Selection of importance indicators for machine learning models in forex trading area
TNU Journal of Science and Technology
226(07): 160 - 165
SELECTION OF IMPORTANCE INDICATORS FOR MACHINE LEARNING
MODELS IN FOREX TRADING AREA
Mai Van Hoan*, Dao Tran Chung, Vu Van Dien
TNU - University of Information and Communication Technology
ARTICLE INFO
Received: 22/4/2021
Revised: 21/5/2021
Published: 24/5/2021
ABSTRACT
How to choose the best input variable for use in machine learning is
the big question. In real life, the selection of indicators will help
improve the results of forex market trend prediction, stock market
based on machine learning models is always a topic of great interest
to many scientists and investors. In this article, we focus on solving
the problem of how to select the best indicators based on Random
Uniform Forest. Our method consists of 3 steps: First, We collect data
including indices commonly used in the forex sector; second, the data
is standardized and labeled; finally, We use Random Uniform Forests
to select indicators that are beneficial for prediction. Through the
method done, In 17 common indicators in our interested domain, we
found out 5 indicators (vol, cci, adx, ar and chv) are most important.
We can explain why those indicators is beneficial for machine
learning models, improving the model's performance, computation
speed and reduced number of data dimensions.
KEYWORDS
Feature Selection
Machine Learning
Dimension reduction
Forex market
Random Uniform Forests
LỰA CHỌN CÁC CHỈ SỐ QUAN TRỌNG CHO MÔ HÌNH HỌC MÁY
ỨNG DỤNG TRONG GIAO DỊCH NGOẠI HỐI
Mai Văn Hoàn*, Đào Trần Chung, Vũ Văn Diện
Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
THÔNG TIN BÀI BÁO
Ngày nhận bài: 22/4/2021
Ngày hoàn thiện: 21/5/2021
Ngày đăng: 24/5/2021
TÓM TẮT
Lựa chọn các thuộc tính tốt cho các mô hình học máy cũng tương tự
như việc lựa chọn các chỉ số tối ưu sẽ giúp ích cho việc nâng cao kết
quả dự đoán xu hướng của thị trường ngoại hối, chứng khoán dựa
trên các mô hình học máy luôn được các nhà đầu tư quan tâm. Trong
bài báo này tập trung nghiên cứu giải quyết bài toán bằng cách nào
có thể chọn lựa ra được những thuộc tính tốt nhất trong rất nhiều các
thuộc tính ban đầu để phục vụ việc giảm chiều dữ liệu nâng cao tốc
độ huấn luyện cho mô hình học máy. Phương pháp nhóm tác giả thực
hiện gồm 3 bước chính: đầu tiên thu thập dữ liệu liên quan bao gồm
các chỉ số được sử dụng phổ biến trong lĩnh vực ngoại hối; tiếp theo,
dữ liệu được chuẩn hóa và gán nhãn; sau cùng, sử dụng thuật toán
Random Uniform Forests với các thông tin về độ quan trọng của các
thuộc tính để lựa chọn ra những chỉ số có lợi cho việc dự đoán. Kết
quả nghiên cứu đã chỉ ra, trong 17 chỉ số thông dụng trong lĩnh vực
nhóm đang quan tâm thì 05 chỉ số (vol, cci, adx, ar và chv) có ảnh
hưởng nhất đến kết quả phân lớp dữ liệu có lợi cho mô hình học máy,
cải thiện hiệu năng và tốc độ tính toán của các mô hình do số chiều
dữ liệu được giảm xuống.
TỪ KHÓA
Lựa chọn thuộc tính
Học máy
Giảm chiều dữ liệu
Ngoại hối
Random Uniform Forests
160
TNU Journal of Science and Technology
226(07): 160 - 165
1. Giới thiệu
Trong vài năm trở lại đây, thị trường chứng khoán, ngoại hối nhận được sự quan tâm lớn của
các nhà đầu tư. Đây là thị trường kỳ vọng mang lại lợi nhuận lớn cho các nhà đầu tư và cũng là
thị trường có độ rủi ro rất cao và khó lường. Các nhà khoa học và các chuyên gia phân tích dữ
liệu cũng không ngừng nghiên cứu nhằm áp dụng những kiến thức mới nổi về khai phá dữ liệu,
xử lý dữ liệu lớn, các mô hình học máy, trí tuệ nhân tạo,... nhằm giải quyết các vấn đề đang được
quan tâm của các nhà đầu tư. Một bài toán đang nhận được rất nhiều sự quan tâm là: Hàng ngày
mỗi khi cần ra một quyết định mua, bán hay giữ một mã cổ phiếu, một cặp tiền tệ, các nhà đầu tư
thường dựa vào một danh sách lớn các chỉ số thị trường và phân tích chúng. Câu hỏi đặt ra với họ
là: trong các chỉ số này chỉ số nào thực sự có ý nghĩa và quan trọng trong việc ra quyết định của
mình. Nhóm tác giả nhận thấy, việc lựa chọn các chỉ số có ý nghĩa trên cũng tương đồng với việc
lựa chọn các thuộc tính đặc trưng của dữ liệu trong các mô hình máy học. Việc lựa chọn đúng các
đặc trưng quan trọng sẽ giúp cho các mô hình học máy có kết quả chính xác hơn, giảm thời gian
huấn luyện, giảm độ phức tạp của dữ liệu. Chính vì những lý do trên, nhóm nghiên cứu quyết
định sử dụng việc lựa chọn các đặc trưng cho các mô hình máy học áp dụng cho việc chọn các
chỉ số quan trọng nhằm giải quyết vấn đề chọn các chỉ số quan trọng trong lĩnh vực chứng khoán,
ngoại hối. Trong phần này, nhóm tác giả giới thiệu sơ lược về thị trường ngoại hối, khai phá dữ
liệu, lựa chọn thuộc tính và thuật toán Random Uniform Forests cùng các đặc trưng để giải quyết
bài toán đặt ra.
Thị trường ngoại hối (Foreign Curency Exchange market – FOREX) là thị trường trao đổi tiền
tệ với sự tham gia của trên 4.600 ngân hàng quốc tế và hàng triệu tổ chức, cá nhân nhỏ lẻ trên
toàn thế giới [1]. Hàng ngày có đến trên 1,9 nghìn tỷ dollar giao dịch được ghi nhận vào năm
2016. Giao dịch cơ bản trong thị trường này là các giao dịch trao đổi ngoại tệ - mua một đồng
này và bán một đồng khác. Lúc này, giá trị của một đồng tiền tệ được định giá thông qua việc so
sánh với một đồng ngoại tệ khác thông qua tỉ giá. Một vài đồng ngoại tệ lớn trong thị trường
gồm: EUR (euro), USD (United States dollar), JPY (Japanese yen), GBP (British pound),... Các
đồng tiền tệ này sẽ được giao dịch thành các cặp như: EUR/USD, GBP/USD,... các nhà đầu tư sẽ
quyết định mua hay bán một cặp tiền tệ nào đó với kỳ vọng sẽ mang về khoản lợi nhuận chênh
lệch. Có hai trường phái cơ bản trong việc phân tích để đưa ra quyết định mua, bán hay giữ các
cặp tiền tệ là phân tích kỹ thuật và phân tích cơ bản. Trong phần này, chúng tôi quan tâm đến
phân tích kỹ thuật, đây là mô hình phân tích dựa trên các chỉ số và được xây dựng trên cơ sở
những hiểu biết về giá nhằm giúp các nhà đầu tư đưa ra các quyết định. Các chỉ số được sử dụng
phổ biến gồm: SAR, Bollinger Bands, MACD, Stochastic, RSI, MA, ADX,... Rất nhiều các chỉ
số được giới thiệu, việc lựa chọn các chỉ số thích hợp cho việc phân tích của mình sẽ ảnh hưởng
trực tiếp đến quyết định của các nhà đầu tư và lợi nhuận của họ. Chúng tôi nhận định rằng, việc
lựa chọn các chỉ số này cũng tương tự như việc lựa chọn các thuộc tính đặc trưng quan trọng
trong các mô hình học máy và kỳ vọng sẽ giúp giải quyết được vấn đề các nhà đầu tư đang gặp
phải là làm sao chọn đúng những chỉ số quan trọng. Thông thường việc lựa chọn, kết hợp các chỉ
số để đưa gia các quyết định giao dịch được thực hiện thủ công dựa trên kinh nghiệm của các nhà
đầu tư. Những thông tin này thường là bí mật kinh doanh do vậy rất ít khi được công bố. Do vậy
nhóm nghiên cứu cố gắng chỉ ra cách lựa chọn được những chỉ số có ảnh hưởng lớn đến kết quả
đầu tư dựa trên đánh giá trực quan của mô hình máy học. Từ đó chứng minh việc chỉ ra các chỉ số
tốt là dựa trên cơ sở khoa học không còn dựa trên cảm tính và kinh nghiệm cá nhân.
