مقاله سه صفحه ای انگلیسی با فرمت pdf و 7 صفحه ترجمه فارسی word مربوط به مهندسی نرم افزار سال 2022

نمونه متن فارسی:

 چکیده

این  ابزار نرم افزاری با دسترسی آزاد, در زبان برنامه نویسی پایتون نوشته شده , که ارجاع داده می شود به  XAI StatArb  , که یک ماشین یادگیری را با رویکرد  (ML) را اجرا می کند که به وسیله ی  تکنیک های هوش مصنوعی که قابل توضیح اند برگرفته از کتاب حساب  و تجارت خط لوله  به صورت آماری تقویت شده. به صورت ویژه ای یک مجموعه از  ذخیره گاه ها   و سیاهه ای از اطلاعات مالی شان , ابزار دارای هدفی در پیش بینی روز بعد به صورت تکرار می باشد. بر اساس  بازگشت یا تکرار پیش بینی شده , ما دادن و ستاندن انبار ها تحت تشکیل  یا به صورت کلی در حال تشکیل به صورت کلی را  محاسبه می کنیم. علاوه بر این , ابزار شامل سه روش ML  برای دور انداختن ویزگی های نامربوط جهت  پیش بینی وظایف می باشد. آنها  بهبود دادن را نه تنها  برای اجرا و انجام پیش بینی  هدف قرار داده اند بلکه به صورت کلی سطح ذخیره سازی را تنظیم می کند.

نمونه متن انگلیسی:

A B S T R A C T

This open-source tool, written in Python, referred to as XAI StatArb, implements a machine learning approach (ML) powered by eXplainable Artificial Intelligence techniques integrated into a statistical arbitrage trading  pipeline. Specifically, given a set of stocks and their raw financial information, the tool aims at forecasting the next day’s return. Based on the predicted return, we trade the underperforming and overperforming stocks. Additionally, the tool contains three ML methods to discard irrelevant features for the prediction task. They are aimed at improving not only the prediction performance at the stock level but also overall at the stock set level.

References

[1] S.M. Carta, S. Consoli, L. Piras, A.S. Podda, D. Reforgiato Recupero, Explainable

machine learning exploiting news and domain-specific lexicon for stock market

forecasting, IEEE Access 9 (2021) 30193–30205, http://dx.doi.org/10.1109/

1. 2021.3059960.

[2] S. Carta, A. Corriga, A. Ferreira, A.S. Podda, D. Reforgiato Recupero, A

multi-layer and multi-ensemble stock trader using deep learning and deep

reinforcement learning, Appl. Intell. 51 (2) (2021) 889–905, http://dx.doi.org/

1. 1007/s10489-020-01839-5.

[3] M.M. Stanciu, D. Reforgiato Recupero, S. Podda, S. Carta, S. Consoli, Statistical

Arbitrage Powered by Explainable Artificial Intelligence [Source Code], Code

Ocean, 2022, http://dx.doi.org/10.24433/CO.2649328.v2.

[4] S.M. Carta, S. Consoli, A.S. Podda, D. Reforgiato Recupero, M.M. Stanciu,

Ensembling and dynamic asset selection for risk-controlled statistical arbitrage,

IEEE Access 9 (2021) 29942–29959, http://dx.doi.org/10.1109/ACCESS.2021.

[5] G. Van Rossum, F.L. Drake Jr., Python reference manual, 1994.

[6] F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M.

Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D.

Cournapeau, M. Brucher, M. Perrot, E. Duchesnay, Scikit-learn: Machine learning

in python, J. Mach. Learn. Res. 12 (2011) 2825–2830.

[7] C.R. Harris, K.J. Millman, S.J. Van Der Walt, R. Gommers, P. Virtanen, D.

Cournapeau, E. Wieser, J. Taylor, S. Berg, N.J. Smith, et al., Array programming

with NumPy, Nature 585 (7825) (2020) 357–362.

[8] W. McKinney, Data structures for statistical computing in python, in: S. van der

Walt, J. Millman (Eds.), Proceedings of the 9th Python in Science Conference,

2010, pp. 56–61, http://dx.doi.org/10.25080/Majora-92bf1922-00a.

[9] S. Carta, S. Podda, D. Reforgiato Recupero, M.M. Stanciu, Explainable AI

for financial forecasting, in: The 7th International Conference on Machine

Learning, Optimization, and Data Science, Vol. 13164, LOD 2021, Lecture Notes

in Computer Science, 2022, pp. 51–69, http://dx.doi.org/10.1007/978-3-030-

95470-3_5.

[10] S. Carta, S. Consoli, A.S. Podda, D. Reforgiato Recupero, M.M. Stanciu, Statistical

arbitrage powered by explainable artificial intelligence, Expert Syst. Appl. 206

(2022) 117763, http://dx.doi.org/10.1016/j.eswa.2022.117763.