Multilayer perceptrons as approximations to probability density functions in time series forecasting

• Autorzy: Janusz Morajda

Warianty tytułu

Wykorzystanie perceptronów wielowarstwowych do aproksymacji funkcji gęstości prawdopodobieństwa w prognozowaniu szeregów czasowych

• Języki publikacji: EN

Abstrakty

EN

The paper presents the method of utilisation of multilayer perceptron neural networks to probability density function approximation in the problem of time series forecasting. The theoretical background has been given and the specification of neural prediction model, which generates the probability distribution of the forecasted variable in the issue of financial time series prediction, has been described. Next, the research concerning the performance of such model designed for the forecasting of Polish stock index WIG has been discussed. Two versions of the model have been applied: first - comprised of 12 perceptron networks with single output each, second - based on one network with 12 outputs. Three test cases (for subsequent stock exchange sessions) have been analysed. Obtained probability distributions are somewhat similar to empirical distribution (achieved for model development data), but they clearly indicate predicted tendency of index change and show specific uncertainty of the forecast. (original abstract)

W artykule zaprezentowano metodę wykorzystania sieci neuronowych typu perceptron wielowarstwowy do szacowania funkcji gęstości prawdopodobieństwa w procesie prognozowania szeregów czasowych. Przedstawiono podstawy teoretyczne oraz omówiono charakterystykę neuronowego modelu prognostycznego generującego rozkład prawdopodobieństwa prognozowanej zmiennej w finansowych szeregach czasowych. Następnie przeprowadzono badania funkcjonowania takiego modelu w zagadnieniu predykcji stóp zwrotu dla indeksu giełdowego WIG. Zastosowano dwie wersje modelu: dwanaście sieci perceptronowych z pojedynczym wyjściem każda, oraz jedna sieć z dwunastoma wyjściami. Dla trzech analizowanych przypadków testowych (kolejnych sesji giełdowych) otrzymano rozkłady prawdopodobieństwa w pewnym stopniu zbliżone do rozkładu empirycznego (uzyskanego dla danych służących do konstrukcji modelu), jednak ukazujące przewidywaną dla danej sesji tendencję zmiany indeksu oraz prezentujące specyficzną niepewność prognozy. (abstrakt oryginalny)

Słowa kluczowe

EN

Neural networks; Stock exchange prediction; Time-series analysis

PL

Sieci neuronowe; Prognozowanie notowań giełdowych; Analiza szeregów czasowych

• Czasopismo: Przegląd Statystyczny
• Rocznik: 2007
• Tom: 54
• Numer: z. 1
• Strony: 20--33

Twórcy

autor

Janusz Morajda

Bibliografia

• [1] Azoff E.M., [1994], Neural network time series forecasting of financial markets, New York, Wiley.
• [2] Cybenko G., [1989], Approximations by superpositions of sigmoidal functions, "Math. Contr. Signals Syst."
• [3] Haykin S., [1994], Neural networks. A comprehensive foundation, New York, Macmillan College Publishing Company.
• [4] Hornik K., Stinchcombe M., White H., [1989], Multilayer feedforward networks are universal approximators, "Neural Networks", Vol. 2, pp. 359-366.
• [5] Morajda J., [2000], Neural networks as predictive models in financial futures trading, Proc. of the 5th Conference "Neural Networks and Soft Computing", Zakopane.
• [6] Osiewalski J., Pipień M., [2003], Bayesian analysis and option pricing in univariate GARCH models with asymmetries and GARCH-In-Mean effects, "Przegląd Statystyczny" (Statistical Review) (forthcoming).
• [7] Refenes A.P. (ed.), [1995], Neural networks in the capital markets, Chichester, Wiley.
• [8] Ruck D.W., Rogers S.K., Kabrisky M., Oxley M.E., Suter B.W., [1990], The multilayer perceptron as an approximation to a Bayes optimal discriminant function, "IEEE Transactions on Neural Networks", Vol. 1, No. 4.
• [9] Tadeusiewicz R., [1993], Neural Networks, RM Academic Publishing House (in Polish), Warszawa.
• [10] Thomason M.R., [1996 May/June], Neural network input variable selection, "Neurovest Journal".