Statistical Models and Granular Soft RBF Neural Network for Malaysia KLCI Price Index Prediction
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F47813059%3A19240%2F17%3AA0000125" target="_blank" >RIV/47813059:19240/17:A0000125 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-55789-2_28" target="_blank" >http://dx.doi.org/10.1007/978-3-319-55789-2_28</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-55789-2_28" target="_blank" >10.1007/978-3-319-55789-2_28</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Statistical Models and Granular Soft RBF Neural Network for Malaysia KLCI Price Index Prediction
Popis výsledku v původním jazyce
Two novel forecasting models are introduced to predict the data of Malaysia KLCI price index. One of them is based on Box-Jenkins methodology where the asymmetric models, i.e. EGARCH and PGARCH models were used to form the random component for ARIMA model. The other forecasting model is a soft RBF neural network with cloud Gaussian activation function in hidden layer neurons. The forecast accuracy of both models is compared by using statistical summary measures of model’s accuracy. The accuracy levels of the proposed soft neural network are better than the ARIMA/PGARCH model developed by most available statistical techniques. We found that asymmetric model with GED errors provide better predictions than with Student’s t or normal errors one. We also discuss a certain management aspect of proposed forecasting models by their use in management information systems.
Název v anglickém jazyce
Statistical Models and Granular Soft RBF Neural Network for Malaysia KLCI Price Index Prediction
Popis výsledku anglicky
Two novel forecasting models are introduced to predict the data of Malaysia KLCI price index. One of them is based on Box-Jenkins methodology where the asymmetric models, i.e. EGARCH and PGARCH models were used to form the random component for ARIMA model. The other forecasting model is a soft RBF neural network with cloud Gaussian activation function in hidden layer neurons. The forecast accuracy of both models is compared by using statistical summary measures of model’s accuracy. The accuracy levels of the proposed soft neural network are better than the ARIMA/PGARCH model developed by most available statistical techniques. We found that asymmetric model with GED errors provide better predictions than with Student’s t or normal errors one. We also discuss a certain management aspect of proposed forecasting models by their use in management information systems.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/LQ1602" target="_blank" >LQ1602: IT4Innovations excellence in science</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in Time Series Analysis and Forecasting: Selected Contributions from ITISE 2016
ISBN
9783319557892
ISSN
—
e-ISSN
—
Počet stran výsledku
12
Strana od-do
401-412
Název nakladatele
Springer International Publishing
Místo vydání
Cham
Místo konání akce
Granada; Spain
Datum konání akce
1. 1. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—