听觉算法在油气板块股市预测中的应用

软计算快报3（2021）100013一种新的听觉算法在油气板块股市预测中的应用在尼日利亚证券交易所David O. Oyewola a，*，Asabe Ibrahim a，Joshua. A. Kwanamu b，Emmanuel Gbenga Dada ca尼日利亚贡贝，联邦大学Kashere P.M.B 0182数学计算机科学系b尼日利亚穆比，阿达马瓦州立大学数学系c尼日利亚迈杜古里，迈杜古里大学理学院数学科学系。A R T I C L EI N FO保留字：听觉算法几何布朗运动随机过程机器学习支持向量机A B标准股票市场预测是预测股票未来价格的过程。股票市场预测是一个充满不确定性因素的挑战性过程，这些不确定性因素影响着市场价格的变化。本文提出了一种受自然启发的算法，称为听觉算法（AA），它遵循类似于人耳的听觉系统的路径。将AA算法与高性能机器学习算法和连续时间随机过程的性能进行了比较。本文中使用的机器学习算法是逻辑回归（LR）、支持向量机（SVM）、前馈神经网络（FFN）和递归神经网络（RNN），同时还使用了连续时间模型，如随机微分方程（RNN）和几何布朗运动（GBM）。结果表明，AA的整体性能优于本文所比较的其他算法，因为它大大降低了预测误差到最小。1. 介绍股票市场预测是一项非常困难的任务，由于不同的不确定性，影响市场价格的事件，包括政治事件、经济事件、投资者情绪[1 - 6]。这是由于股票市场价格波动导致的随机波动。股票市场在本质上是动态的、嘈杂的[7]。预测股票交易所，先进的股票知识是强制性的。投资者倾向于购买未来价格上涨的股票，而不购买未来价值随着时间的推移而下降的股票。然而，重要的是要开发一个强大的股票市场算法，可以准确地预测股票的行为，以最大限度地提高收益，最小化投资者的损失。此外，股票市场容易受到各种因素的影响，这些因素影响着股票市场的波动。股票市场数据的不完全信息也是股票期货价格预测的一个挑战。股票投资者依靠不同的技术指标来预测股价走势。虽然这些指标被用来评估股票，但很难预测市场趋势。经济和非经济因素影响股票趋势的行为[15]。因此，股票市场预测被视为对生产增长为了解决这个问题，我们建议一个听觉算法来准确预测股票市场的行为。本文主要研究听觉算法在股市预测中的应用。研究人员考虑了六种用于股票市场预测的流行算法，它们是机器学习和连续时间随机过程，然后将它们的性能与AA进行比较。我们考虑了六种算法，它们是逻辑回归，支持向量机，前馈神经网络，递归神经网络，几何布朗运动和随机微分方程。本文的贡献摘要工作包括：提出了一种新的AA算法，该算法能够准确地预测股票市场价格，为投资者带来巨大的财务利润本文的实验结果有力地证明了采用AA进行股市预测的优点之一，即能够检测股市的指数衰减。股票市场预测是投资者非常感兴趣的，AA将使投资者确定股票，将产生高价值。研究指数衰减规律有助于投资者了解股票何时稳定，何时上升，何时下降。* 通讯作者。电子邮件地址：davidoyewole@fukashere.edu.ng（D.O. Oyewola），gbengadada@unimaid.edu.ng（E.G.达达）。https://doi.org/10.1016/j.socl.2021.100013修订版于2021年5月10日收到;于2021年6月22日2021年7月3日在线发布2666-2221/©2021的自行发表通过ElsevierB.V.这是一个开放接入文章下的CCby-NC-ND 许 可 证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表软计算快报杂志首页：www.sciencedirect.com/journal/soft-computing-letters···D.O. Oyewola等人软计算快报3（2021）1000132分析如何从AA获得指数增长将使投资者能够确定所呈现的股票市场价格的增长。使用Friedman检验分析所有7种算法的统计学差异，并使用WilcoX on检验进行事后分析。第二部分讨论了股票市场预测领域的相关工作。第4节解释了本工作中使用的拟议方法。结果和结果的讨论在第5节中给出，第6节是本文的结论。2. 相关工作本节简要介绍了近年来在股票市场预测领域的研究成果随机过程是由Bachelier[17]开发的，他开发了第一个股票预测模型，利用它来预测未来价格和期权。