دانلود مقاله پیش‌بینی عملکرد شبکه‌های عصبی موجک و توپولوژی‌ شبکه عصبی
ترجمه نشده

دانلود مقاله پیش‌بینی عملکرد شبکه‌های عصبی موجک و توپولوژی‌ شبکه عصبی

عنوان فارسی مقاله: پیش‌بینی عملکرد شبکه‌های عصبی موجک و سایر توپولوژی‌های شبکه عصبی: یک مطالعه تطبیقی بر اساس مجموعه داده‌های بازار مالی
عنوان انگلیسی مقاله: Forecasting performance of wavelet neural networks and other neural network topologies: A comparative study based on financial market data sets
مجله/کنفرانس: یادگیری ماشین با برنامه های کاربردی - Machine Learning with Applications
رشته های تحصیلی مرتبط: مهندسی کامپیوتر - مدیریت
گرایش های تحصیلی مرتبط: مهندسی الگوریتم ها و محاسبات - مهندسی نرم افزار - مدیریت بازرگانی - مدیریت اطلاعات
کلمات کلیدی فارسی: شبکه های عصبی موجک - تجزیه موجک - پیش بینی مالی - ارزیابی پیش بینی - توپولوژی شبکه عصبی - بازارهای مالی
کلمات کلیدی انگلیسی: Wavelet neural networks - Wavelet decomposition - Financial forecasting - Forecast evaluation - Neural network topology - Financial markets
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: DOAJ
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.mlwa.2022.100302
نویسندگان: Markus Vogl - Peter GordonRötzel LL.M - Stefan Homesa
دانشگاه: University of Applied Sciences Aschaffenburg, Germany
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
شناسه ISSN: 2666-8270
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 13
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: دارد
کد محصول: e16391
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نوع رفرنس دهی: vancouver
فهرست مطالب (ترجمه)

چکیده


مقدمه


مروری بر مطالعات پیشین


فرضیه های تحقیق


روش‌شناسی، طراحی آزمایشی و توصیف داده‌ها


نتایج تجربی


بحث و مفاهیم


منابع

فهرست مطالب (انگلیسی)

Abstract


Introduction


Literature review


Research hypotheses


Methodology, experimental design, and data description


Empirical results


Discussion and implications


References

بخشی از مقاله (ترجمه ماشینی)

چکیده


     در این مطالعه، ما اثرات سودمند شبکه‌های عصبی را در ترکیب با توابع موجک بر عملکرد پیش‌بینی‌های بازار مالی تحلیل می‌کنیم. ما رویکردهای مختلف را در آزمایش‌های متعدد پیاده‌سازی می‌کنیم و توانایی‌های پیش‌بینی آن‌ها را با سری‌های زمانی مالی مختلف آزمایش می‌کنیم. ما به طور تجربی نشان می‌دهیم که هم شبکه‌های عصبی موجک و هم شبکه‌های عصبی با داده‌های از پیش پردازش‌شده توسط موجک‌ها از توپولوژی‌های شبکه کلاسیک بهتر عمل می‌کنند. با این حال، دقت پیش‌بینی‌های انجام‌شده در پیاده‌سازی الگوریتم‌های شبکه عصبی هنوز پتانسیل را برای اصلاح و بهبود بیشتر پیشنهاد می‌کند. از این رو، یافته‌های خود، مقایسه‌ها با استراتژی‌های «خرید و نگه‌داری» و ملاحظات اخلاقی را به طور انتقادی مورد بحث قرار می‌دهیم و چشم‌اندازهای آینده را به تفصیل بیان می‌کنیم.


توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)

Abstract


     In this study, we analyse the advantageous effects of neural networks in combination with wavelet functions on the performance of financial market predictions. We implement different approaches in multiple experiments and test their predictive abilities with different financial time series. We demonstrate experimentally that both wavelet neural networks and neural networks with data pre-processed by wavelets outperform classical network topologies. However, the precision of conducted forecasts implementing neural network algorithms still propose potential for further refinement and enhancement. Hence, we discuss our findings, comparisons with “buy-and-hold” strategies and ethical considerations critically and elaborate on future prospects.


Introduction


     Forecasting models tailored for financial time series are discussed frequently in business and science (Sezer et al., 2020). The development of computer-based methods has witnessed significant progress, which is well illustrated by, for example, Renaissance Technologies, led by James Simons. Renaissance Technologies has systematically outperformed market growth over many years through the execution and advanced analysis of algorithms and signals (Burton, 2016). However, the majority of actively managed funds1 based on statistical analysis display severe underperformance owing to lower yields earned compared to the respective benchmark (market) indices (Otuteye & Siddiquee, 2019). In particular, said underperformance renders itself visible once trading and management fees are considered, which are compared with passive investments, such as buy-and-hold strategies (Otuteye & Siddiquee, 2019).


Empirical results


     Before elaborating on respective results, we note the stochastic nature of NNs to impose a great influence on the magnitude deviations between the predictions (Kaastra & Boyd, 1996). The before mentioned implication originates from the existence of many predictions, which enable the prediction of only small fractions of a percent from the intended value. In addition, however, a similar number of predictions deviate from the true value by several percent, according to nonoptimal gradient descent algorithms, as stated in Kaastra and Boyd (1996). In total, we record up to 600 predictions7 from each stock 7 20 times 30 days. or index and LSTM topology, less for shorter data sets,8 respectively. Furthermore, up to 20 predictions are added with NNs on MLP basis for each data set, thus, we obtain a total number of 58,446 predictions, which are documented and evaluated according to the back-test described previously. As suspected, the examination of the prediction results provides a differentiated picture of the quality of predictions regarding the different selected NNs. Therefore, it is favourable to address different perspectives within the respective evaluations. The first perspective envisages the results with a focus on the general performance of an NN over the time horizon from one to 30 days. Therefore, we consider all available results of each network, separated per time horizon but averaged across all data sets. The second perspective elucidates the performance within the predicted stocks and indices. For each stock or index, the best network is determined for each time horizon. Further, it can be deduced whether an NN performs better than others regarding certain data sets and time-horizons.

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است