Granular RBF NN Approach and Statistical Methods Applied to Modelling and Forecasting High Frequency Data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F47813059%3A19240%2F09%3A%230002964" target="_blank" >RIV/47813059:19240/09:#0002964 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Granular RBF NN Approach and Statistical Methods Applied to Modelling and Forecasting High Frequency Data
Popis výsledku v původním jazyce
We examine the ARCH-GARCH models for the forecasting of the bond price time series provided by VUB bank and make comparisons the forecast accuracy with the class of RBF neural network models. A limited statistical or computer science theory exists on howto design the architecture of RBF networks for some specific nonlinear time series, which allows for exhaustive study of the underlying dynamics, and determine their parameters. To illustrate the forecasting performance of these approaches the learningaspects of RBF networks are presented and an application is included. We show a new approach of function estimation for nonlinear time series model by means of a granular neural network based on Gaussian activation function modelled by cloud concept. Ina comparative study is shown that the presented approach is able to model and predict high frequency data with reasonable accuracy and more efficient than statistical methods.
Název v anglickém jazyce
Granular RBF NN Approach and Statistical Methods Applied to Modelling and Forecasting High Frequency Data
Popis výsledku anglicky
We examine the ARCH-GARCH models for the forecasting of the bond price time series provided by VUB bank and make comparisons the forecast accuracy with the class of RBF neural network models. A limited statistical or computer science theory exists on howto design the architecture of RBF networks for some specific nonlinear time series, which allows for exhaustive study of the underlying dynamics, and determine their parameters. To illustrate the forecasting performance of these approaches the learningaspects of RBF networks are presented and an application is included. We show a new approach of function estimation for nonlinear time series model by means of a granular neural network based on Gaussian activation function modelled by cloud concept. Ina comparative study is shown that the presented approach is able to model and predict high frequency data with reasonable accuracy and more efficient than statistical methods.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
AH - Ekonomie
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA402%2F08%2F0022" target="_blank" >GA402/08/0022: Nejnovější inteligentní metodologie pro modelování a predikci ekonomických časových řad</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2009
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
International Journal of Computational Intelligence Systems (IJCIS)
ISSN
1875-6883
e-ISSN
—
Svazek periodika
Vol. 2-4
Číslo periodika v rámci svazku
12/2008
Stát vydavatele periodika
BE - Belgické království
Počet stran výsledku
12
Strana od-do
—
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—