rata-rata bergerak (MACD)
Hubungan antara rata-rata pergerakan yang terkait dengan harga saham
diwakili oleh indikator yang disebut MACD atau
Divergensi konvergensi rata-rata bergerak:
MACD ¼ EMA26 EMA12
Garis sinyal dihasilkan dari MACD9 yang menentukan kondisi jual beli untuk
setiap harga saham. Pada MACD berada di bawah garis sinyal maka diambil
kondisi beli sedangkan jika berada di atas garis sinyal maka dinyatakan kondisi
jual.
2.1.4. Indeks kekuatan relatif (RSI)
RSI ¼ 100 ðÞ 100=ð 1þRSÞ
Dimana RS = AG/AL
AG = Rata-rata
keuntungan AL =
Rata-rata kerugian Parameter RSI dievaluasi dengan memperkirakan rasio
rata-rata keuntungan dan rata-rata kerugian. Parameter ini juga dievaluasi untuk
jangka waktu 14 hari.
2.1.4.1. momentum. Momentum adalah salah satu osilator termudah, yang
membantu pengukuran intensitas atau frekuensi terkait perubahan harga. Untuk
membangun jalur pulsa 10 hari, harga penutupan 10 hari terakhir harus dikurangi
dari penutupan terakhir.
Pada persilangan garis nol atau pada 100, garis sinyal diplot.
Ketika suatu saham mengalami tren yang lebih tinggi, sebaiknya dibeli hanya pada tahap tertentu
ketika indikator berada di bawah garis silang 100 atau nol.
2.1.4.2. Rata-rata pergerakan sederhana (SMA). Harga rata-rata suatu saham
untuk jangka waktu tertentu dihitung melalui penggunaan SMA. Rata-rata
aritmatika dari T harga terakhir Ci disebut Simple Moving Average (SMA)
Rata-rata pergerakan 200 hari terkait dengan dua sinyal fundamental. Sinyal
pendek atau kondisi jual terjadi ketika harga lebih rendah dari SMA 200 hari dan
sinyal panjang atau kondisi beli terjadi ketika harga> SMA 200 hari.
2.1.4.3. Indeks saluran komoditas (CCI). Perbandingan antara harga rata-rata
dan harga rata-rata saat ini dilakukan secara tipikal
Materi Hari Ini: Prosiding 80 (2023) 1731–1736
jendela waktu melalui CCI. Rata-rata deviasi dan SMA juga dihitung melalui
penggunaan jumlah periode CCI.
Nilai indikator bervariasi antara + 200 dan 200. Jika nilai yang ditunjukkan
lebih kecil dari 200, ini merupakan aksi harga yang lemah dan mewakili kondisi
beli atau jenuh jual. Jika diindikasikan nilai yang lebih tinggi dari +200, ini
merupakan aksi harga yang kuat dan mewakili kondisi jual atau jenuh beli.
2.1.4.4. Indikator regresi linier (LRI). Tren dan melacak tren, misalnya, rata-rata
bergerak diidentifikasi melalui penggunaan indikator regresi linier. Jika harga
sangat dekat dengan bagian bawah saluran, ini menunjukkan kondisi beli.
Sebaliknya, jika harga sangat mendekati nilai maksimum LRI (batas atas), maka
hal tersebut menunjukkan kondisi jual.
2.1.4.5. Rata-rata pergerakan eksponensial ganda (DEMA). Karena Expo nential
Moving average atau EMA digandakan, maka diberi nama double. Untuk
menghilangkan lag dan menyinkronkannya dengan data aktual, "EMA dari EMA"
dikurangi dari EMA yang digandakan sebelumnya.
Dua garis sinyal yang memiliki nilai periode waktu 12 dan 24 diplot dalam DEMA.
Ketika nilai keluaran DEMA lebih tinggi dari kedua garis sinyal, ini menunjukkan
kondisi beli. Ketika nilainya lebih kecil dari kedua garis sinyal, ini mewakili kondisi
jual.
2.1.4.6. Rata-rata pergerakan tertimbang (WMA). Ada dua sinyal dasar yang
terkait dengan WMA 200 hari. Sinyal beli atau kondisi beli diwakili oleh kondisi
di mana harga melebihi WMA 200 hari. Sinyal pendek atau kondisi jual terjadi
ð1Þ ketika harga kurang dari WMA 200 hari.
2.1.4.7. Osilator harga yang menurun (DPO). Untuk menghilangkan tren jangka
panjang, rata-rata pergerakan yang dilaporkan digunakan oleh indikator teknis
yang dikenal sebagai DPO. Untuk verifikasi tingkat oversold dan overbought
yang tepat, indikator ini digunakan.
Jika harga tertinggi baru terbentuk di atas harga tertinggi sebelumnya dan
nilai sebelumnya menjadi lebih besar dari harga yang dikurangi trennya, hal ini
ð 2Þ akan menghasilkan sinyal JUAL atau sinyal pendek.
2.1.4.8. Pita perdagangan amplop (ETB). Untuk menghasilkan amplop, pita
yang mempertimbangkan persentase deviasi tetap ditentukan oleh ETB yang
menggunakan rata-rata pergerakan sederhana atau eksponensial,
Jika nilai yang ditunjukkan lebih kecil dari nilai ETB yang lebih rendah, hal ini
menunjukkan pergerakan harga yang lemah dan kondisi beli atau kondisi jenuh
jual. Jika nilai yang ditunjukkan lebih dari batas atas ETB/ ini mewakili tren naik
yang kuat dan kondisi jual atau kondisi jenuh beli.
2.1.5. Analisis dan Seleksi Korelasi Fitur Untuk
menemukan hubungan antar fitur, Korelasi Spearman, Kendall dan Pearson
dievaluasi. Ini dibahas masing-masing di bawah ini.
Ko-Relasi Spearman
Koefisien Ko-Relasi Spearman r dihitung dengan rumus di bawah ini:
r ¼ 1 ð6Rd2 Þ=n n2 1
Saya
ð3Þ
Dimana,
di = selisih antar variabel P dan Q n = ukuran
sampel
Hubungan Bersama Kendall
Koefisien Kendall Co-Relation s dihitung dengan rumus seperti di bawah ini:
s ¼ ð Þ 1=2n nð Þ 1 nc dan =ðÞ ð 4Þ
Di mana,
1733
Machine Translated by Google

