A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting

Cheng, Ching‐Hsue; Chen, Tai‐Liang; Wei, Liang-Ying

doi:10.1016/j.ins.2010.01.014

Cited by 173 publications

(91 citation statements)

References 34 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Per pastaruosius kelis dešimtmečius mokslininkai patobulino tradicinius skaitinius prognozavimo modelius (Cheng et al 2010). Nemažai prognozavimo modelių (1 lentelė) yra autoregresiniai, kurie naudoja paprastąją autoregresiją (angl.…”

Section: Prielaidos Investavimo Sprendimų Priėmimo Modeliams Kurtiunclassified

“…Techninė analizė daro prielaidą, kad investuotojams yra prieinama visa informacija ir ją atspindi akcijos kaina, kuri taip pat turi tendenciją pasikartoti (Cheng et al 2010). Grafikai dažniausiai yra paprasti, taikomi apibrėžti modeliai (kainų kanalai, galva ir pečiai, trikampiai, viršūnės ir dugnai, spragos ir kt.)…”

Section: Dažniausiai Investavimo Modeliuose Taikomi Prognozavimo Metodaiunclassified

See 1 more Smart Citation

Comparative Analysis of Investment Decision Models

Kekytė

Stasytytė

2017

Science - Future of Lithuania

View full text Add to dashboard Cite

2017 © Straipsnio autoriai. Leidėjas VGTU leidykla "Technika". Šis straipsnis yra atvirosios prieigos straipsnis, turintis Kūrybinių bendrijų (Creative Commons) licenciją (CC BY-NC 4.0), kuri leidžia neribotą straipsnio ar jo dalių panaudą su privaloma sąlyga nurodyti autorių ir pirminį šaltinį. Straipsnis ar jo dalys negali būti naudojami komerciniams tikslams. ISSN 2029-2341 / eISSN 2029-2252 De Oliveira et al. 2013). Taigi pagrindinė mokslinė problema, kuri bus sprendžiama šiame straipsnyje, yra informacijos ir kriterijų trūkumas, pagal kuriuos investuotojas ar rinkos tyrinėtojas rinktųsi investavimo modelį. Kadangi yra daug įvai-rių modelių bei sprendimų paramos sistemų, kyla sunkumų norint išsirinkti tinkamiausią dinamiškai rinkai ir didelėms duomenų apimtims analizuoti. Modelių palyginimas pagal jų privalumus, trūkumus, taikomus metodus ir rezultatus galėtų būti svarus indėlis sprendžiant įvardytą mokslinę problemą. MOKSLAS -LIETUVOS ATEITIS SCIENCE -FUTURE OF LITHUANIATradicinių inovacijų augimo požiūriu inovacijos finan sų srityje padeda gerinti įvairių banko paslaugų kokybę, palengvinti rizikos valdymą, išpildyti rinką ir galiausiai padidinti išteklių paskirstymo efektyvumą (Berger 2003;Houston et al. 2010). Lerner ir Tufano (2011) teigia, kad finansinės naujovės teigiamai veikia finansų sektoriaus stiprėjimą, taip pat ir ekonominį augimą. Taigi aukštesnis finansinių inovacijų lygis skatina spartesnį atskirų pramonės sektorių ir visos šalies ekonominį augimą bei suteikia daugiau galimybių didinti plėtros efektyvumą (Beck et al. 2016).Per pastaruosius kelis dešimtmečius finansinių duomenų analizė, padedanti prognozuoti akcijų kainas, prekybos vietas ir investicinius portfelius, tapo labai populiari mokslinių tyrimų tema (Wu et al. 2014 Santrauka. Sparti finansų rinkų plėtra lemia naujus iššūkius tiek investuotojams, tiek investavimo problematiką nagrinėjantiems mokslininkams. Kyla būtinybė sukurti inovatyvius, šiuolaikines finansų rinkų sąlygas atitinkančius investicijų portfelio sudarymo ir valdymo sprendimus. Finansų rinkos sulaukia ypatingo dėmesio, atliekami įvairūs tyrimai, įskaitant įvairių investavimo modelių formavimą, kurie apima finansinės rizikos valdymą ir investavimo sprendimų paramos sistemas. Mokslininkai pripažįsta būtinumą nagrinėti finansines problemas integruotais ir realybę atitinkančiais būdais, grindžiamais sudėtinga kiekybinės analizės technika. Taigi matematinio modeliavimo vaidmuo finansų sektoriuje tampa labai svarbus. Straipsnyje nagrinėjami įvairūs investavimo sprendimų priėmimo modeliai, apimantys prognozavimą, optimizavimą, stochastinius procesus, dirbtinį intelektą ir kt., kurie tampa reikšmingo-mis priemonėmis priimant investicinius sprendimus.reikšminiai žodžiai: investavimas, sprendimų priėmimo modeliai, akcijų rinka, portfelis, duomenų analizė, prognozavimas. ĮvadasFinansų rinkos palengvina tarptautinę prekybą, sujungia ir suteikia informacijos apie organizacijų bei ekonomikos ateities perspektyvas, yra ekonomikos augimą skatinanti priemonė . Tačiau šiuolaikinėje finan...

