文摘

风险管理和股票投资决策是一个重要的主题为投资者和基金经理,特别是在COVID-19流行的背景下。问题变得更容易,如果市场是有效的,股票价格充分反映潜在风险。然而,如果市场是无效的,投资者可能会有机会找到一个有效的投资方法。越南是一个新兴市场;效率仍然疲弱。因此,将会有一个精明的投资者的机会。本研究旨在测试弱式有效市场和投资者的决策提供一个现代方法。为了实现这一目的,本研究使用历史数据的股市指标股指和VN30组合买卖一天期限内滚动窗口的方法来测试下胡志明市证券交易所(软管)通过运行测试和执行股票交易使用支持向量机(SVM)和逻辑回归。股票的买入/卖出是根据预测的结果(增加/减少)的逻辑回归和支持向量机。本研究根据风险调整后的回报率的投资,并与指数的指标股指和VN30评估投资效率。 The test results dismissed the weak-form efficient-market hypothesis, which opens up many opportunities for short-term traders. This study’s primary contribution is to provide a stock trading strategy for short-term investors to maximize trading profits. Because logistic regression and SVM have proven effective trading methods, investors can use them to achieve abnormal returns.

1。介绍

风险管理和股票投资决策至关重要主题为投资者和基金经理,特别是关于COVID-19大流行。如果市场是有效的,股票价格充分代表一个可能的风险,这个问题变得更简单的解决(1,2]。一些投资者经常使用技术分析来选择股票作为历史数据(主要是价格和交易量)在短期内。一些技术分析工具预测价格波动方向,决定是否购买或出售股票(3]。Mizrach和Weerts4)使用技术指标、价格和体积历史预测未来股票收益,有时被称为“分析师”,因为他们用图形表示。泽帕迪(5]原则应用于研究人类情感如何影响财务决策。支持向量机和人工神经网络(ANN)确定市场异常在全球许多金融市场6]。然而,法玛(7)提出了有效市场假说对技术分析的可靠性产生怀疑。这个理论不会帮助击败市场,因为它假定一个安全的价格完全反映了所有可获得的信息(8- - - - - -10]。也就是说,每一个市场在一定程度上是有效的;具体来说,有三种类型的有效市场以升序排序:弱,semistrong和强大。即使在弱形式,股票的价格充分反映了其历史数据。

出于这个原因,不能预测证券价格完全基于过去的价格(11]。一些经验证据表明,市场并不真正有效的,这意味着投资者可能使用模板或预测模型来实现更高的回报率(12,13]。Hawaldar et al。14)测试了弱式有效市场假说的巴林证券交易所股票市场2011年至2015年期间,拟合优度检验得出结论,Kolmogorov-Smirnov,运行测试,相关测试拒绝弱式有效市场假设。Kumar et al。15)支持印度2012 - 2017年的弱式有效市场假说,但拒绝了medium-form有效市场假说。Mensi et al。16]研究全球和区域上的每日收盘价GIPSI五GIPSI股市在美国和欧洲股市从1月1日,2009年,2017年9月8日。GIPSI、全球和美国市场都是低效的,特别是在短期内。无论时间范围,希腊股市最低效的市场。短期和长期来看,葡萄牙和爱尔兰最没有效率低下的市场。这些发现还表明,股票市场可能不适合风险多元化资产配置和风险对冲。作者也表明,这些发现对投资者和政策制定者有显著的影响。在现实中,投资者可能利用知识长期记忆和持久性跨越时间的微分阈值视野超越市场,产生异常的回报。

最近的趋势在行为金融学理论是解释异常补充有效市场假说的缺陷。卡尼曼和特沃斯基,开创性的研究,指出投资者严重依赖于情感和直觉而不是理性决策(17]。情感决策可能导致错误时不合理的投资选择。一些异常现象与行为金融学相关理论包括日历,基本和技术异常(18]。一些实验显示,周末效应、假日效应,turn-of-the-month效果,1月效应(19]。罗西在米兰证交所学习日历异常从2005年1月至2015年12月。他们发现,周三返回周一消极的和积极的。因此,投资者应该买周一和周三出售。这些研究的一个限制是,效果可能消失甚至扭转(20.]。因此,投资者可能面临风险时使用这些投资趋势。