ER AL Silni Ahmed dan SB Goyal Materi Hari Ini: Prosiding 80 (2023) 1731–1736

nc = banyaknya nilai yang sesuai (jika xi < xj) False Positive (FP) = Jika nilai prediksi terjual tetapi nilai sebenarnya terjual
nd = banyaknya nilai sumbang (jika xi > xj) membeli.

n = ukuran sampel False Negative (FN) = Jika nilai prediksi beli tetapi nilai sebenarnya beli
Hubungan Bersama Pearson menjual.

Koefisien Co-Relation Pearson q dihitung dengan rumus sebagai

diberikan di bawah: 3.1.2. Presisi

IKLAN ½ E A½ E½D
q¼ ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffffiffifi

ð5Þ
ð TP
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiff

2 Presisi ¼ 100 ð8Þ

E½A2 ðE½AÞ TP + FP
ðÞ
S R E D2 hai ðE D½ Þ2

Di mana, 3.1.3. Mengingat

A = elemen pertama (atribut)
D = elemen kedua (atribut)
E = jumlah elemen ð TP
Ingat ¼ 100 ð9Þ
Setelah menemukan korelasi Spearman, Kendall dan Pearson, masing-masing ð TP þ FN Þ
daftar fitur dikumpulkan yang memenuhi kriteria korelasi masing-masing. Setelah
memperoleh tiga hasil individu yang mana
3.1.4. F_Ukur
mengurangi jumlah fitur menggunakan algoritma di bawah ini:

Algoritma :. baris sekarang (Kumpulan Data) 2 Penarikan Presisi

F Ukur ¼ ð 100 ð10Þ
cols ncols(Kumpulan Data) Presisi þ Ingat Þ

Sc spearman (Kumpulan Data)

Kc kendall(Kumpulan Data) 3.2. Analisis hasil
Pc pearson (Kumpulan Data)
untuk setiap i di 1:cols lakukan Pada subbagian ini kinerja dievaluasi berdasarkan

jika Scr[i] > 0 DAN Kc[i] > 0 DAN Pc[i] > 0 maka beberapa ukuran kuantitatif seperti yang ditunjukkan pada Tabel 2.
Seleksi benar
3.3. Evaluasi kinerja komparatif
kalau tidak

