Odkrywanie ciągów samopodobnych w szeregu czasowym z zastosowaniem metody wnioskowania opartej na znanych przypadkach

• Autorzy: Andrzej Kluza

Warianty tytułu

Self-Similar Trend Discovery in Time Series Using Artificial Intelligence Case-Based Method

• Języki publikacji: PL

Abstrakty

Analiza techniczna przebiegów cen instrumentów giełdowych opiera się na założeniu, że pewne formacje w przebiegach mają tendencje do powtarzania się. Na tej podstawie formułowane są hipotezy co do bieżąco występującego trendu oraz przyszłego kształtowania się cen. Analiza techniczna jest więc jedną z opisowo-prognostycznych metod ilościowych. Wiele metod analizy technicznej, służących głównie do wnioskowania o przyszłych wartościach kursów, nie ma jednak silnego umocowania w teoriach naukowych. W obrębie sztucznej inteligencji można wyróżnić metodologie służące do analizy instrumentów finansowych: sieci neuronowe, logikę rozmytą i algorytmy genetyczne, wnioskowanie oparte na bazie reguł (inaczej rule-based reasoning - RBR), oraz wnioskowanie oparte na znanych przypadkach (inaczej wnioskowanie oparte na precedensach, case-based reasoning - CBR). W niniejszej pracy wykorzystano tę ostatnią metodologię. (fragment tekstu)

EN

The paper presents an application of Case-Based Reasoning to determine sequences similar in stock market close values, most similar to the pattern from the same series. The local and global similarity functions were constructed. Empirical data covered 1130 close values of a Polish stock market main telecommunication company share. 5, 20 and 80 session long sequences, with highest similarity to pattern were discovered in the calculations. Further research directions with similar methodology were proposed to discover similarities between multiple time series and for time series prediction. (original abstract)

Słowa kluczowe

PL

Szeregi czasowe; Miara podobieństwa

EN

Time-series; Similarity measure

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Ekonometria
• Rocznik: 2004
• Tom: 14
• Numer: nr 1021 Zastosowania metod ilościowych
• Strony: 115--122

Twórcy

autor

Andrzej Kluza

• Szkoła Główna Gospodarstwa Wiejskiego w Warszawie

Bibliografia

• Holmström K. (1998), Predicting the Stock Market, Technical Report IMa-TOM-1997-07, Department of Mathematics and Physics, Mälardalen University, Sweden, http://www.ima.mdh.se/tom/tom-prints/print-ima_tom-1997_07.ps.
• Kolodner J. (1993), Case-Based Reasoning, Morgan Kaufman Publishers Inc., San Francisco, CA.
• Krawczak M., Miklewski A., Jakubowski A., Konieczny P., (2000), Zarządzanie ryzykiem inwestycyjnym, wybrane zagadnienia, Polska Akademia Nauk, Instytut Badań Systemowych, Warszawa.
• Lenz M., Bartsch В., Burkhard H-D., Wess S. (red.) (1998), Case-Based Reasoning Technology, from Foundations to Applications, Lecture Notes in Computer Science, Springer, Heidelberg.
• Mulawka J.J. (1996), Systemy ekspertowe, Wydawnictwa Naukowo-Techniczne, Warszawa.
• Pring J.M. (1998), Podstawy analizy technicznej, WIG Press, Warszawa.
• Richter M. (1995), The Knowledge Contained in Similarity Measures. Invited talk at ICCBR'95, Portugal, http://www.cbr-web.org/documents/Richtericcbr95remarks.html.
• Rutkowska D., Piliński M., Rutkowski L. (1997), Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa.
• Slade S. (1991), Case-Based Reasoning for Financial Decision Making, First International Conference on Artificial Intelligence Applications on Wall Street, New York, NY.
• Watson I. (1999), Case-Based Reasoning is a Methodology not a Technology, "Knowledge-Based Systems" 1999 nr 4, s. 303-308.