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”

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