Antwi在[19]中利用几何布朗运动研究了加纳股票EX在将实际价格与预测价格进行比较后，他们的模型预测了超过80%的情况下的股票行为。最近，机器学习模型被开发来克服连续时间模型的缺点。文献[21，24]利用时间序列和技术指标对股票市场进行预测。他们观察到，将技术指标与他们的概率模型相结合，使股票价格的不确定性降低。贾科梅莱[13]提出了一种集成神经网络，可以预测一只股票的上涨或下跌。Oyewolaet al.[14]在他们的论文中利用逻辑回归，随机森林，支持向量机和神经网络进行股市预测。他们还使用了三种不同的机器学习算法来预测股票市场价格，并表明当随机森林位于顶层时，算法的性能优于其他算法。然而，[8]在他们的论文中使用了递归神经网络和反向传播网络来预测股票价格。他们观察到，与现有技术相比，他们的模型实现了更好的预测结果。由[16]提出的计算有效的函数链接人工神经网络（CEFLANN）通过将技术指标与CEFLANN相结合来产生0和1范围内的连续交易信号。他们将结果的性能与支持向量机，朴素贝叶斯模型，K近邻模型和决策树进行了比较。实验结果表明，该模型与其他机器学习算法相比具有更好的性能。Chen和Fang[16]在他们的工作中利用了人工神经网络，广义自回归条件异方差和随机游走模型在预测亚洲货币单位。他们观察到， 神经 网络跑赢大盘 别人 这 是甘精胰岛素，3. 听觉系统听觉涉及一个逐步的过程，将通过介质（空气）的声波转换为电信号[20]。听觉神经负责将从耳蜗接收到的信号传递到大脑。耳朵有三个主要部分，包括：1外耳2中耳3内耳4外耳外耳有两个部分，包括耳道和耳廓。声波通过耳廓然后到达耳道。外耳被称为耳廓，位于头部的一侧，由软骨制成。声波通过一个叫做耳道耳廓负责将声音收集到耳道[11]。1中耳声波穿过鼓膜，引起鼓膜振动，并将振动传递到锤骨、砧骨和镫骨。由锤骨、砧骨和镫骨组成的三块骨头增加了来自鼓膜的声音振动，并将其传递到耳蜗[22]。耳蜗是一个充满液体的螺旋结构1内耳耳蜗是一个充满液体的螺旋结构。耳蜗被分成一个弹性分区，从上到下的部分称为基底膜。耳蜗旁的毛细胞检测到高音[12]。毛细胞的运动会导致静纤毛打开，化学物质涌入细胞，产生电信号。听觉神经负责将电信号传递到大脑，大脑将其转换为我们识别的声音。3.1. 建议的听觉算法（AA）听觉算法从听觉过程中获得灵感。 在该算法中，通过耳廓的声波被表示为耳廓。声波表示如下：耳廓= [x1，x2，x3，声波（x1，x2，...，xn）穿过耳廓到达称为耳道的狭窄部分。从耳道，它传递声波到鼓膜，然后振动。将振动鼓膜方程表示为具有零边界条件的波动方程随机游走模型股票市场的深度学习网络102u1102u分析[9]。作者开发了一种方法，从数据中提取特征，并研究了无监督特征提取，如玻尔兹曼机，自动编码器和PRIN-NR成分分析对韩国股市的影响。结果发现 具有三层的深度神经网络比自回归模型表现得更好。x2=c2×当量（2）有解u = f（x，t），可以写成u（x，t）假设u（x，t）=X（x）T（t）其中X（x）是x的函数，T（t）是t的函数设u=XT近年来，人们提出了一种用于股票市场预测的混合模型102u措辞Shipra，Khan和Mohammad Anwer[18]利用粗糙集模型，神经网络和混合神经网络在达卡证券交易所买卖股票。他们的研究结果表明，x=X′T和然后提出的模型比本文中使用的其他模型更有效。拉乌102uOussama和Mohamed[10]提出了一个分层深度神经网络，其中包含突尼斯证券交易所的75只股票，回报率为5分钟。他们的研究显示准确率为71%。Xt=XT′ 且λt2=XT′′（4）替代方程（3）和（4）的等式。（一）··D.O. Oyewola等人软计算快报3（2021）1000133C2（）下一页=-（）下一页FoFig. 1. 听觉系统X′′T=1XT′′（5）除以等式(5) 到XT，我们有X′′=1T ′′（六）、X c2 T我们假设Eq。（6）=φ，即φ> 0。 那么方程（6）成为X′′=1T′′=φ（7）X c2 T当量（7）可以按这种形式分离X′′= φ， 1T′′= φX c2 T图二. 