本研究旨在测试软管的弱式效率市场,确定是否使用逻辑回归和支持向量机模型的投资者可以超越市场。运行测试方法拒绝的弱式有效市场。这些发现表明,经典计量经济学和统计模型可能会击败市场。然而,不断发展的机器学习算法提供一个可行的替代传统的回归模型。一些研究支持向量机应用在金融领域取得了许多积极的结果,如曹和茶(21),黄等。22陆,et al。23),默罕默德(24),Azimi-Pour et al。25],Syriopoulos et al。26]。滚动窗口驱动买卖证券的逻辑回归模型的输出和SVM算法。输入变量包括关闭(收盘价);霍奇金淋巴瘤(最高-最低价格);罗(最低价格减去开盘价);变化(2个交易日收盘价的差异);ma7、ma14 ma21(平均价格7、14和21个交易日,分别);sd7(标准差7连续会话);vnc收盘价(不同指标股指连续2会话);vnipc(越南指数投资组合的回报率); and insect (time trend). The data covers all stocks in the VN30 basket from January 28, 2000, to July 30, 2021. As a result, the SVM investment strategy beat the market with an extremely high average return rate.

机器学习可能会发现弱式有效市场和发展对于短期投资者交易方法,从而最大化收益。使用算法预测股票价格的运动,如支持向量机模型,展示了一种精度高。机器学习模型的参数准确地预测使用滚动窗口技术。由于样本的代表性可能受一段太短或太长,365天是一个不错的选择,历史数据集。股票投资市场疲弱为短期投资者通常是棘手的。支持向量机模型,特别是,是一个有价值的工具,用于预测市场价格运动的方向。有必要修改投资回报以反映固有风险提高投资业绩评估的信任程度。夏普比率是用来管理风险,而T以及用于评估交易的方法。由于支持向量机模型的准确性,交易策略运用这产生了一个很好的回报。

下图描述了本研究的流动。接下来,简要回顾相关文献提供:有效市场假说(EMH)、逻辑回归、支持向量机(SVM)。部分3研究提供了概念性的基础,包括弱式有效市场假说理论测试和价格波动预测决定。部分4关注实验数据和结果。部分5进一步深入研究结果的解释。节6,本研究的结论和局限性和可能对进一步的研究进行了总结和解释道。

2。文献综述

2.1。有效市场假说(EMH)

法玛(11在1970年代首先提出了有效市场假说。这篇文章是很重要的,因为它为许多其他研究铺平了道路的有效市场假说理论的准确性。效率的概念指的是信息而不是资源的快速吸收,产生最大输出在其他领域的经济学。信息被定义为新闻可以影响价格,是不可预测的。在资本市场,有效市场可以用多种方式进行解读。的市场价格总是反映信息被称为一个有效市场(11]。与此同时,麦基尔(27)认为,资本市场是有效的,如果它完全和正确决定证券价格反映了所有相关信息。一般来说,然而,如果市场被认为是有效的对于某些类型的信息披露,信息参与者并不影响股票价格。有效市场假说包括以下假设:

弱式效率假说:这种程度的效率存在时,证券的价格反映了历史数据安全的价格,包括股价和交易量。换句话说,一个人可以预测当前股票价格在过去的股票价格。测试弱式有效市场假说主要关注是否有统计价格变化之间的依赖。换句话说,如果价格变动是随机的,市场是一个弱式有效市场。自相关和Ljung-Box的几种常用的测试技术问(28),方差比,lm检验(29日],CD-test [30.),赖特的测试(31日),运行测试,1月效应,和单位根检验32]。

Semistrong-form效率假说:这种程度的效率存在时,证券的价格反映了公开市场信息,包括历史数据对证券价格和市场上的公开信息,如发行的招股说明书。的semistrong-form围绕弱式有效市场假说,因为所有的市场信息,包括股票价格、利率、公开和交易量,必须分析使用弱式有效市场假说。公共信息包括所有非市场数据,如收益和股息公告,P / E比率,D / P比值,P / B比率、股票分割,和政治经济信息。研究semistrong-form有效市场假说可以分为两个类别:(我)研究试图预测未来回报率使用公开数据,除了纯粹的市场数据,如价格和交易量,已经包含在弱式测试。这些研究可能包括时间序列分析的回报或单个股票横截面收益分配模式。有效市场假说的支持者认为,这是不可能使用公开可用信息来预测未来收益使用过去的回报或预测未来横向分布的回报(例如,最高四分位数或回报十分位数)(33- - - - - -36]。(2)事件研究探讨股票价格变化的速度响应特定的关键经济事件。一个实用的方法是测试是否可行的投资于股票和获得一个相当高的回报率在重大事件(如股票合并、股票分割,中央经济数据,和校长)是否公开宣布。再次,有效市场假说的支持者期望股票价格迅速调整,使投资者不能获得高回报通过购买后公告和定期支付交易成本37- - - - - -40]。