Như chúng ta đã biết các mô hình học máy là một phần của việc khai phá dữ liệu và phát hiện
tri thức từ các tập dữ liệu lớn [2]. Việc khai phá tri thức từ dữ liệu lớn luôn gặp phải những khó
khăn như: dữ liệu lớn thường được biết tới với hai vấn đề, đó là lớn về mặt số lượng dữ liệu và
lớn về mặt số chiều dữ liệu [3]. Trong đó, số chiều dữ liệu được quan tâm hơn cả vì nó ảnh
hưởng trực tiếp đến tốc độ huấn luyện và kết quả của các mô hình học máy. Do đó, việc giảm
chiều dữ liệu thực sự nhận được rất nhiều sự quan tâm của cộng đồng nghiên cứu khoa học. Giảm
161
TNU Journal of Science and Technology
226(07): 160 - 165
chiều dữ liệu có thể được thực hiện thông qua việc lựa chọn các thuộc tính hữu ích [4]. Việc lựa
chọn thuộc tính được thực hiện bằng cách chọn ra một tập con thuộc tính từ các thuộc tính ban
đầu sao cho kết quả của mô hình học máy xấp xỉ với tập thuộc tính ban đầu nhưng có tốc độ học
nhanh hơn, tốn ít chi phí hơn. Thuật toán đánh giá vai trò của các thuộc tính được sử dụng phổ
biến là Random Uniform Forests.
Random Uniform Forests (RUF) là thuật toán học có giám sát, có thể được sử dụng cho cả
phân lớp và hồi quy [5]. RUF tạo ra cây quyết định trên các mẫu dữ liệu được chọn ngẫu nhiên,
được dự đoán từ mỗi cây và chọn giải pháp tốt nhất bằng cách bỏ phiếu. Nó cũng cung cấp một
chỉ báo khá tốt về tầm quan trọng của tính năng.
{(
)
Trong bài toán phân lớp nhị phân, giả sử chúng ta có tập huấn luyện 퐷푛 = 푋푖, 푌 , 1 ≤ ꢀ ≤
푖
}
{
}
ꢂ với 푌 ∈ 0,1 , ta có cây quyết định dữ liệu thuộc về một nhãn lớp nào đó được viết như sau:
푛
푛
1, ꢂế푢 ∑ 퐼{
> ∑ 퐼{
} , 푥 ∈ 퐴
푋 ∈퐴,푌 =0
}
푋 ∈,푌 =1
푖
푖
푖
푖
(
)
( )
ꢁ푝 푥, 퐴, 퐷푛 = ꢁ푝 푥 = {
푖=1
푖=1
0,
푡푟표ꢂꢁ 푐á푐 푡푟ườꢂꢁ ℎợ푝 푘ℎá푐
Ngoài ra, RUF cũng cung cấp cho chúng ta các thông tin liên quan đến tầm quan trọng của các
thuộc tính trong tập dữ liệu huấn luyện, các thông tin bao gồm:
- Biến quan trọng toàn cục: Mức độ quan trọng của biến được đo lường trên tất cả các nút và
tất cả các cây, dẫn đến tất cả các biến đều có một giá trị, vì các điểm cắt là ngẫu nhiên. Do đó, mỗi
biến có cơ hội được chọn như nhau nhưng nó sẽ chỉ có tầm quan trọng nếu nó là biến làm giảm
nhiều nhất entropy tại mỗi nút. Mức độ quan trọng của biến toàn cục tạo ra các biến làm giảm sai số
dự đoán nhiều nhất nhưng nó không cho chúng ta biết gì về cách một biến quan trọng ảnh hưởng
đến các phản hồi. Do vậy, RUF cung cấp cho chúng ta thông tin về độ quan trọng toàn cục của các
biến, nó chỉ ra những biến quan trọng ảnh hưởng trực tiếp đến lỗi của mô hình dự đoán.
- Biến quan trọng cục bộ: Thể hiện mức độ quan trọng của mỗi biến tới kết quả dự đoán tại
mỗi nhánh.
- Biến quan trọng từng phần: Thể hiện độ quan trọng của các biến tới từng lớp dữ liệu.
Việc sử dụng các điểm cắt ngẫu nhiên giúp cho RUF giảm tình trạng Overfitting, tạo được độ
lệch thấp, phương sai thấp. Việc sử dụng thuật toán RUF với các thông tin về biến quan trọng
toàn cục, quan trọng cục bộ, quan trọng từng phần sẽ giúp chúng ta thuận tiện trong việc chỉ ra
những thuộc tính nào được cho là quan trọng và ảnh hưởng trực tiếp đến kết quả của các mô hình
dự đoán.
