Some statistical and CI models to predict chaotic high-frequency financial data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27510%2F20%3A10246276" target="_blank" >RIV/61989100:27510/20:10246276 - isvavai.cz</a>
Výsledek na webu
<a href="https://content.iospress.com/articles/journal-of-intelligent-and-fuzzy-systems/ifs189107" target="_blank" >https://content.iospress.com/articles/journal-of-intelligent-and-fuzzy-systems/ifs189107</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.3233/JIFS-189107" target="_blank" >10.3233/JIFS-189107</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Some statistical and CI models to predict chaotic high-frequency financial data
Popis výsledku v původním jazyce
To forecast time series data, two methodological frameworks of statistical and computational intelligence modelling are considered. The statistical methodological approach is based on the theory of invertible ARIMA (Auto-Regressive Integrated Moving Average) models with Maximum Likelihood (ML) estimating method. As a competitive tool to statistical forecasting models, we use the popular classic neural network (NN) of perceptron type. To train NN, the Back-Propagation (BP) algorithm and heuristics like genetic and micro-genetic algorithm (GA and MGA) are implemented on the large data set. A comparative analysis of selected learning methods is performed and evaluated. From performed experiments we find that the optimal population size will likely be 20 with the lowest training time from all NN trained by the evolutionary algorithms, while the prediction accuracy level is lesser, but still acceptable by managers.
Název v anglickém jazyce
Some statistical and CI models to predict chaotic high-frequency financial data
Popis výsledku anglicky
To forecast time series data, two methodological frameworks of statistical and computational intelligence modelling are considered. The statistical methodological approach is based on the theory of invertible ARIMA (Auto-Regressive Integrated Moving Average) models with Maximum Likelihood (ML) estimating method. As a competitive tool to statistical forecasting models, we use the popular classic neural network (NN) of perceptron type. To train NN, the Back-Propagation (BP) algorithm and heuristics like genetic and micro-genetic algorithm (GA and MGA) are implemented on the large data set. A comparative analysis of selected learning methods is performed and evaluated. From performed experiments we find that the optimal population size will likely be 20 with the lowest training time from all NN trained by the evolutionary algorithms, while the prediction accuracy level is lesser, but still acceptable by managers.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10200 - Computer and information sciences
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)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Journal of Intelligent and Fuzzy Systems
ISSN
1064-1246
e-ISSN
—
Svazek periodika
39
Číslo periodika v rámci svazku
5
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
12
Strana od-do
6419-6430
Kód UT WoS článku
000595520600037
EID výsledku v databázi Scopus
2-s2.0-85096966737