强式效率假说:这种程度的效率存在的所有信息完全反映在股票价格上,包括非公开信息,如内部信息。强式有效市场假说结合弱式和semistrong-form有效的假说。强式有效市场假说扩展有效市场的假设,在一个完美的市场价格反映公开信息,所有信息是免费的,可用的。有必要知道什么时候内部或内幕信息出现评估强式有效市场。这个时间很难确定。强式有效市场往往是发达国家的研究。对于新兴市场来说,大多数研究集中在弱,semistrong-form有效市场假说。强式有效性的探索仍然是一个有争议的问题在学者(41- - - - - -43]。

2.2。逻辑回归

逻辑回归的统计方法,描述了独立变量和二元因变量之间的关系(这也适用于离散因变量)。通过这种关系,逻辑回归允许输出的预测给定的输入值的集合。使用逻辑回归预测输出,本研究计算的概率值1的输出需要用给定的观测数据 。与因变量的二项分布的假设,本研究认为奇怪的比例如下:

两边取对数(1),该研究 在哪里 要估计的参数。

从方程(2),这项研究使等效变换如下:

通常,最大似然估计(标定)方法用于估计参数 。分类规则是由方程(3)如下:

逻辑回归的应用在许多领域二元因变量。在金融领域,汉et al。44)使用一个样本的76家公司和32个变量相关的财务比率预测不稳定的经济状况。作者使用了向后逐步逻辑回归方法,得到的结果精度高92.86%。Konglai,晶晶45)使用逻辑回归来分析我国上市公司的信用风险。使用的数据包括130家公司有六个因变量和被划分为训练集和40的90家公司测试集。训练样本的准确性为87.8%,而测试集的精度75%。表1总结了一些典型的使用逻辑回归的出版物。

表1
逻辑回归在先前的研究中。
2.3。支持向量机(SVM)

提出的SVM算法Vapnik,勒纳(50)来解决分类问题。支持向量机是一个监督的数学算法用于分类数据在不同的维度。假设Y是一个分类变量有两个可能的值1和1X是一个输入变量。定义的分类超平面方程: ,在哪里 和b的系数。系数 和b应该选择这样 如果 和 如果 。使用训练集 和b这样 最小化,向量 在这 被称为支持向量。提高分类器的效率,使用核函数将数据映射到一个高维空间数据将更清楚地隔离。内核函数定义的内积: 。一些常见的内核函数是线性的,多项式、径向基本功能。然而,对于一些复杂的数据集,这是不可能找到一个完美的超平面。因此,议会和Vapnik [51)建议增加软边缘,接受一些更进一步的观察。现在的SVM算法最小化: 考虑到 ,在哪里C是一个hyperparameter和 是一个转换从低收入映射到高维空间。

支持向量机常用于金融研究。例如,金(52)利用支持向量机来预测在韩国酒店的破产。从1995年到2002年,33个酒店收集样本,预测结果已经达到了95%的准确率。在日本市场,黄等。22)使用支持向量机来预测方向的日经225指数,表明支持向量机优于其他分类方法在他们的研究中,包括随机游走模型,二次判别分析(QDA)和安。任等。45)集成支持向量机在中国市场与投资者行为分析。这项研究预测SSE 50指数的运动从2014年到2016年的485个交易日,使用5倍和滚动窗口的方法,达到最大精度为89.93%。

3所示。研究数据和方法

3.1。研究数据和变量描述

研究数据包括30家公司VN30篮子(未经调整的价格),越南指数,VN30指数在一天的时间。表2描述了行情和他们的观察VN30篮子里。

表2
自动收报机VN30篮子和观察。

数据收集周期从7月28日,2000年7月30日,2021年,一些公司是新成立的,和有一些天了。因此,观察这些公司的数量是不同的。从网站收集到的数据https://www.hsx.vn(胡志明市证券交易所)。每个观测包括日期、股票收盘价,开盘价,最高价格,最低价格和交易量。在这项研究中被描述在表的变量3。

