BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Krawczuk Jerzy (Politechnika Białostocka)
Tytuł
Wpływ długości okresów uczenia na prognozę indeksu giełdowego opartą na klasyfikatorze liniowym typu CPL
How the Lenght of Learning Period Affects Stock Index Forecast Based on the CPL Linear Classifier
Źródło
Zeszyty Naukowe / Uniwersytet Ekonomiczny w Poznaniu, 2012, nr 242, s. 119-130, wykr., bibliogr. 16 poz.
Słowa kluczowe
Ceny akcji, Modele prognostyczne
Shares prices, Forecasting models
Uwagi
summ.
Abstrakt
Budowanie modeli prognostycznych dla danych giełdowych wymaga wyboru dwóch okresów: uczącego oraz testowego. Okres uczący nie powinien być za długi ze względu na prawdopodobnie mały wpływ zdarzeń sprzed kilku czy kilkunastu lat na wydarzenia obecne. Nie powinien być również zbyt krótki, gdyż budowany model prognostyczny może nie wychwycić powtarzających się wzorców. Po zbudowaniu modelu na podstawie obserwacji z wybranego okresu uczącego można go używać do prognozowania przyszłych notowań indeksu lub akcji. Rodzi się w związku z tym pytanie, czy model powinien być stosowany krótko, na przykład tylko jeden dzień, a następnie zastępowany nowym modelem, który uwzględni nowe notowanie. A może warto używać modelu przez dłuższy czas? W niniejszym artykule starano się odpowiedzieć na te pytania w sposób eksperymentalny, budując modele prognostyczne oparte na klasyfikatorze liniowym typu CPL i przewidując kierunek zmiany indeksu S&P500. (abstrakt oryginalny)

Design of stock exchange data based forecasting models requires splitting the data into two periods: learning and testing. The learning period should not be too long; the main reason is a high probability of limited relevance of 20 years old events on the current market situation. On the other hand - it should not be too short, because the model can overfit the data and fail to capture repetitive patterns. After construction of a model with a selected learning period, the next task is to determine for how long the model can be used (testing period). Should the model be rebuilt as soon as new data arise - for example every day? Or maybe it should be used for a long period of time? This paper aims to answer these questions in an experimental way, by building predictive models based on CPL linear classifier CPL and forecasting direction of changes for S&P500 index. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Bibliografia
Pokaż
  1. Bobrowski, L., 2005, Eksploracja danych oparta na wypukłych i odcinkowo-liniowych funkcjach kryterialnych, Wydawnictwa Politechniki Białostockiej, Białystok.
  2. Bollerslev, T., 1986, Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, vol. 31, s. 307-327.
  3. Box, G.E.P., Jenkins, G.M., 1983, Analiza szeregów czasowych, PWN, Warszawa.
  4. Cortes, C, Vapnik, V., 1995, Support-Vector Networks, Machine Learning, vol. 20.
  5. Duda, O.R., Hart, P.E., Stork, D.G., 2001, Pattern Classification, Wiley & Sons, New York.
  6. Edwards, R.D., Magee, J., 1997, Technical Analysis of Stock Trends, 7th ed., AMACOM.
  7. Egeli, B., Ozturan, M., Badur, B., 2003, Stock Market Prediction Using Artificial Neural Networks, Proceedings of the 3rd Hawaii International Conference on Business, Honolulu, Hawaii, June, s. 1-8.
  8. Engle, R.F., 1982, Autoregressive Conditional Heteroskedasticity with the Estimates of the Variance of U.K. Inflation, Econometrica, no. 4, s. 987-1007.
  9. Hamilton, J.D., 1994, Time Series Analysis, Princeton University Press.
  10. Hosmer, D.W., Lemeshow, S., 2000, Applied Logistic Regression, Wiley & Sons.
  11. Huang, W., Nakamori, Y, Wang, S. Y, 2005, Forecasting Stock Market Movement Direction with Support Vector Machine, Computers & Operations Research, vol. 32, iss. 10, s. 2513-2522.
  12. Kim, K.J., 2003, Financial Time Series Forecasting using Support Vector Machines, Neurocomputing, vol. 55, iss. 1-2, s. 307-319.
  13. Kim, K.J., Han, I., 2000, Genetic Algorithms Approach to Feature Discretization in Artificial Neural Networks for the Prediction of Stock Price Index, Expert Systems with Applications, vol. 19, s. 125-132.
  14. Krawczuk, J., 2011, Klasyfikator liniowy typu CPL uwzględniający koszty błędów klasyfikacji jako narzędzie prognozowania danych giełdowych, Metody ilościowe w badaniach ekonomicznych, t. XII/2, s. 232-240.
  15. Nison, S., 2001, Japanese Candlestick Charting Techniques, 2nd ed., Prentice Hall Press.
  16. Rosenblatt, F., 1958, The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain, Cornell Aeronautical Laboratory, Psychological Review, vol. 65, no. 6, s. 386-408.
Cytowane przez
Pokaż
ISSN
1689-7374
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu