Forecasting stock market short-term trends using a neuro-fuzzy based methodology

Atsalakis, George S.; Valavanis, Kimon P.

doi:10.1016/j.eswa.2009.02.043

Cited by 256 publications

(133 citation statements)

References 64 publications

Supporting

Mentioning

123

Contrasting

Unclassified

Order By: Relevance

“…Dauguma tokių sistemų paprasčiausiai remiasi daugiakriterio vertinimo metodais ), tačiau yra ir modelių, kuriuose mė-ginama įtraukti ir pažangesnes prekybos priemones analizuojant istorinius ir esamus duomenis (Atsalakis, Valavanis 2009;Lai et al 2009). Prieš išpopuliarėjant dirbtinių neuronų tinklams, dauguma sprendimų paramos sistemų tyrimų rėmėsi laiko eilučių analize ir, remdamiesi istoriniais duomenimis, prognozuodavo akcijų kainų pokyčius.…”

Section: Prielaidos Investavimo Sprendimų Priėmimo Modeliams Kurtiunclassified

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

Comparative Analysis of Investment Decision Models

Kekytė

Stasytytė

2017

Science - Future of Lithuania

View full text Add to dashboard Cite

show abstract

“…Buna karşın teknik analizde hisse senedinin geçmiş fiyat ve hacim bilgileri kullanmak suretiyle hesaplanan teknik göstergeler kullanılmaktadır (Kaufman, 1998). Bir yıldan uzun süreli tahmin gerçekleştirilecekse temel göstergelerin kullanılması, bir yıldan kısa süreli tahminlerde ise teknik göstergelerin kullanılması önerilmektedir (Atsalakis, Valavanis, 2009a). Bu çalışmada kısa vadeli tahmin gerçekleştirileceğinden girdi setinde teknik göstergelerin yer alması uygun olacaktır.…”

Section: Tahmin Modeliunclassified

“…Bunun nedeni hisse senedi fiyatlarının rassal hareket etmesidir. Buna karşılık hisse senedi fiyat tahmini konusunda destek vektör makineleri (Kara vd., 2011;Yakut vd., 2014), ANFIS (Atsalakis, Valavanis, 2009a;Mahmud, Meesad, 2015) ve yapay sinir ağları (Adhikari, Agrawal, 2014;Hsu, 2013;Kara vd., 2011;Yakut vd., 2014) başarılı bir şekilde kullanılmaktadır. Bu çalışmalardan elde edilen sonuçlar EPH'nin geçerli olmadığına işaret edecek düzeyde başarılı tahmin sonuçları raporlamaktadırlar.…”

Section: Introductionunclassified

Eşi̇k Değeri̇ni̇n Hi̇sse Senedi̇ Fi̇yat Tahmi̇n Performansina Etki̇si̇ni̇n İncelenmesi̇

Özçalıcı¹

2017

Hacettepe Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi

View full text Add to dashboard Cite

Artificial Neural Network models are successfully applied in the field of stock price predicting. Bias values are important factor that can affect the performance of neural networks. Although its importance, the effect of bias on stock price forecasting has not been investigated in literature. The purpose of this study is to examine the effect of bias on stock price predicting performance. For this purpose, historical price and volume information of stocks listed in BIST100 Index is used. By means of these data, 201 technical indicators are calculated. Activation function type in forecasting model and number of neurons in the hidden layer and variable selection are optimized with the Harmony Search Algorithm, a population-based meta-heuristic optimization method. RMSE and hit rate measurements are used as performance indicators. As a result, no statistically significant performance difference was found between biased and un-biased neural network models. However, it has been determined that the training of the models for un-biased models has been completed in a shorter time.

show abstract

“…There are a lot of well-known publications that partly confi rm this hypothesis (Uri, Jones 1990;Kan, O'Callaghan 2007;McCauley 2008). However there are also published reports with opposite statement, that EM hypothesis is far from the truth (Warwick 1996;Jarret, Schilling 2008;Simutis, Masteika 2006;Atsalakis, Valavanis 2009;Lee 2010) and show weak-form effi ciency of economies (Nurunnabi 2012). The fact that some market participants (high frequency traders or hedge funds) can consistently beat the market is a good indication that the EM hypothesis may not be just right.…”

Section: Introductionmentioning

confidence: 97%

Research on Futures Trend Trading Strategy Based on Short Term Chart Pattern

Masteika

Rutkauskas

2012

Journal of Business Economics and Management

View full text Add to dashboard Cite

Abstract.The main task of this paper is to examine a short term trend trading strategy in futures market based on chart pattern recognition, time series and computational analysis. Specifi cations of historical data for technical analysis and equations for futures profi tability calculations together with position size measurement are also discussed in the paper. A contribution of this paper lies in a novel chart pattern related to fractal formation and chaos theory and its application to short term up-trend trading. Trading strategy was tested with historical data of the most active futures contracts. The results have given signifi cantly better and stable returns compared to the change of market benchmark (CRB index). The results of experimental research related to the size of trading portfolio and trade execution slippage are also discussed in the paper. The proposed strategy can be attractive for futures market participants and be applied as a decision support tool in technical analysis.

show abstract

Forecasting stock market short-term trends using a neuro-fuzzy based methodology

Cited by 256 publications

References 64 publications

Comparative Analysis of Investment Decision Models

Comparative Analysis of Investment Decision Models

Eşi̇k Değeri̇ni̇n Hi̇sse Senedi̇ Fi̇yat Tahmi̇n Performansina Etki̇si̇ni̇n İncelenmesi̇

Research on Futures Trend Trading Strategy Based on Short Term Chart Pattern

Contact Info

Product

Resources

About