锤骨、砧骨和镫骨X′′-Xφ=0和T′′-c2φT=0设φ=r2X′′-Xφ=0的辅助方程给出为：m2-r2=0m= ±rX=Ae+Be-（8）对于第二个方程T′′-c2φT =0设φ=r2T′′-c2φT=0的辅助方程为：m2-c2r2=0m= ±crT=Aecrt+Be-crt（9）u（xi，0）=ei+e-i其中i=1，2，3，X声波和噪声指数增长衰减从鼓膜的振动得到的结果被给定为u xi，0，然后将被传递到中耳，中耳由锤骨、砧骨和镫骨三块骨头组成。这三块骨头的示意图见图1。2图2由中耳的三块骨头组成。该图表示支点在中心的一级杠杆其中Fi是由声波振动施加的输入力，di是输入i处的声波的输入距离，给出为声波振动u xi，0。Fo是声波施加的输出力，do是声波的输出距离。图 1，Fig. 12，Fig. 8，Fig. 8.第八条。锤骨、砧骨和镫骨的第一类杠杆方程如下：Fi di=Fo do（11）di=u（xi，0），do=u（xo，0）我们假设u=XT替代方程(7)（8）u= XTu（xo，0）=u（xi，0）Fi（十二）u（x，t）=（Ae假设A=B=1，t=0，我们有u（x，0）=e+e-鼓膜振动的一般方程如下：D.O. Oyewola等人软计算快报3（2021）1000134OO的EQ。(12)是将声波振动传递到耳蜗的声波振动的输出距离。耳蜗是阿基米德螺旋的形式。阿基米德方程给出为：u（r，0）=u（x，0）a，其中a是常数。（13）用Eq. （12）到（13）我们有D.O. Oyewola等人软计算快报3（2021）1000135Fo（）下一页=J（∑=神经元，f（ui）的t0是激活函数，yj是输出值。u（ro，0）=u（xi，0）aFi（十四）表I石油和天然气部门在尼日利亚股市X变化（NSE）.然后听觉神经将声音传送到大脑，大脑将其变成我们能识别的声音。S/No.公司代号上市日期注册成立日期1.ANINO国际ANINO一月1981年6月3日4. 方法PLC.2.1990年第二次我们测试了所提出的听觉算法（AA）的性能首都石油公司CAPOIL无效日期8月29日19853.CONOIL PLC.CONOIL无效日期1970年6月30日五个股票市场从尼日利亚股票EX变化（NSE）获得对4.CAVERTON OFFSHORE CAVERTON 2008年2月2日所提出的算法与其他机器学习的性能支助小组5.2014年第六届我们考虑四种机器学习和两种连续时间模型：ETERNA PLC.ETERNA失效日期1989年1月13日6.日本石油&日本八月一九九四年六月二十九日• 逻辑回归（LR）：逻辑回归是一种用于海事服务PLC7.2005年第十届用一个因变量和一个或多个指标分析数据，尼日利亚石油公司MRS无效日期8月12日待定变量 LR测量类别之间的关系-8.OANDO PLC.OANDO2月1969逻辑因变量和一个或多个自变量通过使用逻辑函数估计概率[23，25]。它模拟了一个事件的概率LR方程给出为：9.RAK UNITY PET。COMP. PLC.10.SEPLAT石油开发有限公司月12第24届1992年1969年RAKUNITY无效日期12月20日1982SEPLAT失效日期2009年6月17日111.尼日利亚道达尔公司总计无效日期1月6日P（Ct=1）=1+e-（w×Ct+b）（15）12.11 PLC。MOBIL 1991年7月25日1956一九五一年十二月三十一日其中P（Ct1）被解释为因变量等于成功的概率，e表示指数函数，Ct是时间t的收盘价，w是权重，b是偏差支持向量机（SVM）：支持向量机是一种回归预测工具，它使用超平面来分离类，ses[2 6 - 28]. SVM中使用的核函数是指加权和的权重SVM方程给出为：W×Ct +b=0（16）其中W是权重向量，b是偏差前馈神经网络（FNN）：前馈神经网络由输入层、隐层和输出层组成。输入层负责接收数据，同时充当将输入层与输出层分离的中间层[29，30]。输出层给出发送到输入层的数据的结果。FFN被称为前馈神经网络，因为它能够从一层移动到其他层。它从输入层向前移动到隐藏层和输出层。FNN方程给出为：13.FORTE OIL FO失效日期1964RNN方程给出为：Yt=fn。西dydt+by）（ 18）其中dt=fn（Wcd Ct+Wdddt-1+bd），dt是t时刻的隐藏层，fn是激活函数，Wcd是隐藏层的输入，bd是输入层的偏置，Wdy是输出是输出层的偏置。