Analiza składowych niezależnych na rynkach finansowych - możliwości i ograniczenia

• Autorzy: Ryszard Szupiluk

Warianty tytułu

Analysis of Independent Components in Financial Markets - Possibilities and Limitations

• Języki publikacji: PL

Abstrakty

W niniejszym artykule przedstawimy problematykę zastosowań analizy składowych niezależnych na rynku finansowym w kontekście algorytmicznej i statystycznej charakterystyki tej metody. Wskażemy, że specyfika uczenia maszynowego oraz problemowy kontekst ślepej separacji, w jakim osadzona jest analiza składowych niezależnych, ma zasadniczy wpływ na możliwości i ograniczenia interpretacji statystycznej uzyskanych wyników. Przedstawimy także propozycję algorytmu, bardziej zorientowanego na spełnienie warunku niezależności, niż algorytmy ukierunkowane na separację.(abstrakt oryginalny)

EN

In this article, we will present the application of independent components analysis for the financial market in the context of the algorithmic and statistical characteristics of this method. We will point out that the specificity of machine learning and the problematic context of blind separation in which the analysis of independent components is embedded have a significant impact on the possibilities and limitations of the statistical interpretation of the obtained results. We will also present a novel algorithm that is more focused on meeting the independence condition than algorithms dedicated for separation.(original abstract)

Słowa kluczowe

PL

Rynki finansowe; Uczenie maszynowe; Analiza finansowa

EN

Financial markets; Machine learning; Financial analysis

• Czasopismo: Metody Ilościowe w Badaniach Ekonomicznych / Szkoła Główna Gospodarstwa Wiejskiego
• Rocznik: 2023
• Tom: 24(XXIV)
• Numer: nr 2
• Strony: 79--91

Twórcy

autor

Ryszard Szupiluk

• Szkoła Główna Handlowa w Warszawie

Bibliografia

• Amari S. (1998) Natural Gradient Works Efficiently in Learning. Neural Computation, 10, 271-276 .
• Amari S., Cichocki A. (1998) Adaptive Blind Signal Processing - Neural Network Approaches. Proceedings of the IEEE, 86(10), 2026-2048.
• Amari S., Cichocki A., Yang H. (1999) Unsupervised Adaptive Filtering, chapter Blind Signal Separation and Extraction - Neural and Information Theoretic Approaches. John Wiley.
• Bell A. J., Sejnowski T. J. (1995) An Information-Maximization Approach to Blind Separation and Blind Deconvolution. Neural Computation, 7(6), 1129-1159. https://doi.org/10.1162/neco.1995.7.6.1129
• Cardoso J., Laheld B. (1996) Equivariant Adaptive Source Separation. IEEE Trans. Signal Processing, 44(12), 3017-3030.
• Cardoso J. (1998) Blind Signal Separation: Statistical Principles. Proceedings of the IEEE, 86(10), 2009-2025.
• Cardoso J. (1999) High-Order Contrasts for Independent Component Analysis. Neural Computation, 11(1), 157-192.
• Cichocki A., Unbehauen R. (1996) Robust Neural Networks with On-Line Learning for Blind Identification and Blind Separation of Sources. IEEE Trans. Circuits and Systems I: Fundamentals Theory and Applications, 43(11), 894-906.
• Cichocki A., Sabala I., Choi S., Orsier B., Szupiluk R. (1997) Self Adaptive Independent Component Analysis for Sub-Gaussian and Super-Gaussian Mixtures with Unknown Number of Sources and Additive Noise. In Proc. Int. Symposium on Nonlinear Theory and its Applications, NOLTA-97, 731-734.
• Cichocki A., Amari S. (2002) Adaptive Blind Signal and Image Processing. John Wiley, Chichester.
• Comon P. (1994) Independent Component Analysis, a New Concept ? Signal Processing, Elsevier, 36(3), 287-314.
• Comon P., Jutten Ch. (2010) Handbook of Blind Source Separation: Independent Component Analysis and Applications, Academic Press.
• Douglas S., Cichocki A. (1997) On-Line Step Size Selection for Training Adaptive Systems, IEEE Signal Processing Mag., 14(6), 45-46.
• Douglas S., Kung S. (1998): Kuicnet Algorithms for Blind Deconvolution. Proc. IEEE Workshop on Neural Networks for Signal Processing, Cambridge, UK.
• Girolami M., Fyfe C. (1996) Negentropy and Kurtosis as Projection Pursuit Indices Provide Generalized ICA Algorithms. Advances in Neural Information Processing Systems, NIPS'96 Workshop, Snowmaas.
• Haykin S. (2009) Neural Networks and Learning Machines. Pearson Education, New Jersey.
• Hyvarinen A., Oja E. (1996) Simple Neuron Models for Independent Component Analysis. Int. Journal of Neural Systems, 7(6), 671-687.
• Hyvarinen A., Oja E. (2000) Independent Component Analysis: Algorithms and Applications. Neural Networks, 13(4-5), 411-430.
• Hyvarinen A., Karhunen J., Oja E. (2001) Independent Component Analysis. Wiley John, New York.
• Jutten C., Hérault J. (1991) Blind Separation of Sources, Part 1: An Adaptive Algorithm Based on Neuromimetic Architecture. Signal Processing, 24(1), 1-10.
• Karvanen, J., Eriksson, J. & Koivunen, V. (2002) Adaptive Score Functions for Maximum Likelihood ICA. The Journal of VLSI Signal Processing-Systems for Signal, Image, and Video Technology, 32, 83-92. https://doi.org/10.1023/A:1016367418778
• Lambert R. (1996) Multi-Channel Blind Deconvolution: FIR Matrix Algebra and Separation of Multi-Path Mixtures. Elec. Eng. Univ. of Southern California.
• Lassance N., DeMiguel V., Vrins F. (2022) Optimal Portfolio Diversification via Independent Component Analysis. Operations Research, 70(1), 55-72.
• Miettinen J., Taskinen S., Nordhausen K., Oja H. (2015) Fourth Moments and Independent Component Analysis. Statistical Science, 30(3), 372-390.
• Peters E. (1996) Fractal Market Analysis. John Wiley&Son.
• Puuronen J., Hyvärinen A. (2015) Independent Component Analysis with an Inverse Problem Motivated Penalty Term. 2015 International Joint Conference on Neural Networks.
• Salazar A., Vergara L. (2018) Independent Component Analysis (ICA): Algorithms, Applications and Ambiguities. Nova Science Publishers.
• Szupiluk R. (2014) Dekompozycje wielowymiarowe w agregacji predykcyjnych modeli data mining. Szkoła Główna Handlowa, Oficyna Wydawnicza, Warszawa.

Identyfikatory

DOI

https://doi.org/10.22630/MIBE.2023.24.2.6