Chọn lựa thuộc tính là một quá trình để tìm ra một tập con tốt nhất các thuộc tính theo một số
tiêu chí nào đó. Việc lựa chọn các thuộc tính quan trọng dựa trên RUF giúp chúng ta có thể giải
quyết được bài toán đặt ra ban đầu nhanh chóng và hiệu quả.
2. Phương pháp nghiên cứu
Để thực hiện tìm ra những chỉ số quan trọng ảnh hưởng đến chất lượng của một số mô hình
học máy, cụ thể trong trường hợp cần nghiên cứu là phân loại dữ liệu. Phương pháp của nhóm
thực hiện qua một số bước sau:
2.1. Thu thập dữ liệu và chuẩn hóa dữ liệu
Việc thu thập dữ liệu được thực hiện thông qua phần mềm MT4, dữ liệu thu thập gồm các
thông tin về giá của các cặp ngoại tệ phổ biến, trên các khung thời gian khác nhau trong một
khoảng thời gian cụ thể đủ lớn. Dữ liệu thô thu thập gồm các thông tin như giá mở cửa (Open),
đóng cửa (Close), giá cao nhất trong phiên (High), giá thấp nhất trong phiên (Close).
2.2. Chuyển đổi dữ liệu
Dữ liệu sau khi thu thập sẽ được tiến hành làm sạch, loại bỏ các điểm thiếu dữ liệu. Từ dữ liệu
thô ban đầu sẽ được sử dụng để xây dựng các chỉ số thường được các nhà đầu tư sử dụng để phân
tích nhằm đưa ra các quyết định như: ADX, ATR, CCI, MACD, RSI,...
162
TNU Journal of Science and Technology
226(07): 160 - 165
2.3. Đánh nhãn dữ liệu
Việc chúng ta dựa vào các chỉ số để thực hiện việc phân tích và đưa ra quyết định mua hoặc
bán một cặp tiền tệ cũng tương tự việc phân loại thị trường thành hai loại: 1 tương ứng với quyết
định mua và kỳ vọng thị trường đi lên; -1 với quyết định bán và kỳ vọng thị trường đi xuống.
Như vậy, mô hình học máy của chúng ta định sử dụng là phân lớp với 2 nhãn lớp. Việc đánh
nhãn lớp có thể thực hiện theo nhiều cách khác nhau. Cách đơn giản nhất chúng ta có thể sử dụng
kỹ thuật One Step a Head, tức là dữ liệu phần nhãn của ngày hôm trước sẽ được đánh nhãn bằng
kết quả thực tế của ngày hôm sau. Ví dụ, nhãn lớp của ngày hôm qua sẽ được gán nhãn là 1 nếu
giá đóng cửa của phiên giao dịch ngày hôm nay cao hơn giá mở cửa và nhãn là -1 nếu giá đóng
cửa của ngày hôm nay thấp hơn giá mở cửa của ngày hôm nay. Hoặc chúng ta sẽ sử dụng chỉ số
Zigzag để đánh nhãn cho các lớp tương ứng, kỹ thuật này sẽ giúp ta đánh giá được nhãn lớp theo
tính chu kỳ của dữ liệu. Tóm lại, chúng ta sẽ có 2 nhãn dữ liệu là -1 và 1 để phục vụ bài toán lựa
chọn những thuộc tính quan trọng đối với bài toán phân lớp dữ liệu.
2.4. Đánh giá và đưa ra các chỉ số quan trọng
Dựa trên các các thông tin thu được trong quá trình học mô hình phân lớp dựa trên Random
Uniform Forests, đặc biệt các thông tin liên quan đến thuộc tính quan trọng toàn cục, thuộc tính
quan trọng cục bộ và thuộc tính quan trọng thành phần sẽ giúp chúng ta lựa chọn ra các chỉ số
quan trọng ảnh hưởng đến mô hình phân lớp, những thuộc tính nào ảnh hưởng đến các lớp như
thế nào.
Thông qua 5 bước trên sẽ giúp chúng ta giải quyết được bài toán đã đặt ra ban đầu là bằng
cách nào có thể chọn lựa ra các thuộc tính có ảnh hưởng thực sự đến quyết định của các nhà đầu
tư và giúp giảm bớt chiều dữ liệu từ đó giúp cho chúng ta có thể tăng tốc độ học và chất lượng
của các mô hình học máy.