随机微分方程（Stochastic Differential Equations，简称DVDs）：DVDs是一个方程，其中系数是独立变量的随机函数或随机过程[32]。该方程可用于各种现象，如股票价格或物理系统。该等式给出为：dCt=F（t，Ct）dt+G（t，Ct）dWt（ 19）其中，Ct为时刻t的收盘价，F为漂移率函数，G为扩散率函数，Wt为布朗运动或维纳过程。• 几何布朗运动（GBM）：GBM是一个随机过程，yj=f（u1）=fNi=1（17）其中变量遵循布朗运动。它有一个常数，称为漂移，波动率和维纳过程或布朗运动[33]。dCt=μCtdt+σCtdWt（ 20）式中，ni=f（ui）=f（∑Kwti Ct），其中i是i隐藏处的隐藏层递归神经网络（RNN）：RNN与前馈神经网络的不同之处在于它具有在网络中向前和向后传播的能力。RNN由允许信息从一个网络传递到下一个网络的所有循环组成。它拥有同一个网络的多个副本，并将信息传递给继承者[31]。····D.O. Oyewola等人软计算快报3（2021）1000136其中μ是时间t的收盘价均值或漂移率，σ是波动率，dWt是布朗运动。本文中使用的股票数据摘自尼日利亚股票交易所（NSE）。石油和天然气部门从中提取，包括尼日利亚独立前和独立后存在的股票表一是本文所选的在尼日利亚开始运营的于尼日利亚证券市场上市，注册成立日期为D.O. Oyewola等人软计算快报3（2021）1000137SMASMAFSMASMAF（）下一页FSMA（）下一页图三. 石油和天然气部门在尼日利亚股票EX的收盘价变化。包括.见图4。 听觉算法原理图。表一显示了石油和天然气行业的13只主要股票，ANINO，（elog（Ct-βγ）e-log（Ct-βγ））aFCAPOIL，CONOIL，CAVERTON，ETERNA，JAPAULOIL，MRS，OANDO，选择RAKUNITY、SEPLAT、TOTAL、MOBIL和FO来预测u（ro，0）=+i（22）O股票价格采用SIX选择模型和建议模型。我们考虑了2014年1月1日至12月31日的每日收盘价鼓膜的输入力Fi和输出力Fo用于平衡声波，而参数a用于控制暴露。2019年，三项技术指标。 时间序列图为十三log（Cβγ）选择的股票如图3所示。图3表明，SEPLAT和MOBIL油的评级高于TOTAL、FO和CONOIL。股票的基本增长率为e-log（Ct-βγ）t-SMA和指数衰减图图4是听 觉算 法的示意图它由声波（x1，x2，...，xn）组成在本文中，声音以eSMA .波浪是尼日利亚股票EX变化的石油和天然气部门，而n（aelog（Ct-βγ）ae log（Ct-βγ））F是所选五个股票市场的交易日收盘价。声波（x1，x2，... ， xn ） 通 过耳 道 进 入 鼓 膜 ， 使 用 等 式 （ 1 ） ：（ 10）然后到锤骨、砧骨和镫骨，如Eq.ys=1+ 2i（23）O(12) 为了平衡耳蜗是螺旋的形式，如图4所示，其利用等式4。(13)并且从大脑获得声波的电信号的输出。替代Eq. (10) 等式（十三）正在替换u ro，0 关于YS其中ys是声波的输出，Fi是股票的输入力，FO是股票的输出力，1参数控制股票的指数增长，2参数控制股票的指数增长。u（ro，0）=（e+e-）aFi（21）O股票的本质衰退技术指标不同的研究者采用了不同的方法来确定我们假设ω=logCt-βγ由于股票，取决于股票价格和产量，输入施加的力，a，r是单位值。其中Ct是股票在时间t的收盘价，β=max（Ct）+min（Ct），γ= 0。SMA是简单移动平均线。D.O. Oyewola等人软计算快报3（2021）1000138在股票市场上什么时候买入和卖出。在本文中，我们将使用四个技术指标：D.O. Oyewola等人软计算快报3（2021）1000139∑Upn∑=p∑1⃒p-pnCP-CPn=1表II石油和天然气行业的描述性统计描述性统计量最小1四分位数中值是说3四分位数最大标准偏差阿尼诺0.21000.24000.25000.24270.25000.25000.0142卡普伊尔0.20000.33000.50000.42990.50000.50000.1170卡弗顿0.64001.40302.25002.40103.00009.50001.3194CONOIL15.1523.000031.800032.9739.3075.7312.2336Eterna