基于内幕交易数据预测股票价格的机器学习算法比较研究
机器学习
2025-07-08 v2
摘要
本研究经验性地检验了几种机器学习算法，以预测基于内幕交易信息的股票价格。内幕交易提供了关于市场情绪的特殊信息，指向股票价格即将变化的方向。本研究 examines 决策树、随机森林、支持向量机(SVM)采用不同核函数以及 K 均值聚类算法，针对特斯拉股票交易数据集进行分析。通过审查 2020 年 4 月至 2023 年 3 月的历史数据，本研究关注这些算法识别趋势和预测股票价格波动的效果。本文使用递归特征消除(RFE)和特征重要性分析以优化特征集，从而提高预测准确性。虽然它比其他模型需要显著更长的处理时间，但采用径向基函数(RBF)核的 SVM 显示出最佳准确性。本文突出了机器学习模型在准确性与效率之间的权衡，并提出了可能整合多个数据源以提高预测性能的可能性。本论文的结果旨在帮助金融分析师和投资者在选择强大的算法以优化投资策略方面发挥作用。
引用
@article{arxiv.2502.08728,
title = {A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data},
author = {Amitabh Chakravorty and Nelly Elsayed},
journal= {arXiv preprint arXiv:2502.08728},
year = {2025}
}
备注
5 pages, accepted to publish in the IEEE ICMI 2025