表3
变量描述。
3.2。研究方法
3.2.1之上。测试弱式有效市场假说

根据弱式有效市场理论,一个安全的过去不能预测目前的价格和价格产生异常的回报。还有其他测试技术可用,但这些研究采用运行测试一些先前的研究,包括Fawson et al。57),穆斯塔法(58),Ahmad et al。59),这个和哈尼夫60),哈米德et al。61年),和魏62年]。运行测试,称为Wald-Wolfowitz测试,是一种非参数统计检验,探讨了随机性假设两国数据系列(63年]。运行测试将评估是否独立元素系列的出现。换句话说,如果假设价格上涨或保持不变(+)和(-),减少一个弱式有效市场意味着价格变化是独立的。当样本容量足够大时,统计 ,地点:R:样品的运行数量(每个运行一系列连续的“+”或“−”符号) :的期望值R计算的公式 :标准错误的运行时, ( 是“+”和“−”迹象,分别)

该方法主要探讨了随机性变化的指标股指和VN30索引。如果这个变化是随机的,它支持弱式有效市场假说,这表明传统预测模型使用历史数据不太可能产生超额回报。

最后,为了测试影响价格波动的影响因素,我们对所有的数据进行逻辑回归的研究。这个结果也意味着投资者几乎没有经验在学术知识还可以基本变量的波动(与强烈的影响变量),来做出投资决策。

3.2.2。价格波动预测和投资决策

本研究着重于两个模型,逻辑回归和支持向量机预测价格运动的方向。假设历史数据的最大值为1年,这项研究将使用固定的365观察训练数据预测使用“滚动窗口”方法。算法用于第一个365年的观察,确定最优参数预测第366观察,并继续到最后观察,如图1。


图1
滚动窗口的方法。
3.3。预测模型

乙状结肠函数用于逻辑回归模型和标定方法用于估计回归系数。支持向量机算法,径向和内核函数 使用。基于逻辑回归和支持向量机模型,分别投资者买入/卖出股票。本研究评估投资业绩,调整风险使用夏普比率[64年,65年]: ,在哪里 :投资组合的回报率(或安全)p :无风险利率(一年期国债) :投资组合的标准差(或安全)p

最后,本研究比较了表演的投资逻辑回归模型和支持向量机所作的投资T以及根据VN30和越南指数。此外,本研究试图确定是否持有单个股票比持有市场投资组合指数更有效率。本研究的新颖性是提供一个证券交易使用逻辑回归模型和支持向量机方法。

4所示。结果

4.1。描述性统计

变量的描述性统计描述表4在下面。表显示,价格波动从0.233美元/ 23.233美元/分享分享;平均价格是2.266美元/股。foredir结束了39096年的观察导致减少比前一天的收盘价。剩下的29420观测的收盘价格没有下降;具体如图2。最强硬的每日收盘价下跌7.108美元/分享一天发生VNM股票7月5日,2007年越南盾汇率(美元/ = 22748)。

表4
变量的描述性统计。

图2
数量的观察行情的价格增加/减少。

变量的波动密切和变化是更好的箱线图所示的数据3和4。等报价机把,REE, SSI,机顶盒向右倾斜,异常高的在某些交易日收盘价。不过,行情的变化主要是稳定的。这项研究发现异常,把需要下跌7.429美元/分享在5月21日,2007年,最深刻的下降在所有交易日VN30组合中的股票。股价的下降是由于把需要的股利支付政策与2:1的股息支付率,这表明一个把份额将获得每两把股票投资者持有。


图3
收盘价格行情的运动。

图4
运动的行情变化。

市场,本研究总结表详细的变量closevn(越南指数的收盘价)vnic, vnipc, closevn30 VN30指数的收盘价,rvn30 (VN30指数的回报率)和射频(1年期政府债券)的利益。表5和图5表明,越南指数的收盘价和VN30主要指数波动一起,而债券的兴趣主要是稳定,倾向于减少。从2020年开始,这项研究发现越南指数和VN30显著下降然后再上升。这个结果是因为COVID-19大流行,阻碍企业的生产和交易活动。企业稳定时,现金流涌入金融投资,导致股票价格上涨。