1.45002.75003.44503.63104.21507.26001.3284FO14.0038.670090.1600123.00209.00342.0095.31简体中文0.20000.39000.50000.44040.50000.97000.1264美孚111.7150.0165.0175.3180.0360.045.24夫人15.3028.3539.0339.4050.5470.0012.70Oando2.9704.9505.9909.62714.1533.476.8378RAKUNITY0.30000.31000.31000.38490.50000.50000.0870SEPLAT151.7345.0465.0469.9619.0785.0154.3总96.50152.0180.0190.6230.0345.049.30相对强弱指数（RSI）：RSI是金融市场中使用的一种动量，用于确定股票的价格变化在股票市场中是否超买或超卖[34]。RSI可以表示为：式中，Ct是当前时间t的收盘价，Ct-n是n期前简单移动平均线（SMA）：SMA是一个技术指标的平均收盘价在给定的时间段[36]。RSI100=100-1n+∑i=1D（二十四）SMA可以表示为：不i = 1W其中，Up是向上收盘价，Dw是向下收盘价SMA1Ctti=1（二十七）移动平均收敛发散（MACD）：MACD的发展是为了揭示股票价格的方向和势头。它有助于表明股票市场是向上还是向下[35]。MACD可以表示为：绩效评价使用以下方法评价5种选定贮备液的准确度试验A. 平均绝对误差（MAE）考虑一组实际收盘价Cp和预测值sCp。MAE如下：n1∑CC其中EMA是指数移动平均线·B. 均方根误差（RMSE）RMSE给出为：1n=1可以表示为：C. 均方误差（MSE）MSE表示为n=Ct-Ct-n（26）nnn=1（Cp- C）2表III所选技术指标的汇总统计股票技术指标RSI MACD指标最小中位数平均值最大最小中位数平均值最大最小中位数平均值最大抗氧化剂0.00 66.67 50.35 100.00-4.06 0.00-0.09 1.13-0.00 0. 00 0.00 0.00沪ICP备15004550号-1沪公网安备31010502000114号澳门金沙城中心娱乐场0.00 66.67 53.32 100.00-17.46 0.15 0.30 18.53-1.64-0.02 0.00 0.04CONOIL 0.00 100 57.49 100.00-15.49 0.61 0.41 8.64-13.44 0.00 0.07 13.46ETERNA 0.00 66.67 53.92 100.00-16.27 0.28 0.15 7.67-1.16 0.00 0.00 0.080.00 76.94 55.36 100.00-15.04 0.88 0.62 16.05-43.13 0.00 0.11 48.77日本0.00 66.67 55.80 100.00-15.21 0.00 0.45 17.22-0.16 0. 00 0.00 0.00手机：139000000013900000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000.00 100.00 64.04 100.00-8.81 0.19 0.61 7.05-8.61 0.00 0.06 8.30澳门金沙城中心0.00 66.67 56.35 100.00-12.48 1.11 0.75 11.78-5.91-0.15 0.03 5.96联系人：张经理13900000000SEPLAT 0.00 52.98 49.78 100.00-17.35 0.13-0.03 10.30-108.10-3.00-0.03 92.30电话：+86-510 - 8888888传真：+86-510 - 88888888···MACD=EMA12（Ct）-EMA26（Ct）n动量（Momentum）：动量是一个技术指标，用于比较给定时期内价格的变化[37]。D.O. Oyewola等人软计算快报3（2021）10001310n2019年12月17日星期一图五. 石油和天然气行业的二维双标图。D. 