Forecasting Models for WIG20 Index Based on Advenced Statistical Models vs. SC Models
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27510%2F14%3A86095864" target="_blank" >RIV/61989100:27510/14:86095864 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Forecasting Models for WIG20 Index Based on Advenced Statistical Models vs. SC Models
Popis výsledku v původním jazyce
In this paper, we consider the accuracy of forecasting models based on statistical (stochastic), machine learning methods and an intelligent methodology based on soft or granular computing. In this paper, we illustrate the ARCH-GARCH methodology on the developing a forecast model for time series of polish WIG20 stock indexes and make comparisons the forecast accuracy with the class of RBF neural network models. To illustrate the forecasting performance of these approaches the learning aspects of RBF networks are presented. 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 modeled by cloud concept. In a 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
Forecasting Models for WIG20 Index Based on Advenced Statistical Models vs. SC Models
Popis výsledku anglicky
In this paper, we consider the accuracy of forecasting models based on statistical (stochastic), machine learning methods and an intelligent methodology based on soft or granular computing. In this paper, we illustrate the ARCH-GARCH methodology on the developing a forecast model for time series of polish WIG20 stock indexes and make comparisons the forecast accuracy with the class of RBF neural network models. To illustrate the forecasting performance of these approaches the learning aspects of RBF networks are presented. 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 modeled by cloud concept. In a 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
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/EE2.3.20.0296" target="_blank" >EE2.3.20.0296: Výzkumný tým pro modelování ekonomických a finančních procesů na VŠB-TU Ostrava</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2014
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
Managing and Modeling of Financial Risks : 7th international scientific conference : proceedings : 8th-9th September 2014, Ostrava, Czech Republic. [Part I-III]
ISBN
978-80-248-3631-7
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
470-477
Název nakladatele
VŠB - Technical University of Ostrava
Místo vydání
Ostrava
Místo konání akce
Ostrava
Datum konání akce
8. 9. 2014
Typ akce podle státní příslušnosti
EUR - Evropská akce
Kód UT WoS článku
000350605800059