3. Kết quả
3.1. Dữ liệu gốc
Bảng 1. Thông tin dữ liệu
Min,
0,007527
7,207
-70,37
-100
1st Qu,
10,18
16,22
-4,556
-50
0,00016
0,000348
-84,85
-0,3113
-28,06
-0,03687
-0,02604
40,4
0,2782
-0,04513
-25,96
Median
21,64
22,45
12,14
0
0,00035
0,000446
6,332
-0,01492
1,669
0,002712
0,000525
50,53
0,5225
0,00233
2,755
Mean
24,73
24,65
10,09
1,048
0,00047
0,00047
2,624
0,1006
2,378
0,000936
0,000114
50,94
0,5186
3,50E-07
3,482
3rd Qu
36,96
31,24
27,49
56,25
0,00064
0,000569
88,79
0,4292
31,28
0,03982
0,02722
61,57
0,7609
0,04829
34,31
Max,
80,91
56,44
65,62
100
0,0048
0,00126
408,8
2,732
96,28
0,1935
0,1792
87,28
0,9736
0,36
NA's
16
31
16
16
1
16
15
31
16
33
34
16
19
17
25
33
16
DX
ADX
oscDX
ar
tr
atr
0
0,000141
-417,9
-0,6307
-98,39
-0,156
-0,2014
11,55
0,03721
-0,4095
-75,55
-72,27
0,002066
cci
chv
cmo
sign
vsig
rsi
slowD
oscK
SMI
signal
vol
80,05
76,99
0,01432
-23,34
0,004582
2,718
0,006125
3,412
0,006313
31,09
0,007671
Chúng tôi sử dụng dữ liệu gồm 5.000 bản ghi (gồm giá mở cửa (Open), giá cao nhất (High),
giá thấp nhất (Low) và giá đóng cửa (Close)) của cặp ngoại tệ EUR/USD tại khung thời gian
M30 để phục vụ quá trình nghiên cứu.
163
TNU Journal of Science and Technology
226(07): 160 - 165
Thông tin tổng hợp về dữ liệu các chỉ số được thể hiện ở bảng 1, bao gồm 17 chỉ số thông
dụng trong lĩnh vực ngoại hối.
Dữ liệu phân loại gồm 2.438 có nhãn -1 (tương ứng với trạng thái thị trường đi xuống) và
2.526 nhãn 1 (tương ứng với thị trường đi lên).
3.2. Công cụ sử dụng
Việc thu thập dữ liệu được thực hiện trên phần mềm MT4. Xử lý và chuẩn hóa dữ liệu thực
hiện trên R và thư viện randomUniformForest để thực thi mô hình phân lớp dữ liệu sử dụng thuật
toán Random Uniform Forests.
3.3. Lựa chọn các thuộc tính quan trọng
Để lựa chọn ra những thuộc tính quan trọng, có ảnh hưởng đến chất lượng phân lớp của mô
hình phân lớp dữ liệu bằng cách: đầu tiên, sử dụng thuật toán Random Uniform Forests và lấy ra
các thông tin liên quan đến các biến quan trọng toàn cục, biến quan trọng cục bộ và quan trọng
thành phần. Tiếp theo, chúng tôi tìm hiểu cách các biến ảnh hưởng đến chỉ số lỗi của mô hình,
xem xét mối quan hệ giữa các chỉ số. Cuối cùng, chúng tôi có được khi nào và làm thế nào biến
có thể/ quan trọng bằng cách xem xét thông qua các tập dữ liệu training và test.
3.3.1. Các chỉ số quan trọng toàn cục
Chỉ số quan trọng toàn cục cho phép ta giảm tối đa lỗi dự đoán. Cụ thể nó cho chúng ta biết
chỉ số nào có ảnh hưởng mạnh hơn đến việc phân lớp dữ liệu. Việc này được thực hiện bởi thuật
toán Random Uniform Forests trong trình cắt tỉa ngẫu nhiên cây quyết định giúp tạo ra cơ hội ảnh
hưởng của các chỉ số là như nhau lên kết quả phân loại. Hình 1 cho chúng ta thấy danh sách 10
chỉ số có ảnh hưởng toàn cục.
Hình 1. Danh sách 10 chỉ số có ảnh hưởng toàn cục Hình 2. Độ quan trọng của mỗi chỉ số trong mỗi lớp
3.3.2. Tầm quan trọng của các chỉ số với các lớp
Các biến quan trọng cục bộ có vai trò chỉ ra ảnh hưởng của mình trong mỗi lớp. Hình 2 cho ta
thấy được độ quan trọng của các chỉ số trong mỗi lớp.
