Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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