Seleksi salah
Pada bagian di atas, kinerja metodologi yang diusulkan dianalisis dengan
berakhir jika
mengevaluasi ukuran kinerja seperti
akhir untuk RMSE, MAE. Setelah itu peramalan dilakukan untuk semua parameter yang termasuk
mengembalikan kumpulan data[Pilihan] dalam penelitian ini. Terakhir kinerja
pekerjaan yang ada dibandingkan dengan pekerjaan yang ada. Di bagian ini
pekerjaan dibandingkan dengan pekerjaan yang ada yang diberikan oleh [1]. Nabipur
2.1.6. Peramalan harga saham
dkk. [1] menggunakan model pembelajaran mendalam untuk memprediksi dan menganalisis
Waktu yang diusulkan tertinggal berat dioptimalkan saraf berulang
perilaku harga saham. Pendekatan ini dirancang untuk mengurangi
jaringan berfungsi sebagai berikut:
risiko pasar. Tabel 3 menyajikan hasil perbandingan pekerjaan yang diusulkan dan
n – jumlah variabel masukan
pekerjaan yang sudah ada.
wtij – bobot tautan simpul dari lapisan i ke lapisan j, di mana wtij (nilai
terletak di antara [0,1])
a = operator pemilihan simpul, (>0) 4. Kesimpulan
b = operator pembelajaran, (nilainya terletak di antara [0,1])
Kami telah menunjukkan usulan langkah-langkah optimalisasi dengan jeda waktu Dengan penerapan pendekatan deep learning, diusulkan
Tabel 1. (Baca dari baris 1 sampai baris 2) model analisa analisa jangka pendek dan jangka panjang. Untuk teknis
evaluasi parameter data historis akan diambil dan mendalam
3. Hasil dan pembahasan Pendekatan pembelajaran akan menyarankan pergerakan harga saham. Itu
penerapan metodologi yang diusulkan, analisis yang lebih akurat
Simulasi metodologi yang diusulkan dilakukan akan dilakukan yang menyebabkan kerugian paling kecil dalam investasi masa depan.
di bawah persyaratan sistem berikut, Prosesor yang digunakan Dalam pekerjaan penelitian ini, jaringan saraf berulang yang dioptimalkan bobot waktu
adalah Pentium Core I5-2430 M CPU @ 2.40 GHz,RAM – 4 GB,OS menggunakan id tertinggal (TL-WO-RNN), sebuah pendekatan pembelajaran mendalam, digunakan untuk
64-bit, Software: MATLAB memprediksi harga penutupan saham apa pun berdasarkan teknis
parameter. Selanjutnya karya ini disempurnakan untuk menunjukkan beli, jual
3.1. Ukuran kinerja dan memegang indikator untuk investasi jangka panjang maupun jangka pendek
investasi. Metode ini diterapkan dan dibandingkan dengan
3.1.1. Ketepatan beberapa pekerjaan yang ada. Dari hasil analisa berikut kesimpulannya
diturunkan:

ðTPþ TNÞ
Akurasi ¼ ðTP 100 ð7Þ Selain data historis, indikator teknis juga dipertimbangkan
þ TN þ FP þ FNÞ menjadi salah satu faktor terpenting untuk menentukan tren saham
Di mana, harga.
True Positive (TP) = Nilai prediksi dan aktual keduanya Ko-relasi fitur mengevaluasi fitur mana yang saling terkait dan

menunjukkan sinyal beli. membantu dalam menentukan kondisi stok.

True Negative (TN) = Jika nilai prediksi dan nilai aktual keduanya Tingkat kesalahan minimum diamati.

menunjukkan sinyal jual. Kombinasi fitur teknis meningkatkan efisiensi.

1734
Machine Translated by Google

ER AL Silni Ahmed dan SB Goyal Materi Hari Ini: Prosiding 80 (2023) 1731–1736

Tabel 1
Usulan langkah-langkah jeda waktu dan rincian keluaran.

