مدل جدید بازیابی اطلاعات بر اساس سند فازی به منظور پیش بینی
چکیده
سیستم های بازیابی اطلاعات عموما به منظور یافتن اسنادی به کار برده می شوند که به صورت بسیار مناسب از سوی کاربران به صورتی پویا به وجود می آیند. در این مقاله یک مدل جدید بازیابی اطلاعات بر اساس سند فازی (FDIRM ), به منظور دستیابی به هدف پیش بینی شاخص بازار سهام پیشنهاد شده است. نوآوری مربوط به روش پیشنهادی یک طرح نمره دهی اصلاح شده ی tf-idf برای پیش بینی روند آینده ی مربوط به شاخص بورس سهام به کار برده می شود. سهم این مقاله در رابطه با این قضیه از دو جهت قابل بررسی است: 1) در سیستم پیشنهادی , سری زمانی ساده به سری زمانی منطقی فازی غنی شده به همراه یک رویکرد منحصر به فرد از ترکیب احساسات مرتبط با اطلاعات با در نظر گرفتن قیمت تبدیل می شود. 2) یک روش منحصر به فرد زمانی دنبال می شود که با استفاده از مدل سازی سیستم بازیابی اطلاعات ( IR ) یک سیستم ساده ی IR را به سیستم پیش بینی کننده تبدیل می نماید. همچنین مقا یسه ی کارایی FDIRM به همراه مدل استاندارد معیار صورت می پذیرد.مدل استاندارد معیار به اثبات این قضیه می پردازد که وجود مدل پیشنهادی به منظور تبدیل شدن به یک مدل پیشنهادی خوب ضروری است. داده های بازار سرمایه به وسیله ی شاخص نزولی استاندارد و فقیر 50 (شاخص 50- CNX NIFTY ) بورس اوراق بهادار ملی هندوستان (NSE ) فراهم گشته است که برای آزمایش و تعیین اعتبار مدل پیشنهادی به کار برده می شوند. داده ی معتبر به منظور اعتبار سنجی و آزمایش از طریق سایت gttp://www.nseindia.com که یک وب سایت رسمی مربوط به NSE می باشد به دست می آید. یک برنامه ی جاوا به منظور اجرای مدل در زمان واقعی به همراه رابط کاربری گرافیکی ساخته می شود.
1. مقدمه
پیش گویی و پیش بینی هر دو هم هنر است و از طرف دیگر علم فرایند و خروجی مربوط به پیش بینی دوره هاست که از مدت ها پیش مورد بررسی بوده و هنوز نیز در همان دوره ی اولیه باقی مانده است.ما قادر هستیم تا راه های متعددی را برای مدل سازی یک پدیده را به کار گرفته و به پیش بینی نتایج حاصل از آن بپردازیم. اما یک مدل کلی به منظور مدل ساختن هر پدیده ای وجود ندارد.مدل سازی سیستم های خطی نسبت به سیستم های داینامیکی نسبتا ساده تر است. بازار های سرمایه پر هرج و مرج بوده و سیستم های پویا هم به صورت هم زمان و هم به صورت احساسی به کار برده میشوند. سری زمانی از طریق داده ی بازار سرمایه تولید می شود که تنها می تواند به ارائه ی هزینه های مربوز به سری داده های مالی بپردازد , اما قادر به ارائه ی احساسات عمومی بازیگران بازار که در بازار های سهامشان به تجارت و سرمایه گذاری می پردازند , نیستند. از این رو , در مدل سازی داده های بازار سرمایه یکی از سخت ترین موارد این است که نه تنها داده ها را باید مورد استفاده قرار گیرند , بلکه بایستی به بازار نیز عرضه گردند.
Abstract
Information retrieval systems are generally used to find documents that are most appropriate according to some query that comes dynamically from users. In this paper a novel Fuzzy Document based Information Retrieval Model (FDIRM) is proposed for the purpose of Stock Market Index forecasting. The novelty of proposed approach is a modified tf-idf scoring scheme to predict the future trend of the stock market index. The contribution of this paper has two dimensions, 1) In the proposed system the simple time series is converted to an enriched fuzzy linguistic time series with a unique approach of incorporating market sentiment related information along with the price and 2) A unique approach is followed while modeling the information retrieval (IR) system which converts a simple IR system into a forecasting system. From the performance comparison of FDIRM with standard benchmark models it can be affirmed that the proposed model has a potential of becoming a good forecasting model. The stock market data provided by Standard & Poor’s CRISIL NSE Index 50 (CNX NIFTY-50 index) of National Stock Exchange of India (NSE) is used to experiment and validate the proposed model. The authentic data for validation and experimentation is obtained from http://www.nseindia.com which is the official website of NSE. A java program is under construction to implement the model in real-time with graphical users’ interface.
چکیده
1. مقدمه
1-1- تئوری مربوط به شمع ژاپنی
2-1- در رابطه با تئوری منطق فازی
3-1- طرح tf- idf
2. بازبینی زمینه ای و ادبی
3. طراحی جستجو
4.متد
4.1. فرایند فازی سازی
4.2. بازیابی اطلاعات با استفاده از طرح رتبه بندی اصلاح شده tf-idf
4.3. پیش بینی با استفاده از طرح رتبه بندی اصلاح شده tf-idf
5. نتایج و بحث
6.نتیجه گیری
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه