预测股市中长期投资模糊规则基于监督学习的有效性验证

沙特国王大学学报预测一个可靠的股票进行中长期投资Shruti Mittal1， C.K. Nagpal印度，哈里亚纳邦，法里达巴德6区，基督教青年会，J C Bose科技大学，计算机工程系，邮编：121006阿提奇莱因福奥文章历史记录：2021年5月23日收到2021年8月9日修订2021年8月18日接受2021年8月26日网上发售保留字：预测建模有监督机器学习模糊逻辑股市预测模糊规则库A B S T R A C T对于一个普通的投资者来说，有必要确定那些基本面强劲、回报率高的股票。个人可以手动检查少数此类股票，但不能对整个股票市场上市进行检查因此，期望设计一种机制，其能够以自动化的方式在整个股票市场场景中评估股票的内在健康状况，并提供可信的建议。所提出的工作是在这个方向上的努力，其中专家建议的基础上，一个基于回归的监督学习模型已经创建使用从原始数据中提取的特征。学习模型的回归输出提供了一个股票健康指数，该指数已被分类为模糊集。建立了一个本文最后确定了一些基本面良好的股票，并通过其量化表现验证了结果。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍股票市场投资的收益/损失是未来的或有事项，不可能完全减轻风险因素。然而，很有可能继续持有基本面良好的股票，并享受长期利益。每个股票市场都有大量的上市股票。印度国家证券交易所（NSE）和孟买证券交易所（BSE）分别有近2000和近5000只股票上市。对于普通投资者来说，选择一只合适可靠的股票，由于以下原因，这是一项容易的任务：(1) 他们对股票市场的认识只与少数优秀的公司有关，他们(2) 他们在股票市场的投资是由他们的股票经纪人的意见，他们通常有自己的既得利益。*通讯作者。电子邮件地址：shrutimittal@jcboseust.ac.in（新加坡）米塔尔）。1ORCID：0000-0002-0048-7977。沙特国王大学负责同行审查制作和主办：Elsevier(3) 大多数时候，与股票市场有关的建议是打了就跑的类型，其中建议人们投资于可能在短期内获利的股票。令人惊讶的是，这些建议与每日和每周的投资有关，而与股票的健康状况无关。所有这些因素的综合影响是，股票市场上的主要股票被异常高估。这里值得一提的是，2020年9月，NIFTY 50股票的平均市盈率（P/E）和市 净率（P/B ）分别 为 47. 69 和 6. 48 （ Rediff Money（ 2021 ） ） 。 许 多 NIFTY50 股 票 的 市 盈 率 超 过 250 倍 （ BajajFinserv Ltd.）和P/B比大于50（印度斯坦统一）。这方面表明，主要股票更多地受到其声誉和市场情绪的影响，而不是其基本面实力。当人们查看与股票市场预测相关的文献时，大多数工作涉及使用各种机器学习技术和使用各种信号函数来预测每日股票价格（Seo等人，2019年，Wang等人，2016; Pang等人，2020年; Yang等人，2019年）的报告。这样的预测没有多大用处，因为非常短期的价格变化通常与基本面无关，并且如果想要长期投资于市场，则没有用处（Adebiyi等人，2012年; Si和Yin，2013年）。其他学派认为，机器学习将能够根据过去的历史和模式提供完全可信的解决方案（Kim和Shi，2021;Cavalcante等人，2016;Patel等人， 2015年）。不过，值得一提的是，https://doi.org/10.1016/j.jksuci.2021.08.0221319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS.米塔尔和C.K. Nagpal沙特国王大学学报8441市场并不遵循明确的模式，除了基本面之外，很大程度上还受到人类欲望和操纵的支配（Bohn，2017; Li等人，2011; Wang等人，2016年）。虽然前两个因素超出了数学描述，但基本部分可以通过适当的分析来解决。在本文中，我们设计了一种机制来评估的基本健康的股票，股票健康指数的形式已经创建了一个度量。该指标已被用于生成在市场上进行长期和短期投资的人性化建议。这项工作应使普通投资者能够适当地评估股票，并在市场上持续获得收益。1.1.文件的结构全文共分为以下几个部分：第二部分是文献综述.