Predykcja indeksu WIG przy użyciu neuronowego i neuronowo-rozmytego systemu klasyfikującego

• Autorzy: Agnieszka Lach

Warianty tytułu

Predicting WIG Returns Using Neural and Neuro-Fuzzy Classifiers

• Języki publikacji: PL

Abstrakty

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)

EN

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)

Słowa kluczowe

PL

Stopa zwrotu; Sieci neuronowe; Klasyfikacja; Uczenie maszynowe

EN

Rate of return; Neural networks; Classification; Machine learning

• Czasopismo: Zeszyty Naukowe / Uniwersytet Ekonomiczny w Poznaniu
• Rocznik: 2012
• Numer: nr 242
• Strony: 131--142

Twórcy

autor

Agnieszka Lach

• Uniwersytet Ekonomiczny w Poznaniu

Bibliografia

• 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.
• 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.
• 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.
• 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