Publication
Fitur Penting Berbasis Impurity untuk pemilihan fitur dalam Recursive Feature Elimination untuk Peramalan Harga Saham
Fitur Penting Berbasis Impurity untuk pemilihan fitur dalam Recursive Feature Elimination untuk Peramalan Harga Saham
Investor saham melakukan peramalan harga saham berdasarkan indikator teknis dan harga saham historis. Banyaknya indikator teknis dan data historis sering kali menyebabkan overfitting dan ambiguitas dalam perkiraan menggunakan pembelajaran mesin. Dalam makalah ini, kami mengusulkan pendekatan pemilihan fitur menggunakan fitur-fitur penting berbasis pengotor dalam penghapusan fitur rekursif untuk peramalan harga saham. Data yang digunakan meliputi data historis dan berbagai moving average. Seleksi fitur dilakukan untuk mengurangi jumlah fitur dan memperoleh fitur-fitur yang penting dan relevan. Penghapusan fitur rekursif dengan fitur-fitur penting berbasis pengotor digunakan sebagai metode pemilihan fitur. Metode pembelajaran mesin yang digunakan adalah regresi linier, regresi vektor pendukung, regresi perceptron multi-layer, dan regresi hutan acak. Hasil pengukuran mean squared error (mse), root mean squared error (rmse), mean absolute error (mae), dan mean absolute perception error (mape) menunjukkan bahwa pemilihan fitur dan metode machine learning yang optimal dicapai dengan enam fitur dan regresi linier. Rata-rata nilai mse, rmse, mae, dan mape masing-masing sebesar 0,000279, 0,016577, 0,012843, dan 1,42236%. Hasil ini memvalidasi efektivitas fitur-fitur penting berbasis pengotor untuk pemilihan fitur dalam penghapusan fitur rekursif menggunakan data historis dan berbagai rata-rata bergerak dalam peramalan harga saham.