平均绝对标度误差（MASE）表IV石油和天然气部门的业绩分析股票模型性能RMSE MSE MAE MASEANINO LR 0.0128 0.0002 0.0091 8.01760.0135 0.0002 0.0063 5.57130.0121 0.0001 0.0078 6.89390.0120 0.0001 0.0080 7.14940.0933 0.0087 0.0822 72.76250.0402 0.0016 0.0320 28.30892019 - 06 - 25 0.0000 0.0041 3.6686CAPOIL LR 0.1157 0.0134 0.0982 64.7890.0151 0.0705 46.50820.1084 0.0118 0.0854 56.37750.0120 0.0873 57.63272009年12月31日2019 - 06 - 24 0.1416 93.45460.0000 0.0000 0.0026 1.7308卡佛顿LR 1.2177 1.4828 0.9131 6.7647电话：+86-0755 - 855555传真：+86-0755 - 85555551.0227 1.0460 0.8035 5.95282019年12月31日1.4114 10.4554电话：+86-510 - 8888888传真：+86-510 - 8888888MASE给出为CONOIL0.0006 0.0000 0.0005 0.0041比利时卢比11.6770 136.3536 9.1943 8.48031∑<$Cp-C<$p<$n-m个n=m+1电话：+86-510 - 8888888传真：+86-510 - 88888888FFN 11.3904 129.7425 9.0962 8.3899nn=11∑n<$Cp-C<$p<$RNN 19.6673 386.8063 15.9852 14.7439其中m是收盘价的季节周期，n是个交易日5. 实验结果表二显示了尼日利亚股票EX从2014年1月到2015年1月的每一个选定石油和天然气部门的汇总统计数据。Eterna电话：+86-21 - 8888888传真：+86-21 - 888888880.0000 0.0000 0.0000 0.00002019 - 06 - 25 00：00：001.1769 1.3852 0.8716 5.1558法国法郎1.1584 1.3420 0.8689 5.1394电话：+86-10 - 8888888传真：+86-10 - 888888882.1262 4.5208 1.8061 10.6827电话：+86-020 - 8888888传真：+86-020 - 88888880.0004 0.0000 0.0003 0.00192019年12月。每日平均值、中位数、第一四分位数、第三四分位数、中位数、最大值和标准差。与其他选定的股票相比，ANINO的每日平均值较小。与其他股票相比，ANINO的波动率也较小，为0.0142，表明股价波动缓慢，趋于稳定。SEPLAT具有最大值FO LR 95.1844 9060.0832 87.3436 13.6993支持向量机94.8192 8990.6860 68.4187 10.7310FFN 82.1877 6754.8252 68.7521 10.7833RNN 79.2008 6272.7772 65.3822 10.2548146.0618 21，334.0817 108.3942 17.0009粤ICP备16016888号-1第785章因为供求关系表III亦列出了RSI、MACD和MACD等选定技术指标的汇总统计数据。MACD，RSI在所有股票中有一个负的最小值，而RSI在所有股票中有一个最大值 图 5是本文所用的全部13只股票的石油和天然气部门的二维双图。双曲线图显示了主成分1和主成分2的向量的方向和长度。第一主成分中最大的正系数是MRS和OANDO，第一主成分中最小的负系数是CAVERTON和FO。在这一点上，从第二个主成分获得的正变量：TOTAL，MOBIL和RAKUNITY，它们比最小的负变量：ANINO和SEPLAT更可取。从本质上讲，道达尔、MOBIL和RAKUNITY是股价最高的股票之一每个机器学习的性能指标，深度学习和随机过程如表IV所示。在本文考虑的不同机器学习算法中，选择了逻辑回归（LR）和支持向量机（SVM），同时使用了两种深度学习。 