Wybrane paradygmaty sztucznej inteligencji w informatycznych systemach finansowych

• Autorzy: Jerzy Balicki

Warianty tytułu

Some Paradigms of Artificial Intelligence in Financial Computer Systems

• Języki publikacji: PL

Abstrakty

W artykule omówiono wybrane paradygmaty sztucznej inteligencji w kontekście ich zastosowań w informatycznych systemach finansowych. Zaproponowane podejście cechuje się istotnym potencjałem w zakresie wzrostu konkurencyjności przedsiębiorstw, w tym instytucji finansowych. Wymaga jednak efektywnego wykorzystania superkomputerów, gridów i chmur obliczeniowych, W tym kontekście odniesiono się do środowiska obliczeniowego dla cyberwaluty Bitcoin. Ponadto, scharakteryzowano programowanie genetyczne i sztuczne sieci neuronowe do przygotowania strategii inwestycyjnych na giełdzie papierów wartościowych. (abstrakt oryginalny)

EN

The article discusses some paradigms of artificial intelligence in the context of their applications in computer financial systems. The proposed approach has a significant potential to increase the competitiveness of enterprises, including financial institutions. However, it requires the effective use of supercomputers, grids and cloud computing. A reference is made to the computing environment for Bitcoin. In addition, we characterized genetic programming and artificial neural networks to prepare investment strategies on the stock exchange market. (original abstract)

Słowa kluczowe

PL

Sztuczna inteligencja; Systemy informatyczne; Programowanie genetyczne; Sztuczne sieci neuronowe (SSN)

EN

Artificial intelligence; Computer system; Genetic programming; Artificial neural networks (ANN)

• Czasopismo: Współczesna Gospodarka
• Rocznik: 2015
• Tom: 6
• Numer: nr 4
• Strony: 1--23