第三讨论了问题的识别、定义和目标。第4节包含了所提出的模型的设计和实现。第5节包含所进行实验的详细信息和所得结果的验证。第6节根据所获得的结果对本文进行了总结2. 文献调查在查阅了与股票市场领域相关的各种论文后，发现大多数论文都与短期价格预测有关。对于那些可能会经常留在市场上以获得持续收益的投资者的担忧尚未得到解决。文献中的大多数论文通常基于人工神经网络（ANN）的不同变体和各种信号函数。所使用的其他技术，涉及使用时间序列分析，集成学习和其他软计算技术，如粗糙集，遗传算法。我们现在提出的文献调查已被分类的基础上所使用的技术。2.1. 人工神经网络预测Sirignano和Cont（2018）提出了一种基于深度学习的机制，该机制基于一组全球金融市场特征进行训练。 使用的数据包括大约1000只纳斯达克股票的购买和销售记录。NN由三层组成，最后一层是ReLU的LSTM单元，随机梯度下降（SGD）算法作为优化器。还观察到，如果在训练模型之前进行特征选择过程，则可以降低复杂性。Ni et al.（2011）使用SVM预测股票价格趋势，并使用分形特征选择过程对其进行优化。数据上海证券交易所综合指数（SSECI），并使用了19个技术指标。在处理数据集之前，使用k交叉验证进行特征选择。在这项工作中只考虑了技术指标，但忽略了财务领域的McNally等人（2018）使用基于RNN和LSTM的模型进行比特币价格预测。用于预测的比特币数据集是从2013年8月19日到2016年7月19日。该模型使用特征工程的Boruta算法和贝叶斯优化来选择LSTM参数。Kara等人（2011）提出了两种基于ANN和SVM的股票价格预测模型。他们使用的数据涵盖了1997年1月2日至2007年12月31日期间伊斯坦布尔证券交易所的数据。这项工作没有将其与其他模型实现的性能Fischer和Krauss（2018）测量了各种深度学习方法与LSTM在金融市场预测中的有效性。他们分析了基于每日价格、标准值与每日成交量、近似每周和每周成交量与平均值构建的各种LSTM变量的有效性，并得出结论，LSTM超越了其他深度学习算法，它可以准确地从时间序列数据中捕获逻辑信息Long等人（2019）开发了一种用于预测股价走势的深度学习方法。本文采用的数据是中国股票市场指数CSI 300。通过预测股票价格走势，他们创建了一个多过滤器神经网络（MFNN），该网络具有随机梯度下降（SGD）和反向传播优化器来研究NN参数。Shen和Shafiq（2020）提出了一种基于特征工程和深度学习的模型的综合定制，用于预测股票市场的价格趋势。该系统对股票市场数据进行预处理，以预测未来趋势。该工作分为三个阶段，即数据预处理、特征工程和使用LSTM的趋势预测。Kong等人（2021）提出了一种数据驱动的方法，采用流动性指标和技术指标来预测盘中股票上涨。在用于预测的各种模型中，如随机森林，SVM，超参数优化和最优类平衡方法可以进一步提高其工作性能。2.2. 基于通用软计算技术的预测Lei（2018）使用小波神经网络（WNN）结合粗糙集来预测股票价格趋势。该模型的数据库包含五个著名的股票市场指标，即（1）上证综合指数（中国），（2）沪深300指数（中国），(3)所有普通股指数（澳大利亚），（4）日经225指数（日本），和（5）道琼斯指数（美国）。Pimenta等人（2018）使用多目标遗传规划来预测股市。该数据库是在巴西证券交易所（BOVESPA）获得的，他们使用的关键策略是多用途、遗传和技术规则的组合其中包括一个历史时期，这是一个关键时期，巴西的政治和经济时，验证。这项工作的局限性在于作者没有与其他现有模型进行任何比较。2.3. 时间序列分析预测Idrees等人（2019）提出了一个基于时间序列的模型来预测股市波动。他们设计了三步特征工程：分析时间序列，看看时间序列是否平稳，观察ACF和PACF图表并识别输入参数。这项工作需要定制的ARIMA模型的性能增强。2.4. 基于包围学习的预测Weng et al.（2018），专注于使用集成方法进行短期股票预测。该集成由神经网络回归集成（NNRE）、随机森林、AdaBoost和向量回归集成支持（SVRE）组成.这项工作的局限性包括从1天到未来10天的价格预测，没有可扩展性规定。此外，这项工作是基于20仅限美国市场股票S.米塔尔和C.K. Nagpal沙特国王大学学报84422.5. 别人Nekoeiqachkanloo等人（2019）提出了一个股票投资模型。它是一个全面的系统，具有数据处理和两种不同的算法，可以为投资提供最佳组合。第二，系统中嵌入了预测功能，同时保留了时间序列的特征最后，它们的输入特征是基本特征和技术特征的组合，旨在填补金融部门和技术领域之间的空白但在实验部分，它们的作用较弱他们没有在一个大型数据库上测试这个系统，而是只选择了25个知名的股票。Jeon等人（2018）使用基于毫秒间隔的大型数据库，使用模式图跟踪来进行股票价格预测。他们使用的数据是一个大型数据库，基于KOSCOM从2014年8月到2014年10月的毫秒级历史股票数据这些预测是通过使用ANN、Hadoop和RHive进行大规模数据处理而做出的。所做工作的唯一限制是，在现实生活中很难访问基于毫秒的数据。Sinha（2021）使用漂移和扩散模拟对超过10万个值和概率估计了不同周期频率的S P500指数值。尽管这样一个复杂的模拟，它是观察到的预测质量急剧下降的预测期间增加。He et al.（2021）根据一个名为ARH的回归模型预测股票回报波动，ARH是自回归（AR）模型与Huber损失函数的组合。结果表明，Huber损失函数的加入比独立的AR模型更有效。在浏览了上述文献之后，我们看到，主要的重点已经放在使用机器学习的价格预测上，希望机器能够探索数据中的潜在模式并预测价格短期内这种哲学有以下缺点：通常情况下，股票价格在一天之内不会有太大的变化，除非有特殊情况发生。因此，所有这些预测结果很可能接近实际价格。如果有一个急剧下降或上升在一天内，没有上述机制的工作。股票市场的投资者是为了赚取长期财富而留下来在这方面，他需要一个可信的建议，而这只能通过对所考虑股票的基本面进行彻底分析来实现。这篇论文就是在这个方向上的努力，我们试图3.3. 目的建立一个专家模型，该模型可以在过去数据的基础上，使用监督机器学习、模糊逻辑和预测分析来提供可信的建议。4. 模型的设计与实现该模型的设计是基于特征提取和构造有关的行为的个别股票，其部门和股票市场的持续行为。提取和构造的特征进行基于回归的监督机器学习，用于单值分解。这样获得的值经过模糊化处理以产生模糊集和隶属值。这样得到的模糊集和隶属度经过模糊规则库（FRB）产生的建议（S），可以用来作出明智的决定。图图1和图2描述了所提出的模型的总体设计。该模型是基于专家的建议。4.1. 特征识别和构造几乎所有在证券交易所上市的股票（印度的NSE和BSE）的原始数 据 都 可 以 在 各 种 网 站 上 获 得 （ Rediff Money ， 2021; MoneyControl ， 2021; Yahoo Finance ， 2021; NSE India ， 2021; BSEIndia，2021）。 这包括不断变化的数据，如每日股票价格（开盘价，收盘价，最高价，最低价）和交易量。该数据非常不稳定，受公司业绩、市场情绪、股票同行群体情绪（行业情绪）、政府政策和新闻等各种因素的影响另一种形式的数据波动性较小，定期（每季度）提供。每半年和每年）。这包括公司我们已经使用上述数据来识别和构建特征。这些功能的描述如下：4.1.1. 当前价格情绪指标（CPSP）CPSP功能旨在从过去历史的角度评估当前股票价格的情况为了生成任何股票的CPSP，使用过去3年的历史数据创建标准化价格向量使用Eq. (1)范围[1，5]。接近1的值表示股票正在走向其最低值，接近5表示股票正在接近其在考虑期间的最高价格在股票内在健康的基础上，为股票市场的长期和中期投资提供可靠的建议归一化值¼1þ 4cp-minmax-min3. 问题识别、定义和目标3.1. 问题识别虽然股票市场是由人为操纵的，但有可能识别出具有强大基础的可靠股票，这些股票可能在未来以相当低的风险产生良好的回报3.2. 问题定义设计一种不受人为操纵的机制，识别出基本面较强的股票，并分配一个适当的强度指标，以帮助投资者做出理性的股票市场投资决策。这里cp表示股票的当前价格，min和max表示所考虑期间的最低和最高价格表1显示了印度市场3只NIFTY50股票在7天、15天、30天、3个月、6个月、1年和3年期间然后使用基于监督学习的回归过程将归一化的价格向量分解为单个值以表示范围[0，10]中的CPSP4.1.2. 移动平均信号（MVS）MVS功能旨在捕捉价格变动的持续趋势。