Zastosowanie sieci neuronowych w ekonomi, Metody sztucznej inteligencji
[ Pobierz całość w formacie PDF ]
Akademia Ekonomiczna im. Karola Adamieckiego
w Katowicach
Wydział Zarz
Ģ
dzania
Grzegorz Timofiejczuk
Zastosowanie sieci neuronowych
do prognozowania na rynkach finansowych
Autoreferat rozprawy doktorskiej
Rozprawa doktorska
przygotowana pod kierunkiem
naukowym:
dr hab. Piotra Chrzana
Katowice 2004
I.
UZASADNIENIE TEMATU
Jednym z kluczowych elementów ka
Ň
dego systemu gospodarczego
jest jego rynek finansowy. Wzrost znaczenia rynku finansowego w
gospodarce i jego wpływu na zachodz
Ģ
ce tam procesy spowodowany jest w
du
Ň
ym stopniu liberalizacj
Ģ
gospodarek
Ļ
wiatowych, swobod
Ģ
przepływu
kapitału oraz szerokim i szybkim dost
ħ
pem do informacji.
Istotnym warunkiem rozwoju rynku finansowego jest umiej
ħ
tno
Ļę
przewidywania kierunków i ilo
Ļ
ciowych zmian zarówno samego rynku, jak
i jego otoczenia, a tak
Ň
e umiej
ħ
tno
Ļę
podejmowania na tej podstawie
prawidłowych decyzji gospodarczych.
Szeroka dost
ħ
pno
Ļę
danych o wysokiej cz
ħ
stotliwo
Ļ
ci, bogactwo
metodologii badawczych, coraz bardziej zło
Ň
one i wyrafinowane
2
instrumenty finansowe, a tak
Ň
e wzrost liczby inwestorów na rynkach
finansowych wprowadza potrzeb
ħ
poszukiwania narz
ħ
dzi analitycznych
umo
Ň
liwiaj
Ģ
cych skuteczne prognozowanie i tym samym wspomagaj
Ģ
cych
podejmowanie decyzji. Podstawy teoretyczne tworzonych narz
ħ
dzi
analitycznych powinny stanowi
ę
zatem teorie analizy rynków finansowych,
takie jak analiza techniczna, analiza fundamentalna oraz analiza portfelowa.
Istnieje wiele metod stosowanych w analizach rynków finansowych, do
których mo
Ň
na zaliczy
ę
metody oparte na teorii procesów stochastycznych,
metody cybernetyki finansowej, metody ekonometryczne, teori
ħ
chaosu,
metody sztucznej inteligencji.
Rozwój techniki komputerowej, a przede wszystkim systemów
przetwarzania danych, umo
Ň
liwił implementacj
ħ
bardzo skomplikowanych
metod matematycznych. W
Ļ
ród nich du
ŇĢ
rol
ħ
odgrywaj
Ģ
sprawdzone ju
Ň
na rynkach rozwini
ħ
tych modele sieci neuronowych nale
ŇĢ
ce do grupy
metod sztucznej inteligencji. Sztuczne sieci neuronowe s
Ģ
interdyscyplinarn
Ģ
dziedzin
Ģ
bada
ı
obejmuj
Ģ
c
Ģ
swoim zakresem mi
ħ
dzy
innymi biologi
ħ
, matematyk
ħ
, fizyk
ħ
, cybernetyk
ħ
i informatyk
ħ
. Stanowi
Ģ
wyrafinowan
Ģ
technik
ħ
odwzorowywania bardzo zło
Ň
onych funkcji.
W ostatnich latach obserwuje si
ħ
stopniow
Ģ
normalizacj
ħ
rynku
finansowego w Polsce. Rozwój Giełdy Papierów Warto
Ļ
ciowych, działanie
du
Ň
ej liczby funduszy inwestycyjnych, wiedza oraz do
Ļ
wiadczenie coraz
wi
ħ
kszej liczby inwestorów prezentuj
Ģ
cych ró
Ň
ne postawy wzgl
ħ
dem
ryzyka i o ró
Ň
nych horyzontach czasowych powoduj
Ģ
,
Ň
e w analizie rynku
finansowego pomocne mo
Ň
e okaza
ę
si
ħ
zastosowanie sztucznych sieci
neuronowych.