Twórcy

autor

Jerzy Balicki

• Politechnika Warszawska

Bibliografia

• Abe Y. et al.: Power and performance analysis of GPU-accelerated systems. Proc. Of the 2012 USENIX Conf. on Power-Aware Computing and Systems (HotPower'12), USENIX Association, Berkeley, USA, 2012, pp. 10-18.
• Aldrich E., Fernández-Villaverde M., Gallant J.R., Rubio-Ramírez A., Juan F.: Tapping the supercomputer under your desk: Solving dynamic equilibrium models with graphics processors, Journal of Economic Dynamics and Control, Elsevier, vol. 35(3), 2011, pp. 386-393.
• Baesens B., Setiono R., Mues C., Vanthien J.: Using neural network rule extraction and decision tables for credit-risk evaluation. Management Science, Vol. 49, No. 3, March 2003, pp. 312-320.
• Balicka H., Balicki J., Korłub W., Paluszak J., Pastewski M., Przybyłek P., Zadroga.M., Zakidalski M.: Metody sztucznej inteligencji do wspomagania bankowych systemów. informatycznych. W: K. Kreft, D. Wach, J. Winiarski (red.): Systemy informatyczne.w gospodarce. Wyd. Uniwersytetu Gdańskiego, Gdańsk 2013, ss. 125-138.
• Balicka H., Balicki J., Korłub W., Paluszak J., Zadroga M.: Superkomputery do.wspomagania procesów gospodarczych ze szczególnym uwzględnieniem sektora bankowego. Współczesna Gospodarka, Vol. 4, Issue 5, 2014, ss. 1-15.
• Balicki J., Beringer M., Korłub W., Przybyłek P. , Tyszka M., Zadroga M.: Collective citizens' behavior modelling with support of the Internet of Things and Big Data. Proceedings of the 8th International Conference on Human-System-Interaction HSI'2015, Warsaw, Poland, June 25-27, 2015, pp. 61-67.
• Balicki J., Korłub W., Paluszak J. : Big data processing by volunteer computing supported by intelligent agents. Proc. of 6th International Conference, PReMI 2015, Warsaw, Poland, June 30 - July 3, 2015, Lecture Notes in Computer Science, Vol. 9124, pp. 268-278.
• Balicki J., Korłub W., Tyszka M. : Harmony search to self-configuration of fault-tolerant grids for big data. In: Z. Kowalczuk: Advances in Intelligent Systems and Computing, Vol. 386, 2016, pp. 411-424.
• Balicki J., Multi-criterion decision making by artificial intelligence techniques. Proc. on the 8th Int. Con. on Artificial Intelligence, Knowledge Engineering and Data Bases, February 2009, Cambridge, pp. 319-324.
• Balicki J., Przybyłek P., Zadroga M., Zakidalski M.: Sztuczne sieci neuronowe oraz metoda wektorów wspierających w bankowych systemach informatycznych. Współczesna Gospodarka, Vol. 4, 2013, ss. 1-14.
• Balicki J., Szymański J., Kępa M., Draszawka K., Korłub W.: Improving effectiveness of svm classifier for large scale data. Proceedings on 14th International Conference, ICAISC 2015, Zakopane, Poland, June 14-18, 2015, Part I, Lecture Notes in Computer Science, Vol. 9119, pp. 675-686.
• Bandi N., Sun C., Agrawal D., El Abbadi A.: Hardware acceleration in commercial databases: A case study of spatial operations, 2004, pp. 1021-1032.
• Bechler A., Porównanie efektywności sieci neuronowych i modeli ekonometrycznych we wspomaganiu decyzji kredytowych, Zastosowania metod statystycznych w badaniach naukowych, StatSoft Polska, Kraków 2003.
• Bosse T., Siddiqui G.F., Treur J.: Supporting financial decision making by an intelligent agent estimating greed and risk. Proc. the IEEE/WIC/ACM Int. Conf. on Web Intelligence and Intelligent Agent Technology, vol. 3, Aug. 31-Sept. 3 2010, pp. 365-370.
• Brown C.: Technical analysis for the trading professional, Second Edition: Strategies and techniques for today's turbulent global financial markets. The McGrawHill Companies, New York 2011.
• Chaveesuk R., Srivaree-Ratana C., Smith A.E.: Alternative neural network approaches to corporate bond rating. Journal of Engineering Valuation and Cost Analysis, vol. 2, 1999, ss. 117-131.
• Chen S.-H., Kuoand T.-W. Hoi K.-M.: Genetic programming and financial trading: How much about "What we Know". In: 4th NTU International Conference on Economics, Finance and Accounting, April 2006, s. 2-11, 29-32.
• Davis E. P., Karim D.: Comparing early warning systems for banking crises. Journal of Financial Stability, vol. 4, no. 2, 2008, pp. 89-120.
• Demirguc-Kunt A., Detragiache E.: Monitoring banking sector fragility: a multivariate logit approach. World Bank Economic Review, vol. 14, no. 2, 2000, pp. 287-307.
• Dziubinski M.P., Grassi S.: heterogeneous computing in economics: A Simplified approach, CREATES Research Papers 2012-15, School of Economics and Management, University of Aarhus, 2012.
• Frankel J. A., Rose A. K.: Currency crashes in emerging markets: an empirical treatment. Journal of International Economics, vol. 41, no. 3-4, 1996, pp. 351-366.
• Gately E.: Sieci Neuronowe. Prognozowanie finansowe i projektowanie systemów transakcyjnych. WIG-Press, Warszawa 1999.
• Gis A.: Wielowątkowa aplikacja wykorzystująca sztuczne sieci neuronowe i algorytm roju do predykcji na giełdzie. Praca magisterska, Politechnika Gdańska, Gdańsk 2015.
• Govindaraju N. K., Lloyd B., Wang W., Lin M., Manocha D.: Fast computation of database operations using graphics processors. Proc. of the 2004 ACM SIGMOD Int. Conf. on Management of Data, June 2004, pp. 215-226.