为了生成MVS，计算了5、10、30、50、100和200天的股票价格的移动平均值（MVA）。为了进行标准化，将200天MVA设定为100。从两个方面对移动平均线进行了研究：移动平均线在一段时间内的综合损益和动量类型。●●●×S.米塔尔和C.K. Nagpal沙特国王大学学报8443Max专家意见为回归值学习创建回归模型监督使特征识别和建设构造特征向量原始 储备 数据数据应用专家模型模糊集&隶属度值建议Fig. 1. 拟议方法流程图。图二. 专家模型设计。表1CPSP计算。公司名称期间01/04/2016至31/03/2019 CPSP7 d15 d30 d3米6 M1 Y3 YNTPC有限公司（左）2.193.213.934.324.263.653.382.81石油天然气有限公司（左）3.884.014.174.593.282.981.682.56印度电网公司。（左）1.792.633.854.184.183.283.731.89Reliance Industries Ltd.（左）4.073.644.444.694.754.814.907.36综合收益/损失MVA是归一化的5天移动平均线和归一化的200天移动平均线之间的简单差异正/负结果表明价格强度的总体收益/损失。动量类型已被分类为单调递增（MI，所有MVA 均按递增顺序）、一般递增（GI，大多数MVA均按递增顺序）、波动上升（FU，大多数MVA均按递增顺序）、波动下降（FD，大多数MVA均按递减顺序）、一般递减（GD，大多数MVA均按递减顺序）和单调 递 减 （ MD ， 所 有 MVA 均 按 递 减 顺 序 ） 。 表 2 显 示 了 一 些NIFTY50公司的势头类型和制造业增值综合损益。4.1.3. 非高峰状态指示器（OPSI）OPSI功能已被设计为评估股票的状态相对于期间的OPSI将有助于以较低的价格购买股票，从而获得更多的利润。OPSI通过使用Eq.（二）、非峰值<$100ωcp-100Ω2Ω这里max表示所考虑的时间段内的最大值。离峰分析有助于识别短期局部波动，以做出短期收益的决策一些NIFTY 50公司的非高峰分析见表3。4.1.4. 销售额和利润增长指标（SGI 5 Q/PGI 5 Q SGI 5 Y/PGI 5 Y）销售额和利润的增长可能会导致股价上涨，因为投资者对公司的未来更有信心。对销售额和利润进行评估的数据已经采取了对过去三个季度的现状进行评估和对过去五年的历史情况进行了解的观点。表4显示了一些NIFTY 50公司的销售额和利润增长。该计划的实施年份为2015- 16年、16 - 17年、17 - 18年、18 - 19年、19 -20年和三个季度末，12月20日4.1.5. 价格/帐面价值指标（PBI）市盈率帮助投资者确定股票的市场价值与公司的收益相比市盈率（ 比 如 低 于 10 ） 和 市 净 率 （ 低 于 3 ） 被 认 为 是 健 康 的 。 部 分NIFTY50股票的市盈率和市净率见表5。影响决策模糊规则库必要数据S.米塔尔和C.K. Nagpal沙特国王大学学报8444表2MVS计算。公司名义期间（天）动量型5103050100200综合损益NTPC有限公司（左）107.05105.3497.1894.4095.131007.05傅石油天然气有限公司（左）101.81100.3596.3094.3294.541001.81傅印度电网公司。（左）105.84104.9199.9499.3899.771005.84傅Reliance Industries Ltd.（左）116.60116.57110.97109.36102.7910016.60MI表3OPSI计算。石油天然气有限公司(L)-2.12- 2.21- 2.21- 2.21- 13.03- 16.84- 49.26印度电网公司。(L)-3.18- 3.18- 3.18- 8.71- 12.50RelianceIndustries Ltd. (L)-0.67- 0.67- 0.67- 0.67- 1.55- 8.73表4销售和利润增长计算。