3.3.3. Các chỉ số quan trọng của mỗi lớp
Việc tìm kiếm các chỉ số quan trọng toàn cục, quan trọng cục bộ và quan trọng từng phần trong
Random Uniform Forests sẽ giúp chúng ta xác định được những chỉ số quan trọng đối với mỗi lớp dữ
liệu, từ đó sẽ giúp chúng ta lựa chọn các chỉ số thực sự hiệu quả cho các mô hình máy học.
Như vậy với các thông tin thu được sau khi sử dụng thuật toán Random Uniform Forests,
chúng ta đã tìm ra những chỉ số nào là quan trọng và tìm hiểu được sự ảnh hưởng của chúng lên mỗi
lớp thông qua thuộc tính quan trọng toàn cục. Cùng đó là xem xét điều gì khiến nó có ảnh hưởng như
164
TNU Journal of Science and Technology
226(07): 160 - 165
vậy và sự tương tác giữa các biến lên từng phần của cây quyết định thông qua các biến quan trọng cục
bộ. Cùng với các thông tin liên quan đến độ quan trọng từng phần của các chỉ số thì chúng có thể thấy
được những chỉ số ảnh hưởng lớn đến kết quả phân lớp dữ liệu cho lớp -1 thông qua hình 3 và hình 4
thể hiện những chỉ số quan trọng đối với việc phân lớp ở lớp 1.
Hình 3. Các chỉ số quan trọng với nhãn lớp -1
4. Kết luận
Hình 4. Các chỉ số quan trọng với nhãn lớp 1
Thông qua việc thực nghiệm trên 5.000 bản ghi dữ liệu bằng phương pháp kết hợp thuật toán
Random Uniform Forests và các thông tin liên quan đến các biến quan trọng toàn cục, quan trọng
cục bộ và quan trọng từng phần. Nghiên cứu đã chỉ ra được 05 chỉ số có ảnh hưởng nhất đến kết
quả phân lớp dữ liệu, điều này giúp giải quyết được câu hỏi lớn đặt ra trong phần đầu của các nhà
đầu tư. Hơn nữa, việc này đã giúp giảm chiều dữ liệu (từ 17 chiều xuống 05 chiều, tương ứng với
giảm bớt 70% số chiều dữ liệu); từ đó giúp nâng cao tốc độ huấn luyện và chất lượng của mô
hình học máy, cụ thể là mô hình phân lớp dữ liệu và hồi quy. Kết quả mà nhóm thực hiện được
giúp mở ra cách thức lựa chọn các thuộc tính có ảnh hưởng thật sự tới tập dữ liệu bất kỳ, đều rất
quan trọng đối với sự thành công của phát hiện tri thức và khai phá dữ liệu và đảm bảo rằng dữ
liệu được cung cấp tốt về chất lượng và phù hợp về số lượng nhằm đưa ra các kết quả tin cậy và
đầy đủ như người sử dụng mong muốn.
TÀI LIỆU THAM KHẢO/ REFERENCES
[1] M. Nassimi, Y. S. Asfaranjan, A. Keshvarsima, and F. Baradari, “Trading in the Foreign Exchange
Market (Forex): A Study on Purchase Intention,” International Journal of Scientific and Research
Publications (IJSRP), vol. 4, no. 3, pp. 1-10, 2014.
[2] M. N. O. Sadiku, A. E. Shadare, and S. M. Musa, "Data mining: a brief introdcution," European
Scientific Journal, vol. 11, no. 2, pp. 509-513, 2015.
[3] S. Velliangiria, S. Alagumuthukrishnanb, and S. I. T. Joseph, "A Review of Dimensionality Reduction
Techniques for Efficient Computation," International Conference on Recent Trends in Advanced
Computing (ICRTAC), 2019, pp. 104-111.
[4] Z. M. Hira and D. F. Gillies, "A Review of Feature Selection and Feature Extraction Methods Applied
on Microarray Data," Advances in Bioinformatics, vol. 2015, pp. 1-13, 2015.
[5] A. Pretorius, S. Bierman, and S. J. Steel, "A meta-analysis of research in random forests for
classification," Pattern Recognition Association of South Africa and Robotics and Mechatronics
International Conference (PRASA-RobMech), 2016, pp. 1-6.
165
6 trang
21700
Free
Bạn đang xem tài liệu "Selection of importance indicators for machine learning models in forex trading area", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- selection_of_importance_indicators_for_machine_learning_mode.pdf