• Hanschel E., Monnin P.: Measuring and forecasting stress in the banking sector: evidence from Switzerland. Investigating the Relationship between the Financial and Real Economy, BIS Papers, no. 22, 2005, pp. 431-449.
• Henley W.E., Hand D.J.: A k-nearest-neighbour classifier for assessing consumer credit risk, The Statistician, Vol. 45, Issue 1, 1996, pp. 75 - 95.
• Kaminsky G. L., Reinhart C. M.: The twin crises: the causes of banking and balance of-payments problems. American Economic Review, vol. 89, no. 3, pp. 473-500, 1999.
• Leyton-Brown K., Shoham Y.: Multiagent systems: algorithmic, game- theoretic, and logical Foundations. Cambridge University Press, 2008.
• Majer I.: Application scoring: logit model approach and the divergence method compared, Department of Applied Econometrics, Working Paper, No. 10-06, 2006.
• Mylonakis J., Diacogiannis G.: Evaluating the likelihood of using linear discriminant analysis as a commercial bank card owners credit scoring model. International Business Research, Vol. 3, No. 2, 2010.
• Nazari M., Alidadi M.: Measuring credit risk of bank customers using artificial neural network. Journal of Management Research, vol. 5, No. 2, 2013.
• Oet M., Eiben R., Bianco T., Gramlich D., Ong S., Wang J.: SAFE: an early warning system for systemic banking risk. Proc. of the 24th Australasian Finance and Banking Conference, SSRN, 2011.
• Pandey V., Wee-Keong Ng, Ee-Peng Lim: Financial advisor agent in a multi-agent financial trading system. Proc. 11th Int. Workshop on Database and Expert Systems Applications, 2000, pp. 482-486.
• Pietrzak E., Markiewicz M. (red.): Finanse, bankowość i rynki finansowe, Wyd. Uniwersytetu Gdańskiego, Gdańsk 2006.
• Potvin J.-Y., Soriano P., Vall M.: Generating trading rules on the stock markets with genetic programming. Computers & Operations Research, Vol. 31, 2004, pp. 1033-1047.
• Pruitt SW, White RE. The CRISMA trading system: who says technical analysis can't beat the market? Journal of Portfolio Management 1988;14:55-8.
• Schwaerzel R.: Financial time series prediction and evaluation by genetic programming with trigonometric functions and high-order statistics. Ph.D. Dissertation. The University of Texas at San Antonio. Advisor(s) Tom Bylander 2006.
• Shouwei L., Mingliang W., Jianmin H.: Prediction of banking systemic risk based on support vector machine. Mathematical Problems in Engineering, Vol. 2013, April 2013, s. 5-12.
• Solomon S.: Option pricing on the GPU, High Performance Computing and Communications, 2010, pp. 223-234.
• Srivastava R. P.: Automating judgmental decisions using neural networks: a model for processing business loan applications, Proceedings of the 1992 ACM annual conference on Communications, pp. 351-357.
• Staniec I., Zastosowanie sztucznych sieci neuronowych i wybranych metod statystycznych do wspomagania decyzji kredytowych, Zastosowania metod statystycznych w badaniach naukowych II, StatSoft Polska, Kraków 2003, s. 20.
• Svangard N., Nordin P., Lloyd S., Wihlborg C.: Evolving short-term trading strategies using genetic programming. Proc. of the Congress on Evolutionary Computation, vol. 2, 2002, pp. 2006-2010.
• Wooldridge M.: Introduction to multiagent systems. John Wiley & Sons, June 2002.
• Yobas M.B., Crook J.N., Ross P.: Credit scoring using neural and evolutionary techniques. IMA Journal of Mathematics Applied in Business and Industry, Vol. 11, 2000, pp. 111-125.
• Zan H. et al.: Credit rating analysis with support vector machines and neural networks: a market comparative study. Decision Support Systems, vol. 37, 2004, ss. 543-558.
• Benchmark z danymi kredytowymi, http://archive.ics.uci.edu/ml/datasets/Statlog+ German+Credit+Data , dostęp: 2.09.2015.
• Bitcoin.org, https://bitcoin.org/en/, dostęp: 11.02.2015.
• Bitcoin: A Peer-to-Peer Electronic Cash System, https://bitcoin.org/bitcoin.pdf, dostęp 12.02.2015.
• EBA warns consumers on virtual currencies, http://www.eba.europa.eu/-/eba-warnsconsumers-on-virtual-currencies, dostęp 11.02.2015.
• Eurostat. http://ec.europa.eu/eurostat/, dostęp: 17.02.2015.
• Forbes, http://www.forbes.com/sites/techonomy/2014/08/07/bitcoin-momentumgrows-in-emerging-markets/,dostęp 11.02.2015.
• How do Bitcoin Transactions Work. http://www.coindesk.com/information/how-dobitcoin-transactions-work/, dostęp 11.02.2015.
• How does Bitcoin work. https://bitcoin.org/en/how-it-works, dostęp: 11.02.2015.
• Knight shows how to lose 440 million in 30 minutes, http://www.bloomberg.com/bw/articles/2012-08-02/knight-shows-how-to-lose-440-million-in-30-minutes, dostęp: 20.02.2015r.
• Mining hardware comparison, https://litecoin.info/Mining_hardware_comparison, dostęp 12.02.2015.
• NBP: Raport na temat pełnego uczestnictwa RP w trzecim etapie Unii Gospodarczej i Walutowej, http://www.nbp.pl/Publikacje/O_Euro/RE1.pdf, dostęp: 29.11.2015.
• NUMTECH: GPGPU and financial business. http://www.numtech.co.jp/files/documents/seminar/20101019/20101019E.pdf, dostęp: 20.11.2014.
• NVIDIA: Computational Finance, http://www.nvidia.com/object/computational_finance.html, dostęp: 12.11.2015.
• Specyfikacja Bitcoin. http://nakamotoinstitute.org/bitcoin/, dostęp: 11.02.2015.
• TOP 500 The List, http://www.top500.org/, dostęp: 12.11.2015.