截至2013年3月的年度3月16日3月17日3月18日3月19日20 SGI5YEicher Motors年销售额6，186.19 7，037.97 8，957.51 9，794.48 9，077.47销售增长百分比-年利润1，708.19 2，205.81 2，853.20 2，944.38 2，203.78 PGI5Y利润增长百分比-截至2019年12月20日2019年3月20日2019年6月20日2019年12月20日销售增长百分比-7.8-64.7 176 32.1 28.375季度利润728.32 596.97 113.45 581.8 779.92 PGI5Q利润增长率--表5一些漂亮的50家公司的P/E和P/B值。以与上述CPSP和MVS计算类似的方式计算。4.1.7. 市场情绪指标（MSI）以类似于价格情绪的方式，对各种股票指数的历史数据进行分析，以评估市场今天的心情衍生指数被称为MSI。MSI值与核心NIFTY50指数、广义NIFTY500研究了健康市盈率和市净率对股票价格表现4.1.6. 板块情绪指标（SSI）板块移动平均信号（SMVS）股票所属行业的表现也对股票价格有相当大的影响。例如，由于消耗量极低、储存问题及原油价格极低，石油公司的股价于二零二零年COVID 19封城期间受到重大影响。印度的NIFTY指数有许多行业细分，如汽车，银行，IT，制药，金融，快速消费品，媒体，金属等。行业情绪及部分行业的移动平均趋势分别载于表六及表七这些值指数、中型资本指数MIDCAP150和小型资本指数SMALLCAP250已列于表8。据观察，中型和大型资本市场的市场情绪非常积极。4.2. 已确定的特征和股票适合度在前面的小节中，我们已经确定并创建了一些与股票适应性的多方面相关的特征。为了对股票健康状况有一个整体的看法，需要创建一个能够关联和理解这些特征中包含的信息的机制。这种机制应该不受人为偏见的影响，必须是自动化的。考虑到这一点，我们设计了一种机制来创建一个代表股票整体健康状况的指数，表6SSI计算。经期？7 d15 d30 d3米6 M1Y3YSSI部门;Pharma4.74.724.834.93.332.44.9Fin. 服务4.94.934.9755559.8FMCG4.33.684.053.74.33.44.24.6公司名义周期中的7 d15d30d3米6 M1Y3YNTPC有限公司（左）-4.18-4.18-4.18-4.18-4.57-9.69-13.59公司名义P/EP/B艾歇尔汽车公司（左）27.277.86创新科技有限公司（左）29.176.5塔塔汽车公司（左）29.292.67阿达尼港口和经济特区有限公司（左）29.673.85S.米塔尔和C.K. Nagpal沙特国王大学学报8445表7SMVS计算。行业SMVA增长百分比趋势类型快速消费品0.63% GI制药-0.51% GDFin. 服务业股票健康指数（SHI）为SHI选择的范围为[0，100]，100表示绝对适合的库存，0表示完全不适合的库存。为了避免人类的偏见，机器学习成为最自然的选择。建议的模型是基于基于回归的监督学习，它使用两个部分：一个输入的特征向量和一个数字的目标值对应的特征向量。在我们的例子中，输入特征向量是基于前面小节中识别的特征，目标值是数字SHI值。其中所有特征具有最佳可能值的理想特征向量被映射到SHI值100，并且具有最差可能特征值的最不期望的特征向量已被映射到SHI值0。特征向量的设计如表9所示。这个特征向量的问题在于异质性与这些特征有关。与不同特征相关的数值差异很大。如果这些值被这样使用，那么训练的质量将非常差，因为将偏向于具有较大数值范围的变量。为了缓解这个问题，我们有一个归一化过程，其中与所有特征相关的值都被归一化到一个范围[0，10]。表10示出了用于表9的特征向量中使用的所有特征的归一化过程。训练过程使用这些归一化值，同时向目标输出呈现特征向量。4.3. 监督学习模型表11示出了监督学习模型，其中理想的可能特征向量已经映射到SHI值100，并且最不期望的特征向量已经映射到SHI值0。用于此目的的学习过程是使用多元回归的单与专家协商确定了各种特征向量对应的目标值培训是在80：20模式（培训/测试）下进行的，并且为了培训和测试的目的而交换不同的数据段，直到MSE降至最低。表8MSI计算。股票指数期间：1/4/2016至31/3/2019 MSI7 d15 d30 d3米6 M1 Y3 YNIFTY 5004.954.954.984.984.994.084.598.94漂亮504.924.924.974.984.984.694.879.52MIDCAP 1504.924.924.964.954.983.363.847.82小容量2504.864.864.954.964.962.482.76.19表9特征向量的设计。