使用的深度学习模型是前馈的，简体中文美孚夫人0.0000 0.0000 0.0000 0.00000.1174 0.0138 0.0915 8.37460.1153 0.0133 0.0655 5.99990.0973 0.0094 0.0609 5.57600.0610 5.58730.1086 0.29002019 - 06 - 26 0.1820 16.66170.0000 0.0000 0.0025 0.2368沪ICP备16006668号-1电话：+86-510 - 8888888传真：+86-510 - 8888888FFN 35.2272 1240.9616 22.9190 3.8617电话：+86-0828 - 8888888传真：+86-0828 - 8888888110.0848 12，118.6773 97.7899 16.477粤ICP备16016888号-10.0000 0.0000 0.0000 0.0000沪公网安备31010502000115号电话：+86-510 - 8888888传真：+86-510 - 888888812.0883 146.1272 10.3022 22.3537沪公网安备31011502000114号2019 - 06 - 26 10：00：0010.2553 105.1728 8.3612 18.14220.0000 0.0000 0.0000 0.0000网络（FFN）和递归神经网络（RNN）。本文所考虑的连续时间随机过程包括随机微分 方程（Ⅱ） 和 几何 布朗 运动（GBM）。考虑了四个性能测量：均方根误差（RMSE），均方误差（MSE），平均绝对误差（MAE）和OANDO LR 6.6260 43.9049 5.4341 9.0401支持向量机6.0903 37.0924 3.7815 6.2908FFN 5.5617 30.9332 4.2363 7.0474RNN 5.6185 31.5683 4.1731 6.9422GBM 9.8245 96.52106 6.3589 9.5786电话：+86-10 - 8555550传真：+86-10 - 85555555平均绝对标度误差（MASE）。表四是业绩计量结果汇总。结果表明，所提出的模型AA可以准确地预测所有选定的股票价格的股票价格运动。第二好的表现是深RAKUNITY0.0003 0.0000 0.0001 0.00020.0744 10.11570.0928 0.0086 0.0723 9.82300.0662 9.0024D.O. Oyewola等人软计算快报3（2021）10001311（接下页）D.O. Oyewola等人软计算快报3（2021）10001312表四（续）股票模型性能RMSE MSE MAE MASE0.0667 9.06972017年12月31日2019年12月31日准确执行实际价格。图 7，Fig. 9.第九条。 图 10个。AA算法的另一个重要优点是能够检测股票价格的指数衰减。图6是从AA获得的所有石油和天然气部门的指数衰减。这表明，股票价格越高，指数越低，SEPLAT总0.0000 0.0027 0.37142019 - 06 - 21 00：00：00电话：+86-510 - 8888888传真：+86-510 - 8888888FFN 144.6246 20，916.2923 123.1089 7.4336RNN 143.9400 20，718.7353 122.2034 7.3789GBM 219.0488 47，982.3857 152.3325 9.1982粤ICP备16048888号-10.0000 0.0000 0.0000 0.0000电话：+86-021 - 8888888传真：+86-021 - 8888888电话：+86-510 - 8888888传真：+86-510 - 88888888FFN 45.6891 2087.4962 38.1208 6.8764RNN 45.7364 2091.8216 38.2157 6.89352019 - 05 - 25 10：00：00电话：+86-524 - 6858股票的价格越低，股票价格的指数衰减越高。然而，指数衰减也表明了价格的稳定性，价格的上升趋势和下降趋势，如图6和表V所示。这可能为投资者提供了一个机会，以确定股票何时下跌或上涨。