Langkah 1 –Inisialisasi untuk setiap nilai input dari node i ke node j dari Li ke Lj Node_selection function (NSF) =
(min(inp_valij, wtij}))/(aij + wti); end Kemudian pilih node yang memiliki: NSF = max{NSFi :i=1 ... M,

dimana M adalah jumlah parameter NSF}.

Kemudian hitung nilai pada node internal yang harus diteruskan ke node lapisan berikutnya: y ¼ Pn i¼1xiwti þ bi (vi)

Langkah 2 – Nilai Pelatihan

pada lapisan keluaran dihitung sebagai:
wtiwtj
a ¼ expð s 2s2 TH

adalah kecepatan pemelajaran (nilainya terletak di antara [0,1])

Untuk i = 1 untuk ukuran link node (yaitu panjang wtij)

Output_val(i) = exp(-norma(wtij)-wti))
Akhir untuk

yij ¼ aij outij

Kesalahan yang

dievaluasi : err = mse (output_val – target_val)

Jika err > nilai target ambang batas atau err > max_iteration, maka pembaruan bobot akan dilakukan. wtij = b *(min(masukan, wtij)) + (1-

b)* wtij; ulangi langkah 1 dan 2 lagi keluar Setelah mengevaluasi

parameter ini, prediksi indikator
teknis,
aturan

berikut dirancang dan posisi saham ditentukan.

Misal SELL = 0, BUY = 1, HOLD = 2, thd = ambang batas sinyal val, Pred_val = nilai prediksi, upper_thd = nilai sinyal atas, lower_thd = garis sinyal bawah MACD Output Jika rata-rata(pred_val) < rata-rata(thd)

MACD_out = 0 Else

MACD_out = 1
Berakhir jika

Untuk Keluaran RSI

Jika rata-rata(pred_val) > rata-rata(upper_thd)

RSI_keluar = 0

Jika tidak, rata-rata (pred_val) < rata-rata (lower_thd)

RSI_keluar = 1
Berakhir jika

Keluaran MOMENTUM

Jika rata-rata(pred_val) < rata-rata(thd)

MOMENTUM _keluar = 0
Kalau tidak

MOMENTUM _keluar = 1
Berakhir jika

Keluaran CCI

Jika rata-rata(pred_val) > rata-rata(upper_thd)

CCI_keluar = 0

Jika tidak, rata-rata (pred_val) < rata-rata (lower_thd)

CCI _keluar = 1
Berakhir jika

Keluaran SMA

Jika rata-rata(pred_val) < rata-rata(thd)

SMA _keluar = 0
Kalau tidak

SMA _keluar = 1
Berakhir jika

Keluaran LRI

Jika maks(pred_val) < rata-rata(SMA _out)

LRI_out = 0
lainnya

LRI _keluar = 1
Berakhir jika

Keluaran DEMA

Jika rata-rata(pred_val) > rata-rata(thd(12 hari)) && rata-rata(pred_val) > rata-rata(thd(24 hari))
DEMA _keluar = 1
Kalau tidak

DEMA _keluar = 0
Berakhir jika

(lanjutan di halaman berikutnya)

1735
Machine Translated by Google

ER AL Silni Ahmed dan SB Goyal Materi Hari Ini: Prosiding 80 (2023) 1731–1736

Keluaran WMA
Jika

rata-rata(pred_val) < rata-rata(thd)

WMA_keluar = 0
kalau tidak

WMA _keluar = 1
Berakhir jika

Keluaran DPO
Jika

rata-rata(pred_val) > maks(DPO)

DPO_keluar = 0
kalau tidak

DPO _keluar = 1
Berakhir jika

Keluaran ETB
Jika

rata-rata(val_pred) < rata-rata(thd_lebih rendah)

WMA_keluar = 1
Jika tidak rata-rata(pred_val) > rata-rata(upper_thd)
WMA _keluar = 0
Berakhir jika

Posisi saham diperkirakan seperti di bawah ini:

Untuk pemilihan fitur
jika hitungan(JUAL) > hitungan(BELI)
Final_out = 0
kalau tidak

Final_out = 1
berakhir jika

kalau tidak

Final_out = 2
berakhir jika.

