Publikace detail

Learning Interval-Valued Fuzzy Cognitive Maps with PSO Algorithm for Abnormal Stock Return Prediction

Autoři: Hájek Petr | Procházka Ondřej

Rok: 2017

Druh publikace: článek ve sborníku

Název zdroje: Theory and Practice of Natural Computing

Název nakladatele: Springer

Místo vydání: Heidelberg

Strana od-do: 113-125

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Učení intervalově ohodnocených fuzzy kognitivních map algoritmem PSO pro predikci abnormálních akciových výnosů	Predikce výnosů akcií je v oblasti financí považována za náročnou úlohu. Existence inherentního šumu a kolísání denních výnosů cen akcií vyžaduje velmi komplexní predikční systém. Generalizace fuzzy systémů ukazují slibné výsledky vzhledem k jejich schopnosti modelovat silnou nejistotu na dynamických finančních trzích. Finanční proměnné jsou navíc obvykle v obtížně interpretovatelných kauzálních vztazích. Abychom překonali tyto problémy, navrhujeme zde intervalovou fuzzy kognitivní mapu s učením pomocí PSO algoritmu. Tento systém je vhodný pro modelování komplexních nelineárních problémů pomocí kauzálního usuzování. Jako vstupy systému spojujeme kauzálně propojené finanční ukazatele a jazykové proměnné, které jsou získávány z diskuse managementu ve výročních zprávách. Ukazujeme, že navrhovaná metoda je účinná pro predikci abnormálního výnosu akcií. Navíc prokazujeme, že tato metoda překonává fuzzy kognitivní mapy a adaptivní systémy založené na neuro-fuzzy pravidlech s PSO učením.	Akciový trh; Intervalově ohodnocená fuzzy kognitivní mapa; Algoritmus PSO; Abnormální výnos akcií
eng	Learning Interval-Valued Fuzzy Cognitive Maps with PSO Algorithm for Abnormal Stock Return Prediction	Stock return prediction is considered a challenging task in financial domain. The existence of inherent noise and volatility in daily stock price returns requires a highly complex prediction system. Generalizations of fuzzy systems have shown promising results for this task owing to their ability to handle strong uncertainty in dynamic financial markets. Moreover, financial variables are usually in difficult to interpret causal relationships. To overcome these problems, here we propose an interval-valued fuzzy cognitive map with PSO algorithm learning. This system is suitable for modelling complex nonlinear problems through causal reasoning. As the inputs of the system, we combine causally connected financial indicators and linguistic variables extracted from management discussion in annual reports. Here we show that the proposed method is effective for predicting abnormal stock return. In addition, we demonstrate that this method outperforms fuzzy cognitive maps and adaptive neuro-fuzzy rule-based systems with PSO learning.	Stock market; Interval-valued fuzzy cognitive map; PSO algorithm; Abnormal stock return

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte