Analiza doboru danych uczących w predykcji indeksu giełdowego mgr Marcin Jaruszewicz dr hab. Jacek Mańdziuk.

Slides:



Advertisements
Podobne prezentacje
Excel Narzędzia do analizy regresji
Advertisements

Modelowanie kursu walutowego- perspektywa krótkookresowa
o radialnych funkcjach bazowych
Michał Kowalczykiewicz
Sieć jednokierunkowa wielowarstwowa
Marcin Bogusiak Paweł Pilewski
Predykcja współrzędnych x, y bieguna ziemskiego za pomocą sztucznych sieci neuronowych Maciej Kalarus Centrum Badań Kosmicznych PAN 5 grudnia 2003r.
Analiza wariancji Marcin Zajenkowski. Badania eksperymentalne ANOVA najczęściej do eksperymentów Porównanie wyników z 2 grup lub więcej Zmienna niezależna.
Przegląd zastosowań.
Wykład no 11.
Ekonometria prognozowanie.
Wprowadzenie do Mathcada
Czy potrafimy obliczyć wartość wyjścia sieci znając wartości jej wejść? Tak, przy założeniu, że znamy aktualne wartości wag i progów dla poszczególnych.
Systemy dynamiczne – przykłady modeli fenomenologicznych
A Random Matrix Approach to Cross- Correlations in Financial Data Vasiliki Plerou, Parameswaran Gopikrishnan, Bernd Rosenow, Luis a. Nunes Amaral, Thomas.
Wykład 14 Liniowa regresja
Prognozowanie na podstawie modelu ekonometrycznego
Magda Kusiak Karol Walędzik prof. dr hab. Jacek Mańdziuk
Marcin Jaruszewicz1 Podstawy analizy technicznej i fundamentalnej rynku papierów wartościowych teoria, prognoza.
Dopasowanie modelu autoregresji i predykcja stanów wody w Odrze (posterunek wodowskazowy Trestno) Tomasz Niedzielski.
Sieci Hopfielda.
Wstęp do interpretacji algorytmów
Sieci neuronowe jednokierunkowe wielowarstwowe
Klasyfikacja dokumentów za pomocą sieci radialnych
ALGORYTMY.
Jacek Maliszewski Warszawa 17 stycznia 2004
formalnie: Budowa i zasada funkcjonowania sztucznych sieci neuronowych
Rozpoznawanie twarzy Wprowadzenie Algorytmy PCA ICA
Systemy wspomagania decyzji
Testowanie hipotez statystycznych
i jak odczytywać prognozę?
Ekonometria. Co wynika z podejścia stochastycznego?
Opiekun: dr inż. Maciej Ławryńczuk
Analiza reszt w regresji
Podstawy automatyki 2012/2013Transmitancja widmowa i charakterystyki częstotliwościowe Mieczysław Brdyś, prof. dr hab. inż.; Kazimierz Duzinkiewicz, dr.
Małgorzata Waligórska 24 listopada 2010 r.
Wspomaganie decyzji nie zwalnia od decyzji...
Prognozowanie z wykorzystaniem modeli ekonometrycznych
Perceptrony proste liniowe - Adaline
Wykład 11 Badanie stabilności układu regulacji w przestrzeni stanów
Programowanie strukturalne i obiektowe
Marcin Jaruszewicz Jacek Mańdziuk
Kilka wybranych uzupelnień
Ekonometria stosowana
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
Regresja wieloraka.
Przykład 5: obiekt – silnik obcowzbudny prądu stałego
opracowała: Anna Mikuć
Adaptacyjne Systemy Inteligentne Maciej Bielski, s4049.
OPCJE NA GPW Zespół Rekomendacji i Analiz Giełdowych
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Wstęp do interpretacji algorytmów
ZASTOSOWANIE DWUKROTNEJ SYMULACJI MONTE CARLO W WYCENIE OPCJI REALNYCH mgr Marcin Pawlak Katedra Inwestycji i Wyceny Przedsiębiorstw.
Statystyczna analiza danych
Model ekonometryczny Jacek Szanduła.
GeneracjeTechnologia Architektura przetwarzania 0. Przekaźniki elektromechaniczne 1. Lampy elektronowe 2. Tranzystory 3. Układy scalone 3.5.Układy dużej.
Sylwia Ratyńska KONTRAKTY FUTURES.  kontrakty forwards nie są przedmiotem obrotu giełdowego  zawarcie kontraktu forwards nie pociąga za sobą konieczności.
Treść dzisiejszego wykładu l Metoda Najmniejszych Kwadratów (MNK) l Współczynnik determinacji l Koincydencja l Kataliza l Współliniowość zmiennych.
Jak można wykorzystać swoją wiedzę z Matlaba
Podstawy automatyki I Wykład 3b /2016
Metody matematyczne w Inżynierii Chemicznej
Podstawy automatyki I Wykład /2016
EKONOMETRIA W3 prof. UG, dr hab. Tadeusz W. Bołt
Regresja wieloraka – bada wpływ wielu zmiennych objaśniających (niezależnych) na jedną zmienną objaśnianą (zależą)
Jednorównaniowy model regresji liniowej
Systemy Ekspertowe i Sztuczna Inteligencja trudne pytania
Tytuł projektu naukowego
Technologia planowania treningu
KORELACJA WIELOKROTNA I CZĄSTKOWA
Analiza kanoniczna - stanowi uogólnienie liniowej regresji wielorakiej na dwa zbiory zmiennych tzn. dla zmiennych zależnych i niezależnych. Pozwala badać.
Zapis prezentacji:

