Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Forecasting Stock Market Trend using Prototype Generation Classifiers
Autoři: Hájek Petr
Rok: 2012
Druh publikace: článek v odborném periodiku
Název zdroje: WSEAS Transactions on Systems
Název nakladatele: WSEAS Press
Místo vydání: Atény
Strana od-do: 671-680
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze PRedikce trendu akciového trhu pomocí klasifikátorů generování prototypů V současnosti je predikce cen akcií realizována buď metodami predikce časových řad nebo klasifikátory trendu. Klasifikátory trendu jsou navrženy pro predikci chování pohybu cen akcií. Nedávno se pro realizaci tohoto problému ukázaly jako vhodné metody soft computingu jako např. podpůrné vektorové stroje. V tomto článku je použito několik klasifikátorů generování prototypů pro predikci NASDAQ Composite Index. Ukazujeme, že klasifikátory generování prototypů předčily podpůrné vektorové stroje a neuronové sítě co se týká poměru přesně predikovaných směrů trendu. Cena akcie; index akciového trhu; predikce; učící se vektorová kvantizace; generování prototypů; podpůrné vektorové stroje; neuronové sítě; particle swarm optimization.
eng Forecasting Stock Market Trend using Prototype Generation Classifiers Currently, stock price forecasting is carried out using either time series prediction methods or trend classifiers. The trend classifiers are designed to predict the behaviour of stock price’s movement. Recently, soft computing methods, like support vector machines, have shown promising results in the realization of this particular problem. In this paper, we apply several prototype generation classifiers to predict the trend of the NASDAQ Composite index. We demonstrate that prototype generation classifiers outperform support vector machines and neural networks considering the hit ratio of correctly predicted trend directions. Stock price; stock market index; forecasting; prediction; learning vector quantization; prototype generation; support vector machines; neural networks; particle swarm optimization.