BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Lach Agnieszka (Uniwersytet Ekonomiczny w Poznaniu)
Tytuł
Predykcja indeksu WIG przy użyciu neuronowego i neuronowo-rozmytego systemu klasyfikującego
Predicting WIG Returns Using Neural and Neuro-Fuzzy Classifiers
Źródło
Zeszyty Naukowe / Uniwersytet Ekonomiczny w Poznaniu, 2012, nr 242, s. 131-142, tab., bibliogr. 12 poz.
Słowa kluczowe
Uczenie maszynowe, Stopa zwrotu, Sieci neuronowe, Klasyfikacja
Machine learning, Rate of return, Neural networks, Classification
Uwagi
summ.
Abstrakt
W artykule porównano skuteczność dwóch modeli wywodzących się z nurtu metod maszynowego uczenia: systemu neuronowego oraz systemu neuronowo-rozmytego. Przedstawicielem pierwszej grupy w badaniu została wielowarstwowa sieć perceptronowa, a reprezentantem drugiej grupy - sieć EFuNN. Zadaniem obydwu systemów była predykcja stopy zwrotu z indeksu WIG w dniu następnym, przy czym istotne było jedynie określenie kierunku zmiany indeksu. Obydwa systemy potraktowano jak klasyfikatory, a za miarę oceny ich skuteczności przyjęto binarną macierz klasyfikacji. (abstrakt oryginalny)

The aim of the article was to compare the performance of two systems derived from machine learning methods: the neural one and the neuro-fuzzy one. As the representatives of these systems the following two were chosen: multilayer perceptron network (MLP) for the first group and EFuNN network for the second group. The task of both systems was to predict the sign of the WIG index rate of return for the following day, where important was only accuracy of determining the direction of changes of the index. The systems were treated as classifiers, and the confusion matrix was used as a measure to assess their efficiency. (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
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Bahrammirzaee, A., 2010, A Comparative Survey of Artificial Intelligence Applications in Finance: Artificial Neural Networks, Expert System and Hybrid Intelligent Systems, Neural Comput & Applic, vol. 19, s. 1165-1195.
  2. Guresen, E., Kayakutlu, G., Daim, T., 2011, Using A rtificial Neural Network Models in Stock Market Index Prediction, Expert Systems with Applications, vol. 38, s. 10389-10397.
  3. Kasabov, N., 1999, Dynamic Evolving Fuzzy Neural Networks with 'm-out-of-n'Activation Nodes for On-line Adaptive Systems, Technical report TR99-04, Department of Information Science, University of Otago, New Zealand.
  4. Kitamura, T. (red.), 2001, What Should Be Computed to Understand and Model Brain Function?, World Scientific Publishing Co. Pte. Ltd., http://books.google.pl/book-s?id =DlIW904mo7cC&printsec=frontcover&hl=pl#v=onepage&q&f=false [dostęp: 19.05.2012].
  5. Krawiec, K., Stefanowski, J., 2004, Uczenie maszynowe i sieci neuronowe, Wydawnictwo Politechniki Poznańskiej, Poznań.
  6. Łęski, J., 2008, System neuronowo-rozmyte, WNT, Warszawa.
  7. Ng, G., Murali, T., Shi, D., Wahab, A., 2004, Application of EFuNNfor the Classification of Handwritten Digits, International Journal of Computers, Systems and Signals, vol. 5, no. 2, s. 27-35.
  8. Rutkowski, L., 2005, Metody i techniki sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa.
  9. Surma, J., 2009, Business Intelligence, Systemy wspomagania decyzji biznesowych, Wydawnictwo Naukowe PWN, Warszawa.
  10. Tsai, Ch.F., Lin, Y.C., Yen, D., Chen, Y.M., 2011, Predicting Stock Returns by Classifier Ensembles, Applied Soft Computing, vol. 11, s. 2452-2459.
  11. Zeliaś, A. (red.), 1991, Ekonometria przestrzenna, PWE, Warszawa.
  12. Zieliński, J., 2000, Inteligentne systemy w zarządzaniu, Wydawnictwo Naukowe PWN, Warszawa.
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