CPSP MVS OPSI SGI3Q SGI3Y PGI3Q PGI3Y PEI PBI SSI SMVS MSI表10特征值的标准化。CPSP、SSI和MSI已经标准化MVSMIGI傅FDGDMD1086420OPSI>75%60%-75%45%-60%30%-45%15%-30%<百分之十五1086420标准mvsMIGI傅FDGDMD1086420SGI5Q SGI5Y>25%1015%-25%之间8-0.16-0.14-15%至-5%2<-15%0PGI5Q PGI5Y>50%1030%-50%810%-30%60-10%4-10%至02<-10%0裴0–33–66–1010–20>20个601086420PBI0–11–33–55–10>10个601086420S.米塔尔和C.K. Nagpal沙特国王大学学报表84468446监督学习模型。模式索引特征向量目标值（SHI）CPSPMVSOPSISGI5QSGI5YPGI5QPGI5Y裴PBISSI标准mvsMSI1101010101010101010101010100287697866879880366566556556565..44534343534435..00000000000004.4. 模糊集与模糊规则库构造SHI值接近100的公司是非常健康的，可以安全地投资。另一方面，SHI值接近0的公司健康状况非常差，不值得投资。投资决策仅取决于SHI的价值。使用SHI的最简单方法是将SHI值划分为清晰的分区，例如[[0，20]，（20，40]，（40，60]，(60，80]，（80，100]]。根据SHI值所处的分区，股票可以分为各种类别，例如：不可取的，勉强可取的，建议的，推荐的，强烈推荐的。这样一个清晰的决策系统有两个主要问题。1. 由于划分是清晰的，因此，从一种类型的推荐到另一种类型的推荐的转换推荐SHI为60的公司，强烈推荐SHI为61的公司。我们希望这种过渡是渐进的。2. 由于分区是不重叠的，因此决定分区的清晰边界是一个问题。为了克服上述问题，我们决定使用模糊逻辑。其使用的衍生优势是：1. 模糊集的边界（支持）是重叠的，消除了对清晰边界的需要。2. 从一种类型的建议到另一种类型的建议的过渡是渐进的。SHI值的微小变化通常会导致相关模糊集的成员关系发生变化即使在边界处，微小的变化SHI也会导致重叠模糊集的非常3. 与SHI相关联的模糊集可以通过FRB连接到另一组模糊集以进行推理。针对以上几个方面，对SHI进行了模糊化处理。基变量是SHI，语言变量对应-图三. 与SHI相关的模糊集。与模糊集相对应的是病态（S）、边缘健康（MH）、健康（H）、适合（F）和高度适合（HF）。这些模糊集是模糊数类型（Klir和Yuan，2006）。 图 3给出了这些模糊集的支持度和隶属度。基于SHI值的建议通过FRB获得，如下所示：FRB1. 如果SHI生病了，那么长期投资是不可取的。2. 如果SHI处于边缘健康状态，则不建议长期投资。3. 如果SHI是健康的，那么建议长期投资。4. 如果SHI是合适的，那么建议长期投资。5. 如果SHI非常适合，则建议长期投资6. 如果SHI生病了，那么中期投资是不可取的。7. 如果SHI是边际健康，那么中期投资是边际建议.8. 如果SHI是健康的，那么建议中期投资。9. 如果SHI是合适的，那么建议中期投资。10. 如果SHI高度拟合，则强烈建议中期投资。该 FRB 使 用 的 推 理 系 统 是 Mamdani 类 型 的 （ Izquierdo 和Izquierdo，2018），其中在前件中使用的模糊集的成员资格被转移到后件中的模糊集。因此，我们使用成员资格转移到推荐过程作为推荐的强度/强度。例如，SHI值为55.27 属 于 两 个 模 糊 集 健 康 （ 隶 属 度 0.473 ） 和 适 合 （ 隶 属 度0.527），导致以下建议：中期：建议47.3%，建议52.7%长期：建议100%专家们认为，产生的建议应该有人文的表达，也应该表明系统的信心。考虑中的股票，HDFC银行，建议长期投资，但由于SHI表现平平，不建议投资。有人提出了部分建议，也有人建议中期采用。专家们也否认长期强烈推荐任何股票，因为市场很容易发生长期不可预见的事件。5. 