在本文中，我们使用Friedman检验（一种非参数统计检验）比较了LR、SVM、FFN、RNN、GBM、SVM和AA等所有七种算法的性能[23]。Friedman检验用于检测所有七种算法之间的显著差异。如果p值小于0.05，则意味着所有算法之间表六显示了卡方检验和从Friedman检验获得的p值在所有的13个股票价格0.0000 0.0000 0.0000 0.0000学习之后是机器学习。与其他随机过程相比，连续时间随机过程没有取得任何结果。这表明，在使用连续时间随机过程预测股票市场时需要考虑进一步的研究和研究，如Osei Antwi，2017所解释的那样。图6-11 是本文中所使用的所有算法的价格路径，它表明，石油和天然气部门与所有七种算法相比，p值小于0.005。这表明所有七种算法之间为了找出哪一对是不同的所有十三个石油和天然气部门在本文中使用。我们使用WilcoX on检验进行事后分析。我们通过将配对数量乘以从Friedman检验获得的p值来调整结果。由于我们有8个样本，这意味着我们有28个可能的对。ANINO、CAPOIL和JAPAUL油检验的p值均为图六、 ANINO Oil、CAPOIL Oil、LR、SVM、FFN、RNN、GBM、AA股票价格预测图7.第一次会议。 CAVERTON石油、CONOIL石油股票价格预测的LR、SVM、FFN、RNN、GBM和AA。D.O. Oyewola等人软计算快报3（2021）10001313图8.第八条。 ETERNA石油，FO石油股票价格预测的LR，SVM，FFN，RNN，GBM和AA。图8.第八条。 JAPAUL石油、MOBIL石油股票价格预测的LR、SVM、FFN、RNN、SVM、GBM和AA。图9.第九条。 MRS石油、OANDO石油股票价格预测的LR、SVM、FFN、RNN、SVM、GBM和AA。D.O. Oyewola等人软计算快报3（2021）10001310图10个。 RAKUNITY石油，SEPLAT石油股票价格预测的LR，SVM，FFN，RNN，GBM和AA。图十一岁LR 、SVM、FFN、RNN、SVM、GBM和AA的石油总股价预测。图12个。尼日利亚石油和天然气部门的 衰 退 。D.O. Oyewola等人软计算快报3（2021）10001311=表V石油和天然气行业的指数衰减贮备液最小均值方差ANINO 4.0000 4.1400 0.08002.0000 2.6200 1.14000.0000 0.5100 0.0900石油和天然气0.0000 0.3140 0.01420.0000 0.0189 0.00001.0417 2.5820 1.24130.0028 0.0060 0.00002009年12月31日2009年12月31日2.0000 2.7263 0.32360.0000 0.0023 0.0000共计0.0000 0.0056 0.0000表VI检测LR、SVM、FFN、RNN、GBM、RNN和AA差异的Friedman检验结果。库存卡方（χ2）p值ANINO 5144.202.2 ×10-16CAPOIL 4901.902.2 ×10-16CAVERTON 3203.102.2 ×10-16CONOIL 5395.902.2 ×10-16ETERNA 3720.502.2 ×10-16FO 4409.402.2 ×10-16日本4029.602.2 ×10-16MOBIL 4222.102.2 ×10-16MRS 3639.302.2 ×10-16OANDO 4431.002.2 ×10-16RAKUNITY 4086.302.2 ×10-16SEPLAT 2621.902.2 ×10-16总计4141.902.2 ×10-16表VII使用WilcoX检验的事后分析结果。库存模型p值ANINO LR1.61 ×10-88SVM1.73 ×10- 56FFN1.22 ×10-117RNN3.78 ×10-86GBM 0.00粤ICP备16011770号-1AA4.29 ×10-160CAPOIL LR1.57 ×10-101SVM1.07 ×10-95FFN1.09 ×10-104RNN8.17 ×10-105GBM 0.00粤ICP备16018888号-1AA4.60 ×10-146CAVERTON LR8.51 ×10- 7