表5
在市场上变量的统计数据。

图5
运动的指标股指VN30指数和债券(国债)的利益。
4.2。运行测试结果

运行测试结果表明,弱式有效市场假说认为在1%,这意味着技术分析可以获得异常回报。

4.3。价格波动预测模型的准确性

本研究采用逻辑回归模型和支持向量机来预测股票的增加和减少基于滚动窗口的方法。精度值(正确预测的数量总数的预测)是总结表6。的平均精度预测30只股票的逻辑回归模型和支持向量机分别是58.93%和92.48%。支持向量机模型已被证明是更有效的比逻辑回归模型。

表6
摘要在VN30组合报价机精度。
4.4。股票交易的结果

股票交易在股票价格增减由逻辑回归和支持向量机预测模型。平均每日的结果返回之前和之后的风险调整的表7。见表5和7,支持向量机模型优于逻辑回归模型和投资组合指数投资(包括VN30和越南指数)。确定交易策略的有效性,本研究进行了五个片面的T测试与零假设(投资并不比指数投资组合)更有效率和备择假设(投资方法更有效)。表8总结了测试的结果 - - - - - -价值。的术语表7和8解释在表9。

表7
股票交易的结果。
表8
的 - - - - - -值测试交易方法的有效性。
表9
术语表的变量。
4.5。因素影响股票价格的运动

本研究进行逻辑回归对整个数据来确定影响股票价格波动的因素。逻辑回归结果如表所示10。回归结果表10的因素表明,霍奇金淋巴瘤,变异,vnic, vnipc, insec,和sd7有显著的影响,其中vnipc最实质性的影响。这一结论表明,市场投资组合的回报是最强的指标价格变化预期;对于每个额外的百分比上升市场投资组合回报,投资者预期优势比增加了0.2。此外,该模型还表明,移动平均指标(MA)没有统计上显著的为0.1,也就是说,MA指标并不影响股票交易。波动性指标HL和罗回归系数为0.055和0.061,分别。两者都具有统计学意义,表明这些波动增加的可能性乐观预测下一个交易日。然而,vnic指标负系数和统计学意义,表明市场波动越大,预测,价格将降低。

表10
逻辑回归的结果。

5。讨论

非参数运行测试检查序列的随机性上升/下降的股票价格。弱式有效市场意味着价格上升/下降随机(66年]。本研究执行测试运行在两个上升/下降范围VN30和越南指数投资组合的零假设价格运动的方向是随机的。运行测试结果表11有一个 - - - - - -值小于0.01。本研究拒绝零假设的测试(67年]。这个结果意味着弱式有效市场假说是拒绝。这个结果也符合一些先前的研究61年,68年- - - - - -70年]。市场的缺点是不能保证当前短线交易员的机会寻找过去的模式依赖于当买入/卖出交易利润最大化。

表11
运行测试的结果。

本研究实现了三个交易策略:逻辑回归模型,支持向量机模型,并为长期持有股票。在前两个策略,模型预测股票价格的增加/减少,导致相应的买卖。与传统的逻辑回归模型相比,支持向量机模型更好的预测价格运动的方向。在所有30行情表6,打败了逻辑回归模型的支持向量机模型。此外,其准确性是例外,平均92.48%和58.93%。这一发现与之前的研究一样,这表明,支持向量机生产精度大于逻辑回归模型(71年- - - - - -74年]。

表中的支持向量机模型的准确性6非常高,其中最正确的90%以上,除了两个报价机:VJC股票和VPB股票。此外,它的精度最低86.66%,最高96.94%(“股票)。这个结果比类似的研究如金(75年),卡拉et al。76年),帕特尔et al。77年],Duong et al。78年]。支持向量机模型中的一个成功来自它的模型估计方法。与其他方法相比,“滚动窗口”更有效率,因为连续时间系列确保输入参数的准确性。365天的时期是一个合理的选择。如果是长,数据将变得太过时了。如果是短,收集到的数据可能不是一个好的表现。具体来说,训练数据是永久固定的365年最新观测。因为不断更新的训练数据集,初始参数进行相应的调整,提高了预测的准确性。

相比之下,样本的代表性问题,如果数据集被分成独立的两集。例如,Vijh et al。55]数据集分为两组:训练数据集(2009年6月4日- 3月4日,2017)和测试数据集(2017年4月4日- 5月4日,2019)。计算的参数训练数据集太过时的预测;使用数据从2017年到2019年预期似乎并不是合理的。曹和泰21和et al。79年]数据集分为三组:培训、验证和测试数据。虽然理性是更好的应用历史数据时,性能将显著低于滚动窗口。