Meja 2
Deklarasi Kepentingan Bersaing
Evaluasi Kinerja Klasifikasi.
Para penulis menyatakan bahwa mereka tidak mengetahui adanya persaingan kepentingan
Ketepatan Presisi Mengingat F_Skor
finansial atau hubungan pribadi yang mungkin muncul
Keuangan 0,96 0,967391 0,988889 0,978022 untuk mempengaruhi pekerjaan yang dilaporkan dalam makalah ini.
Telekomunikasi 0,915 0,917582 0,988166 0,951567
Manufaktur 0,905 0,870968 0,642857 0,739726
Kekuatan 0,945 0,964286 0,97006 0,967164
Referensi
Perangkat lunak 0,955 0,942857 0,992481 0,967033
Bank 0,8 0,865385 0,876623 0,870968 [1] Mojtaba Nabipour, Pooyan Nayyeri, Hamed Jabani, Shahab dan Amir Mosavi.
0,913333 0,921411 0,909846 0,912413 Memprediksi Tren Pasar Saham Menggunakan Machine Learning dan Deep Learning
Rata-rata
Algoritma Melalui Data Kontinyu dan Biner; Analisis Komparatif. IEEE
Akses, 8, 150199-150212 (2020).
[2] ZD Aksehir dan E. Kÿlÿç. Prediksi Harga Saham Bank dengan Teknikal Berkurang
Indikator. Konferensi Internasional ke-4 tentang Ilmu dan Teknik Komputer
(UBMK), Samsun, Turki, hlm.206-210 (2019).
[3] L. Sayavong, Z. Wu dan S. Chalita. Penelitian Metode Prediksi Harga Saham
Tabel 3 Berdasarkan Jaringan Neural Konvolusional. Konferensi Internasional tentang Virtual
Analisis Perbandingan Peramalan Harga Saham. Realitas dan Sistem Cerdas (ICVRIS), Jishou, Tiongkok, hlm.173-176 (2019).
[4] V. Sharma, R. Khemnar, R. Kumari, BR Mohan, Rangkaian waktu dengan sentimen
Ketepatan F_Skor
analisis prediksi harga saham, dalam: 2nd International Conference on

Diajukan 0,913 0,91 Teknik Komunikasi dan Komputasi Cerdas (ICCT), 2019, hal.
178–181.
Yang sudah ada (RNN) 0,901 0,902
0,898 0,899 [5] D.Wei. Prediksi Harga Saham Berdasarkan LSTM Neural Network. Internasional
Yang sudah ada (LSTM)
Konferensi Kecerdasan Buatan dan Manufaktur Tingkat Lanjut (AIAM),
Dublin, Irlandia, hlm.544-547 (2019).
[6] L. Yang dkk. Jaringan Neural Berbasis Teks yang Dapat Dijelaskan untuk Prediksi Saham. tanggal 5
Konferensi Internasional IEEE tentang Cloud Computing dan Sistem Intelijen
Pada prediksi perilaku usulan pekerjaan tambang akan (CCIS), Nanjing, Tiongkok, hal. 441-445 (2018).
menentukan posisi saham untuk buy, sell atau hold. [7] Tae Kyun, Leeab Joon, Hyung Chob Deuk, Sin Kwonb. Pasar saham global
strategi investasi berdasarkan indikator jaringan keuangan menggunakan mesin
teknik pembelajaran. Sistem Pakar dengan Aplikasi (2018).
[8] BM Henrique, VA Sobreiro, H. Kimura, Prediksi harga saham menggunakan support
regresi vektor pada harga harian dan terkini, J. Finance Data Sci. 4 (3)
Pernyataan kontribusi kepenulisan CReditT (2018) 183–201.
[9] Feng Zhou, Hao-min Zhou, Zhihua Yang, Lihua Yang.EMD2FNN: Sebuah strategi
menggabungkan dekomposisi mode empiris dan berbasis mesin faktorisasi
ER AL Silni Ahmed: Konseptualisasi, Metodologi, Perangkat jaringan saraf untuk prediksi tren pasar saham. Sistem Pakar dengan
Lunak, Visualisasi, Penulisan - draf asli. SB Goyal: Kurasi data, Aplikasi (2018).

Pengawasan, Perangkat Lunak, Validasi, Penulisan - review & editing.

1736