3
II.
CEL PRACY, PODSTAWOWE TEZY BADAWCZE
Celem pracy było opracowanie metodologii budowy sieci
neuronowych, które potrafiłyby w miar
ħ
precyzyjnie prognozowa
ę
ceny
oraz dzienne zmiany stóp zwrotu instrumentów finansowych, i tym samym
mogłyby stanowi
ę
element systemów wspomagaj
Ģ
cych decyzje
inwestycyjne lub sta
ę
si
ħ
cz
ħĻ
ci
Ģ
automatycznych systemów
transakcyjnych na polskim rynku finansowym.
Powodzenie finansowych strategii inwestycyjnych zale
Ň
y w du
Ň
ej
mierze od sygnałów kupna i sprzeda
Ň
y, dlatego te
Ň
do oceny jako
Ļ
ci
poszczególnych modeli zastosowano nast
ħ
puj
Ģ
ce miary : miar
ħ
zgodno
Ļ
ci
kierunku zmian, miar
ħ
zdolno
Ļ
ci prognozowania punktów zwrotnych oraz
miar
ħ
prawdopodobie
ı
stwa podj
ħ
cia prawidłowej decyzji.
Prezentowana praca koncentruje si
ħ
na modelach sztucznych sieci
neuronowych przedstawiaj
Ģ
c te aspekty ich konstrukcji, które umo
Ň
liwiaj
Ģ
lepsze obja
Ļ
nianie i prognozowanie finansowych szeregów czasowych i tym
samym pozwalaj
Ģ
wspomaga
ę
podejmowanie decyzji inwestycyjnych.
W badaniach zastosowano ró
Ň
ne typy modeli sieci neuronowych oraz
wybrane metody optymalizacji ich architektury i zmiennych wej
Ļ
ciowych.
Wykorzystano równie
Ň
odmienne podej
Ļ
cia do analizy poszczególnych
instrumentów finansowych jakim s
Ģ
analiza techniczna i analiza
fundamentalna.
4
W badaniach przeprowadzono testy nast
ħ
puj
Ģ
cych hipotez :
Hipoteza pierwsza
dotyczy zastosowania ró
Ň
nych typów modeli
neuronowych :
H
0
:
bł
ħ
dy prognoz ró
Ň
nych typów modeli sieci neuronowych ró
Ň
ni
Ģ
si
ħ
nieznacznie
,
wobec hipotezy alternatywnej
H
1
:
bł
ħ
dy prognoz, co najmniej jednego modelu sieci neuronowej s
Ģ
znacznie wi
ħ
ksze lub mniejsze od bł
ħ
dów prognoz pozostałych modeli
.
Hipoteza druga
dotyczy zastosowania wybranych metod optymalizacji
liczby zmiennych wej
Ļ
ciowych oraz architektury sieci neuronowych :
H
0
:
bł
ħ
dy prognoz sieci neuronowych, które zostały zbudowane przy
zastosowaniu ró
Ň
nych metod optymalizacji liczby zmiennych wej
Ļ
ciowych
oraz architektury sieci ró
Ň
ni
Ģ
si
ħ
nieznacznie
,
wobec hipotezy alternatywnej
H
1
:
co najmniej jedna metoda optymalizacji liczby zmiennych wej
Ļ
ciowych
oraz architektury sieci prowadzi do uzyskania sieci neuronowej, której
bł
ħ
dy prognozy s
Ģ
znacznie wi
ħ
ksze lub mniejsze od bł
ħ
dów prognoz
pozostałych modeli
.
Hipoteza trzecia
dotyczy zastosowania jako zmiennych wej
Ļ
ciowych
modeli sieci neuronowych, zmiennych lub wska
Ņ
ników proponowanych
przez analiz
ħ
techniczn
Ģ
lub fundamentaln
Ģ
:
H
0
:
bł
ħ
dy prognoz okre
Ļ
lonego typu sieci neuronowej zbudowanego na
podstawie analizy technicznej nie ró
Ň
ni
Ģ
si
ħ
znacznie od bł
ħ
dów prognozy
sieci neuronowej zbudowanej na podstawie analizy fundamentalnej
,
wobec hipotezy alternatywnej
5
[ Pobierz całość w formacie PDF ]