Analiza doboru danych uczących w predykcji indeksu giełdowego mgr Marcin Jaruszewicz dr hab. Jacek Mańdziuk

Plan prezentacji Kontekst eksperymentów Cele badań Wybór układów giełd Wybór zmiennych wejściowych Wybór metod - dyskusja

Kontekst eksperymentów Określenie problemu Założenia Uwzględnienie wielu giełd Uwzględnienie wskaźników walutowych Układ wyjściowy do predykcji

Kontekst eksperymentów Dane wejściowe źródłowe Wartości O,C,H,L Dane wygenerowane Przekształcenia statystyczne Przekształcenia analizy technicznej Dzień predykcji

Kontekst eksperymentów Predykcja Wartość prognozowana Predykcja klasyczna Zmienność zależności Predykcja krokowa

Cele badań Wybór układu giełd Metody Wybór zmiennych wejściowych Metody Nauka klasyczna i prognoza Nauka krokowa i prognoza Automatyczny dobór zmiennych wejściowych Statystyczne porównanie wyników

Wybór układów giełd Schemat układu giełd: Ameryka, Europa, Azja (w dowolnej kolejności), stosunek USD/EUR, USD/JEN Wybór schematu według kryterium przewidywanej skuteczności nauki sieci neuronowej Metoda określenia przewidywanej skuteczności: analiza macierzy wyników

Krótka charakterystyka metod Sieć neuronowa Maksymalna sieć Próba nauki Macierz wag sieci neuronowej Analiza wpływu poszczególnych wejść na wyjście Autokorelacja Macierz autokorelacji Analiza współczynników macierzy

Krótka charakterystyka metod PCA Macierz autokorelacji Określenie kierunków największej wariancji Metoda przybliżona vs dokładna Analiza współczynników macierzy przekształcenia PCA

Krótka charakterystyka metod ICA Określenie zmiennych niezależnych Metoda przybliżona vs dokładna Analiza współczynników macierzy przekształcenia ICA

Wybór układów giełd – AC bez kroku

Wybór układów giełd – AC z krokiem

Wybór układów giełd – NN bez kroku

Wybór układów giełd – NN z krokiem

AC bez krokuAC z krokiemSN bez krokuSN z krokiem DJIA+FTSE100+ KOSPI DAX+KOSPI+ S&P500 CAC40+KOSPI+ DJIA KOSPI+FTSE100 + AMEX DAX+KOSPI+ DJIA CAC40+KOSPI+ S&P500 NIKK225+ FTSE100+AMEX CAC40+KOSPI+ NSDQ100 FTSE100+ KOSPI+S&P500 FTSE100+ KOSPI+DJIA FTSE100+KOSPI +NSDQCOMP CAC40+KOSPI+ NSDQCOMP DAX+KOSPI+ DJIA

Wybór układów giełd - obserwacje Obie metody autokorelacji wskazały jako najkorzystniejszy układ DJIA+FTSE100+KOSPI. Obie grupy metod (autokorelacja, nauka SN) wskazały całkowicie różne układy giełd. Metody oparte na autokorelacji wskazały jako najkorzystniejsze do predykcji (pierwsza giełda w układzie) giełdy amerykańskie i azjatyckie.

Wybór układów giełd - obserwacje Metody oparte na nauce SN wskazały jako najkorzystniejsze do predykcji (pierwsza giełda w układzie) giełdy europejskie. Najbardziej jednoznaczne wyniki zostały uzyskane metodami uwzględniającymi krok zmian zależności. Metody globalne, które nie uwzględniały kroku dały niejednoznaczne wyniki.

Wybór zmiennych wejściowych Liczba zmiennych wejściowych Wybór według kryterium przewidywanej skuteczności nauki sieci neuronowej Powiązanie z metodą wyboru układu giełd Metoda określenia przewidywanej skuteczności: analogiczna do wyboru układu giełd

Wybór metod - dyskusja Sieć neuronowa Macierz autokorelacji PCA ICA

Analiza doboru danych uczących w predykcji indeksu giełdowego Dziękuję za uwagę!