hrvatski

Neuronske mreže u predviđanju profitabilnosti ulaganja

Zbog nelinearnog ponašanja i čestih fluktuacija, tržišta dionica su vrlo pogodno problemsko područje za predviđanje i klasifikaciju s pomoću neuronskih mreža. Međutim, poznato je da metodologiji neuronskih mreža nedostaju paradigme o značajnosti strukture, težinskih parametara i rezultata u pojedinim problemskim područjima. Ovaj rad je orjentiran na prevladavanje tih problema provođenjem komparativnog istraživanja učinkovitosti arhitektura neuronskih mreža u odnosu na: statističke metode ARIMA i multiplu regresiju, četiri reprezentativna ekonomska modela na tržištu dionica, te prirodu podataka upotrijebljenih u modelima. Testirano je više desetaka NN arhitektura na temelju Mreže “širenje unatrag”, Mreže s radijalno zasnovanom funkcijom, Modularne, Mreže opće regresije, Probabilističke i Mreže učeće vektorske kvantizacije. Za optimizaciju strukture i parametara upotrijebljene su procedure potkresivanja i simuliranog kaljenja, a nelinearna strategija modeliranja unaprijed provedena je u cilju izbora varijabli. Iako rezultati pokazuju da nema statistički značajne razlike između rezultata neuronskih mreža i multiple regresije, neuronske mreže daju bolji rezultat u tri od četiri teorijska modela. Faktorski model je izlučen kao najbolji ekonomski model za dnevno trgovanje s IBM dionicama, proizvodeći 84.1% ispravno predviđenih akcija trgovanja. Mreža “širenje unatrag” je najbolji algoritam, iako je i Modularna mreža pokazala visok rezultat. Značajna razlika u učinkovitosti algoritama u odnosu na raspršenost, prisutnost stršećih vrijednosti, nestacionarnost i kaotično ponašanje u podacima omogućuje izlučivanje pravila odlučivanja. Nadalje, predstavljen je sustav za automatsku optimizaciju arhitektura neuronskih mreža primjenjiv na bilo kojem modelu.

neuronske mreže; predviđanja na tržištu dionica; ekonomski modeli

nije evidentirano