show abstract

Section: Prielaidos Investavimo Sprendimų Priėmimo Modeliams Kurtiunclassified

Section: Dažniausiai Investavimo Modeliuose Taikomi Prognozavimo Metodaiunclassified

Comparative Analysis of Investment Decision Models

Kekytė

Stasytytė

2017

Science - Future of Lithuania

View full text Add to dashboard Cite

show abstract

“…The cumulative probability of normal distribution can be used to define intervals of linguistic value [17,19,26]. The procedures of cumulative probability distribution approach are described in four steps, as follows:…”

Section: The Cumulative Probability Distribution Approach (Cpda)mentioning

confidence: 99%

“…Since the development of the original exposition of the rough set theory (RST) as a method of set approximation, it has continued to flourish as a tool for data mining [17,[22][23][24].…”

Section: Rough Set Theorymentioning

confidence: 99%

“…In this paper, in order to avoid any possible intrusions of the model designer's subjective predictions, based on technical analytical methods, one objective, automatic, artificial intelligence model is proposed, which combines three data mining techniques into forecasting processes: (1) MEPA (minimize entropy principle approach), which subdivides data into membership functions [14][15][16][17][18]; (2) CPDA (cumulative probability distribution approach), which fuzzifies the observations into linguistic values based on the cumulative probability of the observations [17,19,20]; and (3) rough set theory [17,19,[21][22][23][24], which mines rules from the linguistic dataset. Using these techniques, objective and effective rules can be produced as the basis for forecasting.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Forecasting the Stock Market with Linguistic Rules Generated from the Minimize Entropy Principle and the Cumulative Probability Distribution Approaches

Chen

Cheng

et al. 2010

Entropy

Self Cite

View full text Add to dashboard Cite

Abstract:To forecast a complex and non-linear system, such as a stock market, advanced artificial intelligence algorithms, like neural networks (NNs) and genetic algorithms (GAs) have been proposed as new approaches. However, for the average stock investor, two major disadvantages are argued against these advanced algorithms: (1) the rules generated by NNs and GAs are difficult to apply in investment decisions; and (2) the time complexity of the algorithms to produce forecasting outcomes is very high. Therefore, to provide understandable rules for investors and to reduce the time complexity of forecasting algorithms, this paper proposes a novel model for the forecasting process, which combines two granulating methods (the minimize entropy principle approach and the cumulative probability distribution approach) and a rough set algorithm. The model verification demonstrates that the proposed model surpasses the three listed conventional fuzzy time-series models and a multiple regression model (MLR) in forecast accuracy.

show abstract

An Intelligent Trading System with Fuzzy Rules and Fuzzy Capital Management

Naranjo

Meco²,

Arroyo

et al. 2015

Int. J. Intell. Syst.

View full text Add to dashboard Cite

In this work we are proposing a trading system where fuzzy logic is applied not only for defining the trading rules, but also for managing the capital to invest. In fact, two fuzzy decision support systems are developed.The first one uses fuzzy logic to design the trading rules and to apply the stock market technical indicators.The second one enhances this fuzzy trading system adding a fuzzy strategy to manage the capital to trade.Additionally, a new technical market indicator that produces short and long entry signals is introduced. It is based on the MACD (Moving Average Convergence Divergence) indicator. Its parameters have been optimized by genetic algorithms. The proposals are compared to a classical non-fuzzy version of the proposed trading systems and to the Buy-and-Hold strategy. Results favor our fuzzy trading system in the two markets considered, NASDAQ100 and EUROSTOXX. Conclusions suggest that the use of fuzzy logic for capital management is promising and deserves further exploration.

show abstract

A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting

Cited by 173 publications

References 34 publications

Comparative Analysis of Investment Decision Models

Comparative Analysis of Investment Decision Models

Forecasting the Stock Market with Linguistic Rules Generated from the Minimize Entropy Principle and the Cumulative Probability Distribution Approaches

An Intelligent Trading System with Fuzzy Rules and Fuzzy Capital Management

Contact Info

Product

Resources

About