Próba oceny efektywności prognozowania indeksów giełdowych WIG i DJA za pomocą sztucznych sieci neuronowych

• Autorzy: Wiesław Łuczyński

Warianty tytułu

An Attempt to the Efficiency of the WIG and DJA Stock Indices Forecasting Assessment Using Artificial Neural Networks

• Języki publikacji: PL

Abstrakty

Analiza przeskalowanego zakresu pozwoliła wyznaczyć cykle pamięci długookresowej notowań dziennych WIG (212 obserwacji) i DJA (94 obserwacje) dla okresu 1991/04/16 - 2009/08/31. W przypadku notowań indeksu WIG mamy do czynienia z systemem persystentnym, mającym tendencję do powielania bieżącego trendu. Natomiast wykładnik Hursta dla indeksu DJA wskazuje na antypersystentność szeregu, mającego tendencję do odwracania bieżącego trendu. Uzyskane prognozy pozwalają sformułować wniosek o względnie wyższej efektywności prognoz uzyskanych za pomocą sztucznych sieci neuronowych, w porównaniu z prognozami modeli typu AR IM A. Dotyczy to zwłaszcza systemów antypersystentnych (ergodycznych).(abstrakt oryginalny)

EN

Rescaled range analysis allows to indicate the long-term memory cycles of the daily prices quotation of the WIG (212 observations) and of the DJA (94 observations) for 1991/04/16 - 2009/08/31 period. The WIG index quotations are described as the persistence system with a tendency to repeat the current trend. However, the Hurst exponent for the DJA index points out the anti-persistence of the time series, having a tendency to reverse the current trend. Forecasts obtained allow to conclude that the artificial neural networks forecasts are comparatively highly efficient than the ARIMA models forecasts, particularly in the anti-persistence (ergodic) systems.(original abstract)

Słowa kluczowe

PL

Sztuczne sieci neuronowe (SSN); Prognozowanie; Indeks giełdowy; Warszawski Indeks Giełdowy (WIG)

EN

Artificial neural networks (ANN); Forecasting; Stock market indexes; Warsaw Stock Exchange Index

• Czasopismo: Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu
• Rocznik: 2010
• Numer: nr 18
• Strony: 265--277

Twórcy

autor

Wiesław Łuczyński

• Uniwersytet Ekonomiczny w Poznaniu

Bibliografia

• Anastassiou G., Quantitative approximations, Chapman&Hall/CRC, New York 2001.
• Burgess A.N., Refenes A.-R, Wykorzystanie sprzężenia zwrotnego błędu w neuronowym modelowaniu finansowych szeregów czasowych, s. 313-327, w: Prognozowanie rynków finansowych. Kursy walutowe, stopy procentowe, zarządzanie aktywami, pod red. Ch.L. Dunisa, przeł. P. Kawa, Dom Wydawniczy ABC, Kraków 2001.
• Charemza W.W., Deadman D.F., Nowa ekonometria (przekł. E.M. Syczewska), PWE. Warszawa 1997.
• Chatfield C., Time-series forecasting, Chapman&Hall/CRC, New York 2000.
• DeLurgio S.A., Forecasting Principles and Applications, Irwin McGraw-Hill, New York 1998.
• Dittmann P., Prognozowanie na podstawie szeregów czasowych, s. 62-103, w: Prognozowanie gospodarcze. Metody i zastosowanie, pod red. M. Cieślak, wyd. 2, Wyd. Naukowe PWN, Warszawa 2001.
• Doornik J.A., Hendry D.F., Modelling Dynamie Systems Using PcGive 10, Volume IL TCL, London 2001.
• Gately E., Sieci neuronowe. Prognozowanie finansowe i projektowanie systemów transakcyjnych, WIG-Press, Warszawa 1999.
• Green W.H., Econometric analysis, fourth edition, Prentice Hall International, Inc., New Jersey 2000.
• Gruszczyński M., Kluza S., Winek D., Ekonometria, pod red. M.Gruszczyńskiego, Wyd. WSHiFM, Warszawa 2003.
• Harvey A.C., The econometric analysis of time series, Philip Allan, Hemel Hempstead 1990.
• Judge G.G., Griffiths W.E., Hill R.C., Lütkepohl H., Lee T.C., The theory and practice of econometrics, J.Wiley & Sons, Inc., New York 1985.
• Kopczewska K., Kopczewski Т., Wójcik P., Metody ilościowe w К. Aplikacje ekonomiczne i finansowe, CeDeWu.PL Wydawnictwa fachowe, Warszawa 2009.
• Kosiński R.A., Sztuczne sieci neuronowe. Dynamika nieliniowa i chaos, wyd. 3 uaktualnione, WNT, Warszawa 2007.
• Kufel Т., Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu GRETL, wyd. 2, zm., Wyd. Naukowe PWN, Warszawa 2009.
• Luszniewicz A., Słaby Т., Statystyka z pakietem komputerowym STATISTICA PL. Teoria i zastosowania, wyd. 3 zm., Wyd. C.H.Beck, Warszawa 2008.
• Łęski J., Systemy neuronowo-rozmyte, WNT, Warszawa 2008.
• Mandala G.S., Ekonometria, red. nauk. przekładu M. Gruszczyński, Wyd. Naukowe PWN, Warszawa 2006.
• Nowiński M., Nieliniowa dynamika szeregów czasowych w badaniach ekonomicznych, Wyd. AE im. Oskara Langego we Wrocławiu, Wrocław 2007.
• Papla D., Deterministyczny chaos - zarys metodologii i badania empiryczne dla GPW w Warszawie, s. 101-198, w: Metody ekonometryczne i statystyczne w analizie rynku kapitałowego, pod red. K. Jajugi, Wyd. AE im. Oskara Langego we Wrocławiu, Wrocław 2000.
• Peters E., Teoria chaosu a rynki kapitałowe. Nowe spojrzenie na cykle, ceny i ryzyko, przełożył K. Środa, WIG-Press, Warszawa 1997.
• Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wyd. Naukowe PWN, Warszawal997.
• Snarska A., Statystyka, ekonometria, prognozowanie. Ćwiczenia z Excelem, Wyd. Placet, Warszawa 2005.
• STATIST!CA. Neural Networks PL (Wprowadzenie do sieci neuronowych, Kurs użytkownika programu na przykładach, Poradnik użytkownika, Przewodnik problemowy), StatSoft, 2001.
• Studenmund A.H., Using econometrics: a practical guide, Addison Wesley Longman Inc., New York 2001.
• Syczewska E.M., Analiza relacji długookresowych: estymacja i weryfikacja, SGH w Warszawie, Warszawa 2002.
• Tadeusiewicz R., Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi, programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998.
• Tomczyk E., Podstawy analizy szeregów czasowych, s. 173-199, w: Ekonometria, pod red. M. Gruszczyńskiego i M. Podgórskiej, Wyd. SGH w Warszawie, Warszawa 2003.
• Welfe A., Ekonometria. Metody i ich zastosowanie, wyd. 3 zm., PWE, Warszawa 2003.
• Weron A., Weron R., Inżynieria finansowa. Wycena instrumentów pochodnych. Symulacje komputerowe. Statystyka rynku, WNT, Warszawa 1998.
• Witkowska D., Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, Wyd. C.H. Beck, Warszawa 2002.