上级的支持向量机模型的预测能力,导致优秀的交易性能。从表7交易,使用SVM模型取得了平均回报率为1.426% /天对应的夏普比率为0.781,远远大于使用逻辑回归模型。虽然逻辑回归方法不一样有效的支持向量机模型,它仍然会产生巨大的效果平均回报率0.348% /日和夏普比率为0.146。相比之下,VN30和越南指数的平均回报率每天每天仅为0.06%和0.04%,分别。这三种方法的效率测试结果(交易下的支持向量机模型、逻辑回归和长期持有的个股)表8表明支持向量机方法是更有效的比投资根据VN30和越南指数(0.001的显著性水平 - - - - - -值约0)。交易使用逻辑回归模型将25时有效的30只股票达到统计学意义为0.1。长期持有的个股,平均回报率是0.052% /天,高于越南指数(0.04% /天),但低于VN30指数(0.06% /天)。此外, - - - - - -值都大于0.1,这意味着长期持有个股的投资策略不能超越市场。

逻辑回归结果表明,指标如霍奇金淋巴瘤,瞧,变异,vnic, vnipc, sd7影响股票价格的运动。vnipc特别是HL的增加,LO, sd7预测,价格将会增加,VNC股票增加预测,价格将减少。马相关指标并关闭不显著,因此没有预测股票价格运动的功能。

6。结论

金融市场是有效的,当新老迅速反映在当前的价格的信息安全。因此,由于目前的价格包括历史信息、技术分析将不能保证一个超额回报。不幸的是,测试结果显示,软管市场效率低下,这意味着技术分析可能产生异常的回报。

该研究的主要贡献是识别弱式有效市场和短期投资者提供交易策略运用机器学习模型来优化利润。股票价格运动预测算法,特别是SVM模型,表明预测效果,平均精度高达92.48%和96.94%的峰值精度(股票图则。中表现良好的滚动窗口方法预测机器学习模型的参数。历史数据的持续时间是至关重要的,因为样本的代表性可能被一段,太长或太短;因此,365天被认为是一个合适的选择。股票交易在一个表现不佳的市场对于短期投资者始终是一个挑战。一个交易策略投资者应该考虑有逻辑回归模型(特别是SVM模型)预测价格运动的方向。因为高投资回报通常隐藏潜在的风险,投资结果应该调整相应增加投资绩效评估的信心水平。本研究选择了夏普比率的风险调整和使用T以及确定交易策略的有效性。由于支持向量机模型的预测精度高,交易策略使用它赢得了一个出色的回报率。

此外,软管股票市场是低效的,短线投资者可以依赖过去的收益最大化的交易模式。短期投资者应该考虑使用支持向量机模型和逻辑回归模型时买入/卖出的决定。选择股票交易的决定应该基于日内价格波动等几个指标,连续两个交易日之间的价格运动,移动平均线,股票的标准偏差,市场波动。可以合成这些指标的支持向量机模型为最终的预测指标。对长期投资者来说,最好的投资在一个多样化的投资组合或组合索引而不是持有个股。中长期投资者应该投资在一个多样化的投资组合或使用基本面分析选择好股票的长期计划。投资者有限的知识模式分析可以依靠相关指标如盘中价格运动,运动两天,价格市场波动,短期内股票的总体风险预测证券价格的增加或减少。此外,市场投资组合的回报是最有效的指标,因为它反映了市场乐观的态度。如果回报是正的,投资者对市场增长更为乐观,从而决定购买更多;因此,股票价格将会增加。

虽然这种交易方法取得了前所未有的回报率短期交易,研究忽略了交易成本等几个因素,税收,和流动性风险。优越的回报也使用历史信息,只有有价值的低效率的市场条件。因此,对效率低下的市场需要更多的实验来提高模型的可靠性。进一步的研究可能会在两个方向扩张。首先,在不同的市场模型的有效性进行测试,以及其他因素,如税收必须考虑交易成本。第二,其他作者可以应用机器学习算法,如树的决定,深度学习和神经网络来提高模型的预测能力。

数据可用性

上可用的数据请求。

的利益冲突

作者声明没有已知的财务利益冲突或人际关系的影响在本文中描述的工作。

确认

这项研究没有收到任何特定的拨款资助机构在公共或商业领域。