Hybrid deep learning approach for financial time series classification

Autores

  • Carlos A. S. Assis
  • Eduardo J. Machado
  • Adriano C. M. Pereira
  • Eduardo G. Carrano

DOI:

https://doi.org/10.5335/rbca.v10i2.7904

Palavras-chave:

Restricted Boltzmann Machines, Machine Learning, Stock Market

Resumo

This paper proposes a combined approach of two machine learning techniques for financial time series classification. Boltzmann Restricted Machines (RBM) were used as the latent features extractor and Support Vector Machines (SVM) as the classifier. Tests were performed with real data of five assets from Brazilian Stock Market. The results of the combined RBM + SVM techniques showed better performance when compared to the isolated SVM, which suggests that the proposed approach can be suitable for the considered application.

Downloads

Não há dados estatísticos.

Downloads

Publicado

17-07-2018

Como Citar

[1]
Assis, C.A.S., Machado, E.J., Pereira, A.C.M. e Carrano, E.G. 2018. Hybrid deep learning approach for financial time series classification. Revista Brasileira de Computação Aplicada. 10, 2 (jul. 2018), 54-63. DOI:https://doi.org/10.5335/rbca.v10i2.7904.

Edição

v. 10 n. 2 (2018)

Seção

Artigo Original

Licença

Licença Creative Commons
Todos os artigos estão licenciados com a licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional. Autores que publicam nesta revista concordam com os seguintes termos:
a) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
b) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
c) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).