Ta witryna wykorzystuje cookies. Więcej informacji można znaleźć na stronie Polityka dotycząca cookies i podobnych technologii. ZAMKNIJ Zamknij ostrzeżenie dotyczące cookies

Mariusz Podsiadło obronił rozprawę doktorską

M.Podsiadło

M. Podsiadło

W dniu 17 stycznia 2017 roku Mariusz Podsiadło obronił rozprawę doktorską pt. "Forecasting Financial Time Series Movements with Rough Sets and Fuzzy Rough Sets". Polski tytuł rozprawy "Prognozowanie ruchu finansowych szeregów czasowych z wykorzystaniem zbiorów przybliżonych i rozmytych zbiorów przybliżonych", rozprawa jest napisana w języku angielskim. Promotorem rozprawy był prof. dr hab. inż. Henryk Rybiński.

Streszczenie: Celem pracy jest eksperymentalna weryfikacja stosowalności zbiorów przybliżonych i rozmytych zbiorów przybliżonych do generowania modeli prognozujących kierunek ruchu finansowych szeregów czasowych. Zaproponowano także adaptacyjną czasowo-zależną metodę wyboru reguł decyzyjnych, gdzie waga reguły zależy od wieku danych ją wspierających. Skuteczność zaproponowanych modeli bazujących na zbiorach przybliżonych i zaproponowanej metodzie wyboru reguł decyzyjnych została zweryfikowana i porównana z efektywnością modeli zbiorów przybliżonych używających standardowej metody wyboru reguł decyzyjnych (tzn. bez brania pod uwagę wieku danych wspierających), jak również modeli opartych na teorii maszyn wektorów nośnych (ang. support vector machines). Oprócz weryfikacji dokładności klasyfikacji, zbadano także wydajność w/w modeli z punktu widzenia wygenerowanego profitu finansowego. Zastosowano do tego celu symulację strategii inwestycyjnej arbitrażu czasowego (ang. market timing), której wydajność została porównana z wynikami uzyskanymi przez referencyjną strategię inwestycyjną kup i trzymaj. Eksperymenty zostały oparte na danych rynkowych indeksów giełdowych S&P500, DAX i HSI. Wyniki eksperymentów pokazały, że zaproponowane modele oparte na zbiorach przybliżonych wykorzystujących czasowo-zależną metodę wyboru reguł decyzyjnych, jak również na rozmytych zbiorach przybliżonych, są w stanie dostarczyć dokładność klasyfikacji i wyniki finansowe porównywalne lub lepsze niż zastosowane modele referencyjne i strategia inwestycyjna kup i trzymaj.

Abstract: The feasibility of rough sets and fuzzy rough sets in building trend prediction models for financial time series is experimentally investigated. An adaptive time-weighted rule voting method is proposed, where the rule voting weight depends from the age of supporting data. The efficiency of the proposed models is verified and compared with the one of rough sets with equal-weighted rule voting algorithm, as well as support vector machines models. Aside of the standard classification accuracy measures, financial profit and loss backtesting using a sample market timing strategy was performed, and compared with the performance of the buy and hold strategy based on market data of multiple well known indices S&P500, DAX, and HSI. The experiments show that the proposed models using rough sets enhanced with the adaptive time-weighted rule voting, as well as fuzzy rough sets, delivered on pair or better performance than the used benchmark models, and the buy and hold strategy.

Ostatnia modyfikacja: wtorek, 17 stycznia 2017, 15:51:00, Bożenna Skalska

x x Aktualności (4) - wg daty publikacji

‹‹ Styczeń 2017 ››
Pon Wt Śr Czw Pt So N
            1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 29
30 31