Klasyfikator liniowy typu CPL uwzględniający koszty błędów klasyfikacji jako narzędzie prognozowania giełdy

• Autorzy: Jerzy Krawczuk

Warianty tytułu

Cost-Sensitive CPL Linear Classifier as a Market Prediction Tool

• Języki publikacji: PL

Abstrakty

Jeden z rodzajów eksploracji danych - klasyfikacja - może zostać użyty do prognozowania zmian cen na giełdzie. W najprostszym scenariuszu możemy klasyfikować dane giełdowe do jednej z dwóch klas: wzrostów bądź spadków. W standardowym podejściu przy budowie klasyfikatora maksymalizowana jest ilość prawidłowo sklasyfikowanych obiektów, jednak dla danych giełdowych lepszym wyznacznikiem jakości modelu może być osiągnięty zysk. W artykule tym opisano klasyfikator liniowy oparty o wypukłe i odcinkowo-liniowe funkcje kary (CPL) maksymalizujący wartość zysku. (abstrakt oryginalny)

EN

One kind of data mining - classification - can be used for purpose of predicting changes in market prices. In the simplest scenario we can classify every daily market move as one of two classes: increases or decreases. The standard approach to building a classifier is to optimize correctly classified instances (market moves). However, in the case of predicting the stock market, a better measure of model quality could be a potential profit. This article describes such an approach (cost-sensitive classification) for a linear classifier based on a convex and piecewise-linear penalty function (CPL). (original abstract)

Słowa kluczowe

PL

Prognozowanie notowań giełdowych; Metody prognozowania; Modele liniowe

EN

Stock exchange prediction; Forecasting methods; Linear models

• Czasopismo: Metody Ilościowe w Badaniach Ekonomicznych / Szkoła Główna Gospodarstwa Wiejskiego
• Rocznik: 2011
• Tom: 12(XII)
• Numer: nr 2
• Strony: 232--240

Twórcy

autor

Jerzy Krawczuk

• Politechnika Białostocka

Bibliografia

• Bobrowski L. (2005) Eksploracja danych oparta na wypukłych i odcinkowo-liniowych funkcjach kryterialnych, Wydawnictwa Politechniki Białostockiej.
• Bobrowski L., Łukaszuk T. (2009) Feature selection based on linear separability, Biocybernetics and Biomedical Engineering, Volume 29, Number 2, str. 43-59.
• Bollerslev T. (1986) Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics 31, 307-327.
• Box G.E.P, Jenkins G.M. (1983) Analiza szeregów czasowych, Państwowe Wydawnictwo Naukowe.
• Cortes C. Vapnik V. (1995) Support-Vector Networks, Machine Learning 20
• Duda O.R. Hart P.E., Stork D.G. (2001) Pattern Classification, J. Wiley, New York.
• Edwards R.D. Magee J. (1997) Technical Analysis of Stock Trends, 7th edition, Amacom
• Engle R.F (1982) Autoregressive Conditional Heteroskedasticity with the Estimates of the Variance of U.K. Inflation, Econometrica 50, No. 4, 987-1007.
• Hamiliton J.D. (1994) Time Series Analysis, Princeton University Press.
• Huang W. Nakamori Y. Wang, S.Y. (2005) Forecasting Stock Market Movement Direction with Support Vector Machine, Computers & Operations Research 32 str. 2513-2522.
• Kim KJ. (2003) Financial time series forecasting using support vector machines, Neurocomputing Volume 55, Issues 1-2, str. 307-319.
• Krawczuk J., Bobrowski L. (2010) Short term prediction of stock indexes changes based on a linear classifier, Symulacja w badaniach i rozwoju, Vol.1 nr 4/2010.
• Nison S. (2001) Japanese Candlestick Charting Techniques, Second Edition Prentice Hall Press.
• Vapnik, V.N (1995) The Nature of Statistical Learning Theory. New York, Springer.
• Zhang, G., Patuwo, B.E., Hu, M.Y. (1998) Forecasting with Artificial Neural Networks: the State of the Art, International Journal of Forecasting 14 str. 35-62.