CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

An Agent-based Method for Predicting Monthly Maximum & Minimum Quote Prices

اعتبار موردنیاز: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۲۱۴۰ | نظرات: ۰
سال انتشار: ۱۳۸۶
کد COI مقاله: IDMC01_017
زبان مقاله: انگلیسی
فایل PDF حاوی متن کامل این مقاله در حال حاضر در سایت موجود نمی‌باشد.

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله منتشر نشده و درپایگاه سیویلیکا موجود نمی باشد.

منبع مقالات سیویلیکا دبیرخانه کنفرانسها است. برخی از دبیرخانه ها اقدام به انتشار اصل مقاله نمی نمایند. به منظور تکمیل بانک مقالات موجود، چکیده این مقالات در سایت درج می شوند ولی به دلیل عدم انتشار اصل مقاله، امکان ارائه آن وجود ندارد.

خرید و دانلود PDF مقاله

اصل مقاله (فول تکست) فوق منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد

مشخصات نویسندگان مقاله An Agent-based Method for Predicting Monthly Maximum & Minimum Quote Prices

  Helga Mazyar - Department of Electrical and Computer Engineering, Isfahan University of Technology Isfahan Mathematics House, Isfahan, Iran
  Kaveh Mahdaviani - Department of Electrical and Computer Engineering, Isfahan University of Technology Isfahan Mathematics House, Isfahan, Iran
  Saeed Majidi - Department of Electrical and Computer Engineering, Isfahan University of Technology Isfahan Mathematics House, Isfahan, Iran
  Mohammad Saraee - Department of Electrical and Computer Engineering, Isfahan University of Technology Isfahan Mathematics House, Isfahan, Iran

چکیده مقاله:

In this paper a multi agent model for predicting monthly maximum and minimum quote prices has been proposed. This model is based on the training of Elman neural networks and using particle swarm optimization for obtaining the best parameters of the neural networks. Also one method for reducing the effects of overfitting problem is suggested. This method averages the outputs of an ensemble network, given noisy data as inout, to predict the final results.. Finally the results of using this model on a sample data set are presented and the effectiveness of this model is illustrated.

کلیدواژه‌ها:

stock prediction, recurrent neural network, Particle Swarm Optimization, ensemble averaging

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-IDMC01-IDMC01_017.html
کد COI مقاله: IDMC01_017

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Mazyar, Helga; Kaveh Mahdaviani; Saeed Majidi & Mohammad Saraee, ۱۳۸۶, An Agent-based Method for Predicting Monthly Maximum & Minimum Quote Prices, اولین کنفرانس داده کاوی ایران, تهران, دانشگاه صنعتی امیرکبیر, موسسه پژوهشی داده پردازان گیتا, https://www.civilica.com/Paper-IDMC01-IDMC01_017.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Mazyar, Helga; Kaveh Mahdaviani; Saeed Majidi & Mohammad Saraee, ۱۳۸۶)
برای بار دوم به بعد: (Mazyar; Mahdaviani; Majidi & Saraee, ۱۳۸۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز:
تعداد مقالات: ۲۰۲۶۸
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.