Metody neuronowe do prognozowania finansowego

• Autorzy: Jerzy Balicki , Piotr Dryja , Waldemar Korłub , Piotr Przybyłek , Maciej Tyszka , Marcin Zadroga , Marcin Zakidalski

Warianty tytułu

Neural Methods for the Financial Prediction

• Języki publikacji: PL

Abstrakty

Sztuczne sieci neuronowe mogą być stosowane do prognozowania kursów akcji na giełdzie, oceny wiarygodności kredytobiorców czy prognozowania kryzysów bankowych. W referacie omówiono zasady współpracy sieci neuronowych z algorytmami ewolucyjnymi oraz metodą wektorów wspierających. Ponadto, odniesiono się do pozostałych metod sztucznej inteligencji, które stosowane są w finansach. (abstrakt oryginalny)

EN

Artificial neural networks can be used to predict share investment on the stock market, assess the reliability of credit client or predicting banking crises. Moreover, this paper discusses the principles of cooperation neural network algorithms with evolutionary method, and support vector machines. In addition, a reference is made to other methods of artificial intelligence, which are used in finance prediction. (original abstract)

Słowa kluczowe

PL

Sztuczne sieci neuronowe (SSN); Metoda sztucznych sieci neuronowych; Prognozowanie notowań giełdowych

EN

Artificial neural networks (ANN); Artificial neural networks method; Stock exchange prediction

• Czasopismo: Współczesna Gospodarka
• Rocznik: 2016
• Tom: 7
• Numer: nr 2
• Strony: 21--36

Twórcy

autor

Jerzy Balicki

• Politechnika Warszawska

autor

Piotr Dryja

• Politechnika Gdańska

autor

Waldemar Korłub

• Politechnika Gdańska

autor

Piotr Przybyłek

• Politechnika Gdańska

autor

Maciej Tyszka

• Politechnika Gdańska

autor

Marcin Zadroga

• Politechnika Gdańska

autor

Marcin Zakidalski

• Politechnika Gdańska

Bibliografia

• 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. et al.: Superkomputery do wspomagania procesów gospodarczych ze szczególnym uwzględnieniem sektora bankowego. "Współczesna Gospodarka", Nr 4, 2014, ss. 1-12.
• Bechler A.: Porównanie efektywności sieci neuronowych i modeli ekonometrycznych we wspomaganiu decyzji kredytowych, Zastosowania metod statystycznych w badaniach naukowych, StatSoft Polska, Kraków 2003.
• 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.
• 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.
• Eurostat. http://ec.europa.eu/eurostat/, dostęp: 17.02.2016.
• Etemadi H., Rostamy A., Dehkordi H., A genetic programming model for bankruptcy prediction: Empirical evidence from Iran, Expert Systems with Applications, Vol. 36, No. 2, March 2009, pp. 3199-3207.
• 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. Warszawa: WIG-Press, 1999.
• Golicic, S. L., et al.: The impact of e-commerce on supply chain relationships. Int. Journal of Physical Distribution, vol. 32, 2002, pp. 851-871.
• 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.
• http://archive.ics.uci.edu/ml/datasets/Statlog+ German+Credit+Data , dostęp: 2 września 2014 r.
• 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 2007.
• Pietrzak J.: Czynniki przewagi konkurencyjnej na rynku bankowych usług detalicznych, Wyd. Uniwersytetu Gdańskiego, Gdańsk 2002.
• Potvin J.-Y., Soriano P., Vallée M.: Generating trading rules on the stock markets with genetic programming, Computers & Operations Search, Vol. 31, No. 7, June 2004, pp. 1033-1047.
• Rout M., Majhi B., Majhi R., Panda G.: Novel Stock Market Prediction Using a Hybrid Model of Adptive Linear Combiner and Differential Evolution. Communications in Computer and Information Science, Vol. 142, pp 187-191.
• 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, pp. 1-15.
• Srivastava R. P.: Automating judgmental decisions using neural networks: a model for processing business loan applications, Proc. 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.
• 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.
• Zarys strategii gospodarczej USA, http://www.whitehouse.gov/economy, dostęp: 29.11.2015