实验结果验证设计了有监督学习表、模糊集和模糊规则库，这些图案是在最理想的情况S.米塔尔和C.K. Nagpal沙特国王大学学报8447表12在不同公司应用专家模型后的实验结果公司BSE SCRIP领域/部门石输入模糊集，通过FRB代码其成员资格中期长期Britannia500,825食品加工58.73H（0.127）、F（0.873）建议13%建议100%百分之八十七安得拉糖业590,062糖82.4HF（1）强烈推荐100%推荐100%雀巢500,790食品加工42.6中文（简体）建议100%建议100%巴贾伊·芬塞夫532,978金融投资31.3MH（0.87），H（0.13）略好87%不明智的87%，建议13%建议13%Ador焊接517,041电极和石墨61.2F（1）推荐100%建议100%HDFC银行500,180私人银行55.27H（0.473）、F（0.527）47.3%推荐建议100%百分之五十二点七Kotak Mahindra银行500,247私人银行54.53H（0.547）、F（0.453）推荐54.7%建议100%45.3%Zee娱乐505,537媒体娱乐51.7H（0.83）、F（0.17）83%推荐建议100%企业百分之十七IRCTC542,830铁路旅游服务44.34中文（简体）建议100%建议100%REC532,955电力财务74.3F（0.57）、HF（0.43）57%，强烈推荐建议57%，推荐43%推荐43%ONGC500,312石油钻探和65.24F（1）推荐100%建议100%探索印度能源540,750多元化38.4MH（0.16），H（0.84）略可取16%，不可取的16%，交换建议84%建议84%Nesco505,355多元化68.2F（1）推荐100%建议100%甲状腺护理539,871医院和医疗51.5H（0.85）、F（0.15）85%推荐建议100%服务百分之十五德尔塔公司532,848建筑承包46.7中文（简体）建议100%建议100%房地产JK Paper Ltd532,162纸67.2F（1）推荐100%建议100%护送500,495汽车，拖拉机，农业55.5H（0.45）、F（0.55）45%推荐建议100%设备百分之五十五休闲鞋530,517皮革制品47.4中文（简体）建议100%建议100%Polycab印度542,652电力其他55.8H（0.42）、F（0.58）42%推荐建议100%百分之五十八表13所提出的模型的实用性说明通过FRB I II III获得的公司建议%%中期长期价格截至7月1日，2020价格截至5月3日，2021价格截至7月12日，2021变动一至三变动II-III大不列颠建议13%建议87%建议100% 3，545.95 3，439.253，471.65-2.10 0.94最坏的情况下。在WEKA工具上训练神经网络进行回归学习。之后，为LARGECAP、MID-CAP和SMALLCAP相关的近100家公司创建了特征向量，并将其应用于训练好的神经网络。表12显示了一些公司使用SHI值以及相应的建议生成。5.1. 验证结果该系统提供的建议质量可从表13中评估。该表载有公司名称，从FRB获得的意见以及股票在2020年1月7日，2020年3月5日和2021年12月7日三个时刻的价格。该表显示，安得拉糖业强烈推荐100%推荐100%263.55445.55558.4111.8825.33雀巢建议100%建议100%16,798.8516,506.7517,645.355.046.9巴贾伊·芬塞夫建议87%建议13%不可取87%，建议13%6,169.3511,041.7012,908.20109.2316.9Ador焊接推荐100%建议100%259.5390.15687.45164.9176.2HDFC银行建议47.3%建议52.7%建议100%1,084.601,414.451,487.3037.135.15Kotak