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”

Intelligence in Finance and Economics for Predicting High-Frequency Data

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27510%2F23%3A10251545" target="_blank" >RIV/61989100:27510/23:10251545 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.3390/math11020454" target="_blank" >https://doi.org/10.3390/math11020454</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/math11020454" target="_blank" >10.3390/math11020454</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Intelligence in Finance and Economics for Predicting High-Frequency Data

  • Popis výsledku v původním jazyce

    Forecasting exchange rates is a complex problem that has benefitted from recent advances and research in machine learning. The main goal of this study is to design and implement a method to improve the learning performance of artificial neural networks with large volumes of data using population-based metaheuristics. The micro-genetic training algorithm is thoroughly analyzed using profiling tools to find bottlenecks. We compare the use of a micro-genetic algorithm to predict changes in currency exchange rates on a data set containing more than 500,000 values. To find the best parameters of neural networks, we propose an improved micro-genetic training algorithm by dividing the training data into mini batches. In this case, the improved micro-genetic algorithm proved to be much faster compared to the standard genetic algorithm, while achieving the same prediction accuracy. This allows for the use of this algorithm for just-in-time predictions of high frequency data. Here, neural network models are first created and validated on an existing data set. Then, the new data values can be added to neural network models and retrained in a short time. (C) 2023 by the authors.

  • Název v anglickém jazyce

    Intelligence in Finance and Economics for Predicting High-Frequency Data

  • Popis výsledku anglicky

    Forecasting exchange rates is a complex problem that has benefitted from recent advances and research in machine learning. The main goal of this study is to design and implement a method to improve the learning performance of artificial neural networks with large volumes of data using population-based metaheuristics. The micro-genetic training algorithm is thoroughly analyzed using profiling tools to find bottlenecks. We compare the use of a micro-genetic algorithm to predict changes in currency exchange rates on a data set containing more than 500,000 values. To find the best parameters of neural networks, we propose an improved micro-genetic training algorithm by dividing the training data into mini batches. In this case, the improved micro-genetic algorithm proved to be much faster compared to the standard genetic algorithm, while achieving the same prediction accuracy. This allows for the use of this algorithm for just-in-time predictions of high frequency data. Here, neural network models are first created and validated on an existing data set. Then, the new data values can be added to neural network models and retrained in a short time. (C) 2023 by the authors.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10100 - Mathematics

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Mathematics

  • ISSN

    2227-7390

  • e-ISSN

    2227-7390

  • Svazek periodika

    11

  • Číslo periodika v rámci svazku

    2

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    15

  • Strana od-do

    454

  • Kód UT WoS článku

    000927070300001

  • EID výsledku v databázi Scopus

    2-s2.0-85146809839