Modelling of the history and predictions of financial market time series using Evolino

Collection:
Mokslo publikacijos / Scientific publications
Document Type:
Knygos dalis / Part of the book
Language:
Anglų kalba / English
Title:
Modelling of the history and predictions of financial market time series using Evolino
Keywords:
LT
Chaosas modeliavimas; Chaoso modeliavimas; Evolino; Ortogonalumas; Pasikartojantys neuroninių tinklų; Rinka; Rinkų prognozavimas; Rinkų prognozavimo.
EN
Chaos modelling; Evolino, recurrent neural networks, prediction of markets, chaos modelling, orthogonality; Market; Prediction of markets.
Summary / Abstract:

LTDirbtiniai neuronų tinklai ir jų sistemos jau gali mokytis, apibendrinti, filtruoti ir klasifikuoti informaciją. Vis didesnis skaičius autorių bando išmokyti juos aproksimuoti ir numatyti chaotiškus, fraktalinius procesus. Vienas iš didžiausių iššūkių šiandienos finansų tyrinėtojams yra numatyti prekių akcijų ir valiutų rinkas. Kainų variacijos veda prie ekonominių rodiklių, kurie yra investuotojų ir trumpalaikių rinkos žaidėjų investavimo proceso rezultatas. Šio straipsnio tikslas yra ištirti, ar Evolino algoritmas yra tinkamas tirti ir numatyti finansų ir valiutų rinkas. Finansų rinkas galima paaiškinti pelningumo, patikimumo arba rizikos investicijų modeliais ir analizės metodais. Neuronų tinklai padeda stebėti mokymosi proceso chaotiškų procesų progresą. Įvairių metodų palyginimas įvertina neuronų tinklų chaotiškų procesų mokymosi algoritmus ir padidina jų prognozavimo tikslumą. Schmidhuber ir kt. sukūrė bendrą iš eilės besimokančio algoritmo modelį Evolino, kurį lengva naudoti ir kuris labai aiškiai parodo neuroninių tinklų mokymąsi ir prognozavimą. Evolino buvo taikomas DJIA, NasdaQ ir GOLD finansų rinkų indeksams. Apibendrinant straipsnio tyrimo rezultatus galima teigti, kad Evolino algoritmas yra pakankamai geras, kad jį būtų galima taikyti tiriant ir prognozuojant finansų ir valiutų rinkas, jei tinkamai parinktos laiko eilučių ortogonalinės bazės yra taikomos organizuoti chaotiškiems finansiniams duomenims.

ENArtificial neural networks and their systems are already capable of learning, to summarize, filter, and classify information. The increasing amount of authors are trying to teach them to approximate and predict chaotic, fractal processes. One of the greatest challenges of today's financial researches is forecasting of the commodities, stocks and currency markets. Variations in prices lead to economic indicators as result of investment process of investors and short time market players. Present article investigates recurrent neural network systems as mathematical tool for objective forecasts of fractal behaviour of financial markets by Evolino recurrent neural network learning algorithm. [text from author]

Related Publications:
Permalink:
https://www.lituanistika.lt/content/25206
Updated:
2016-06-22 13:09:31
Metrics:
Views: 48
Export: