Prognozowanie cen akcji notowanych w systemie ciągłym z wykorzystaniem sieci neuronowych na podstawie obserwacji "tick by tick"

• Autorzy: Przemysław Garsztka , Marek Łażewski

Warianty tytułu

Forecasting Stock Prices in Continuous Trading Using Neural Networks, Based on "Tick By Tick" Observations

• Języki publikacji: PL

Abstrakty

Gwałtowny rozwój rynków kapitałowych w ciągu ostatnich kilkunastu lat oraz technologii informatycznych spowodował możliwość gromadzenia informacji dotyczących cen instrumentów finansowych obserwowanych w przekrojach czasowych krótszych niż dzienne (ang. high frequency data). Obecnie dostępne są bazy danych zawierające dane rejestrowane, w zasadzie w dowolnych odstępach czasu, a także ceny wszystkich transakcji zawieranych na rynku giełdowym podczas fazy notowań ciągłych.' Poza cenami archiwizowane są wszystkie zdarzenia i informacje mające miejsce podczas sesji giełdowych, miedzy innymi dane określające wolumen obrotu, ilości i ceny złożone w oczekujących ofertach kupna - sprzedaży, czas zajścia transakcji itd. Globalizacja rynku kapitałowego oraz fakt trwania handlu giełdowego na kuli ziemskiej praktycznie 24 godziny na dobę wywołały zmianę nastawienia uczestników rynku dotyczącego ich ekspozycji na ryzyko związane z posiadaniem instrumentów finansowych a także możliwości wykorzystania danych wysokiej częstotliwości w procesie prognostycznym struktury czasowej.(fragment tekstu)

EN

The paper presents results of neural networks application to forecasting stock prices, based on "tick by tick" time series from Warsaw Stock Exchange. Results show its usefulness in high frequency data analysis. (original abstract)

Słowa kluczowe

PL

Rynek kapitałowy; Ceny akcji; Sieci neuronowe; Szeregi czasowe; Prognozowanie

EN

Capital market; Shares prices; Neural networks; Time-series; Forecasting

• Czasopismo: Zeszyty Naukowe Uniwersytetu Szczecińskiego. Finanse, Rynki Finansowe, Ubezpieczenia
• Rocznik: 2004
• Numer: nr 2, Cz. 2 Rynek kapitałowy: skuteczne inwestowanie
• Strony: 233--250

Twórcy

autor

Przemysław Garsztka

• Akademia Ekonomiczna w Poznaniu

autor

Marek Łażewski

• Akademia Ekonomiczna w Poznaniu

Bibliografia

• Barnett W.A., Kirman A.P., Salmon M. (eds.), Nonlinear dynamics and economics, Cambridge University Press, Cambridge 1996.
• Basii D. (1996), Stock Price Predictions by Recurrent Multi-layer Neural Network Architectures, Neural Networks in Financial Engineering, 2, s. 331-340.
• Baum E., Haussler D. (1989), What Size Net Gives Valid Generalization, s. 151-160. Herrmann & Narr (1997), s. 9.
• Beltratii N., Margarita S., Terna P. (1996), Neural Networks for Economic and Financial Modeling. Intl. Thomson Computers Press.
• Bollerslev T., (1986) Generalized Autoreggressive Conditional Heleroscekedasticity, Journal of Econometrics, 31, s.307-327.
• Dacogorana M.M., Oencay R., Muller U.A., Olsen R.B., Pictet O.V., An Introduction to High Frequency Finance, Harcourt's Academic Press, 2000.
• Engle F.R., Autoregessive Conditional Heteroscedascity with Estimates of the Variance of United Kingdom Inflation, Econometrica 50, No. 4, (1982), s. 997-1007 .
• Garsztka P., Łażewski M., High Frequency Stock Prices Forecasting Using α-stable Distributions Speciefied by Artificial Neural Networks, referat wygłoszony w dniu 8 maja 2004 r. podczas konferencji Forecasting Financial Markets and Economics Decision-Making (FindEcon 2004) organizowanej przez Katedrę Ekonometrii Uniwersytetu Łódzkiego.
• Hong P., Rognvaldsson T., (1995) A Neural Network Approach to Futures Trading, Neural Networks in Financial Engineering, 2, s. 17-25.
• Lutkepohl H., Introduction to Multiple Time Series Analysis, Springer-Verlag, Heidelberg 1991.
• Masters T., (1996), Sieci neuronowe w praktyce - programowanie w języku C+ +, WNT, Warszawa.
• The Swedish Neural Network Society, http://www.nada.kth.se/sans/neuronet/SNNS.html
• Haefke C., Helmenstein C., (1997) Predicting Stock Market Averages to Anhance Profitable Trading Strategies, Neural Networks in Financial Engineering, 2, s.378-289.
• Gatley E., (1999) Sieci neuronowe. Prognozowanie finansowe i projektowanie systemów transakcyjnych, WIG-Press, Warszawa.
• Hiemstra Y., (1996), Linear Regression versus Backpropagation Networks to Predict Quarterly Stock market Excess Returns, Computational Economics 9, s. 67-76.
• Kuan C., White H., (1994), Artificial Neural Networks: An Econometric Perspective. Econometric Reviews 13, s.1-91.
• The Intertek Group (1997), Real-Time Data, Analytics and Forecasting Systems, The Intertek Groups, Paris.
• Peters E.E., Teoria chaosu a rynki kapitałowe, WIG-PRESS, Warszawa 1997.
• Tarczyński W., Fundamentalny portfel papierów wartościowych, Polskie Wydawnictwo Ekonomiczne, 2002.
• Tsibouris G., Zeidenberg M. (1995), Testing the Efficient Market Hypothesis with Gradient Descent Algorithms. w: A.P. Refenes (ed.) Neural Networks in the Capital Markets, Wiley, s. 127-136.
• Siriopoulos G., et. al. (1995), Applications of Artificial Neural Networks in Emerging Financial Markets. Neural Networks in Financial Engineering, 2, s. 284-302.
• Tadeusiewicz R. (1993), Sieci neuronowe, Akademicka Oficyna Wydawnicza s. 49-64.
• Masters T., (1996), Sieci neuronowe w praktyce. PWN, Warszawa, s. 170.
• Rachev S., Mittnik. S., (2000), Stable Paretian Models in Finance, Wiley, Nowy Jork.
• Witkowska D., Sztuczne sieci neuronowe i metody statystyczne, Wydawnictwo C.H. Beck, Warszawa 2002.
• Wong F.S., (1990), Tme series Forecasting using Backpropagation neural Networks. Neurocomputing 2, s. 147-159.
• Żurada J., Barski M., Jędruch W., Sztuczne sieci neuronowe. Podstawy teorii i zastosowania, Wydawnictwo Naukowe PWN, Warszawa 1996.