Mahindra银行建议54.7%建议45.3%建议100%1,356.751,725.451,732.7527.710.42Zee娱乐建议83%建议17%建议100%175.4183.75215.3522.7817.2企业IRCTC建议100%建议100%1,363.051,765.552,262.6566.0028.16REC推荐57%，强烈推荐建议57%，推荐108.6127.35147.1535.5015.55百分之四十三百分之四十三ONGC推荐100%建议100%80.45107.7118.547.3010.03印度能源交易所建议16%，建议84%不可取16%，建议84%179.85379.05394.9119.574.18Nesco推荐100%建议100%427.1502.45645.2551.0828.42甲状腺护理建议85%建议15%建议100%503.61,060.801,356.95169.4527.92德尔塔公司建议100%建议100%90.95154.65190.45109.4023.15JK Paper Ltd推荐100%建议100%100.1134.15223122.7866.23护送建议45%建议55%建议100%1,033.851,127.601,200.7016.146.48休闲鞋建议100%建议100%628.35878.41,161.7584.8932.26Polycab印度建议42%建议58%建议100%797.651,479.901,935.25142.6230.77S.米塔尔和C.K. Nagpal沙特国王大学学报8448创建建议的机制确实可信，因为所有推荐的股票都获得了很高的收益这表明我们的模型已经通过了准确性测试，精度接近100%在此值得一提的是，2020年3月5日至2020年12月7日之间的时间段被用作测试期，因为它介于首次提交和论文修订之间6. 结论投资者留在市场上是为了获得持续的收益。股票市场的行为虽然具有一定的随机性，但并不是完全随机的。它肯定有一些基本的底线，当遵循可以确保富有成效的生存与合理的收益.以自动化方式分析公司的基本实力减少了人为操纵的机会，因此生成的建议非常真实。本文完成了这一任务，并提供了一种机制，以评估一个公司的基础上，其基本实力有关的销售，利润，价格情况，价格合理性等建议的机制是基于回归的监督学习，产生一个指数值，以量化的内在健康的公司。为了进行中长期投资，必须投资于内在健康的公司。所获得的股票指数值已被归类为模糊集上的FRB操作，以提供必要的建议。结果表明，所得到的建议是相当真实的，推荐的股票已经经受住了未来的挑战，提供了可信的收益。本文所提出的工作的突出特点包括：它适用于所有股票市场的所有股票，机制的自动化，没有任何操纵的可信建议和增加获利的机会。确认我 们 感 谢先 生 。 Sanat Nagpal ， 一 位 追 求财 务 分 析 的 人 ，Yadwinder Mittal，IIM勒克瑙校友，提供专家建议。我们感谢各网站提供必要的数据，没有这些数据，这项工作就无法完成。这些数据仅用于学术目的，没有商业用途。引用Adebiyi，A.，阿约角，Adebiyi，M.，Otokiti，O. S.，2012.基于混合市场指标的神经网络股价预测。J. Emerg.趋势计算告知。Sci. 31- 9T. A. Bohn（2017），印度疯牛病（2021）https://www.bseindia.com/北卡罗来纳州卡瓦尔坎特Brasileiro，R.C.，Souza，V.L.F.，Nobrega，J.P.，Oliveira，A. L. I.，2016. 计算智能与金融市场：调查与未来方向。专家系统应用55，194-211。费希尔，T.，克劳斯，C.，2018.深度学习与长短期记忆网络用于金融市场预测。EUR. J.操作员Res. 270（2），654-669。他，M.，Hao，X.，张玉，孟，F.，2021.利用稳健回归模型预测股票收益波动率。J. 预报.Idrees，S.M.，阿拉姆，文学硕士，阿加瓦尔，P.，2019.基于时间序列数据的股票市场波动性预测方法。 IEEE Access 7，17287-17298。Izquierdo，S.S.，Izquierdo，L.R.，2018.建模与模拟的模糊系统：批判性评估。 仿真Jeon，S.，洪湾，Chang，V.，2018.基于大数据的模式图跟踪股价预测。未来一代Comput.系统80，171-187。卡拉，Y.，Acar Boyacioglu，M.，Baykan，O.K.，2011年。 使用人工神经网络和支持向量机预测股票价格指数的运动方向：伊斯坦布尔证券交易所的样本。专家系统应用38（5），5311- 5319。Kim，H.，施伟，2021年预测美国的金融脆弱性：因子模型方法。J.预测。40（