Modelling and Trading the DJIA Financial Index Using Neural Networks Optimized with Adaptive Evolutionary Algorithms

Theofilatos, Konstantinos; Karathanasopoulos, Andreas; Sermpinis, Georgios; Amorgianiotis, Thomas; Georgopoulos, Efstratios F.; Likothanassis, Spiridon D.

doi:10.1007/978-3-642-32909-8_46

Cited by 2 publications

(2 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The first machine learning methodology which was applied in the present study is a hybrid combination of Genetic Algorithms and Multi-Layer Perceptron Neural Networks. It has been successfully applied in forecasting and trading the DJIE index [9] and the FTSE100 index [10]. This technique deploys an adaptive evolutionary algorithm to optimize the inputs, the structure and the parameters of MLP NNs.…”

Section: Gamlp Methodologymentioning

confidence: 99%

Integrating High Volume Financial Datasets to Achieve Profitable and Interpretable Short Term Trading with the FTSE100 Index

Amorgianiotis

Theofilatos

Georgopoulos

et al. 2014

Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications

Self Cite

View full text Add to dashboard Cite

Part 4: MT4BD WorkshopInternational audienceDuring the financial crisis of 2009 traditional models have failed to provide satisfactory results. Lately many techniques have been proposed to overcome the deficiencies of traditional models but most of them deal with the examined financial indices as they are cut off from the rest global market. However, many late studies are indicating that such dependencies exist. The enormous number of the potential financial time series which could be integrated to trade a single financial index enables the characterization of this problem as a “big data” problem and raises the need for advanced dimensionality reduction techniques which should additionally be interpretable in order to extract meaningful conclusions. In the present paper, ESVM-Fuzzy Inference Trader is introduced. This technique is based on the hybrid methodology ESVM Fuzzy Inference which combines genetic algorithms and some deterministic methods to extract interpretable fuzzy rules from SVM classification models.The ESVM-Fuzzy Inference Trader was applied to the task of modeling and trading the FTSE100 index using a plethora of inputs including the closing prices of various European indexes. Its experimental results were compared with a state of the art hybrid technique which combines genetic algorithm with Multilayer Perceptron Neural Networks and indicated the superiority of ESVM-Fuzzy Inference Trader. Moreover, the proposed method extracted a compact set of fuzzy trading rules which among others can be utilized to describe the dependencies between other financial indices and FTSE100 index

show abstract

Section: Gamlp Methodologymentioning

confidence: 99%

Integrating High Volume Financial Datasets to Achieve Profitable and Interpretable Short Term Trading with the FTSE100 Index

Amorgianiotis

Theofilatos

Georgopoulos

et al. 2014

Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications

Self Cite

View full text Add to dashboard Cite

show abstract

“…Yapay zeka alanı ve sunduğu yöntemler finans alanına kıyasla yeni yöntemler oldukları için uygulamaları henüz birçok disiplinde kullanılmaya başlanmamış veya yüksek performans evresine geçmemiştir. Finans alanında yapay zeka öngörüleri üzerine yapılan çalışmalar incelendiğinde öne çıkan çalışmaların son 20 yılda yapılmış oldukları görülmektedir (Enke ve Thawornwong 2005;Lee ve Ko 2009;Marcek, Marcek, ve Babel 2009;Theofilatos, Karathanasopoulos, Sermpinis and Amorgianiotis, 2012;Yan, Wang, Yu ve Li 2005). Çalışmalar finansal piyasalarda farklı koşullarda etkin performans gösteren farklı algoritmalar öne sürmektedir.…”

Section: Introductionunclassified

Yapay Zeka Yöntemleri İle Hisse Senedi Fiyat Öngörüleri

Arda¹,

Küçükkocaoğlu²

2021

Ekonomi, Politika &Amp; Finans Araştırmaları Dergisi

View full text Add to dashboard Cite

Finansal varlık fiyatlarının geleceğinin tahmin edilmesi literatür ve uygulamada uzun zamandır ilgi çeken bir konudur. Son yıllarda, borsaya kote şirketlerin hisse senetlerinin fiyat hareketleri öngörme ve geleceğe dönük değerlerini tahmin etme hedefi için yapay zeka algoritmalarının başarılı yöntemler sundukları farklı akademik çalışmalarca ortaya konulmuştur. Belirtilen akademik çalışmaların büyük çoğunluğu yurt dışında bulunan piyasalarda yapılmıştır.Bu durumun geçerliliğini BIST 30 endeksi hisselerinde test etmek için bu çalışmada yedi farklı yapay zeka algoritması programlanmış, 30 hissenin 2014-2016 yılları günlük kapanış fiyatı verileri ile algoritmalar eğitilmiş ve bir firma için üretilen kapanış değerleri tahminleri gerçekleşen değerlerle kıyaslanmıştır. Veri seti için 02/01/2014 ve 30/12/2016 tarihleri arasında işlem yapılan 755 iş günü kullanılmıştır. Kullanılan öğrenme sürelerinin performans üzerindeki etkilerini görmek için öğrenme/tahmin oranları %80/20, %90/10, %99/1 olarak belirlenen üç farklı deney yapılmıştır. Çalışmanın sonucunda doğrusal regresyon temelli algoritmaların BIST30 hisse senedi fiyat hareket yönünü tahmin etmede, nöral ağ ve Poisson regresyonu yöntemlerinin ise kapanış fiyatı değerini tahmin etmede etkili oldukları görülmüştür.

show abstract

Modelling and Trading the DJIA Financial Index Using Neural Networks Optimized with Adaptive Evolutionary Algorithms

Cited by 2 publications

References 6 publications

Integrating High Volume Financial Datasets to Achieve Profitable and Interpretable Short Term Trading with the FTSE100 Index

Integrating High Volume Financial Datasets to Achieve Profitable and Interpretable Short Term Trading with the FTSE100 Index

Yapay Zeka Yöntemleri İle Hisse Senedi Fiyat Öngörüleri

Contact Info

Product

Resources

About