ГIБРИДНА МОДЕЛЬ САМООРГАНIЗАЦIЙНОЇ КАРТИ КОХОНЕНА ТА АДАПТИВНОЇ НЕЙРО-НЕЧIТКОЇ СИСТЕМИ ВИВОДУ У ЗАДАЧАХ ПРОГНОЗУВАННЯ ЦIН ФОНДОВИХ IНДЕКСIВ
Анотація
Дослiджено використання методiв штучного iнтелекту у прогнозуваннi i аналiзi часо-
вих рядiв фiнансових даних, оскiльки останнi мають нелiнiйну, хаотичну, багатовимiрну
та просторову природу, що робить прогнозування складним процесом. Запропоновано гi-
бридну модель самоорганiзацiйної карти Кохонена та адаптивної нейро-нечiткої системи
виводу для задачi прогнозування цiн фондових iндексiв. Виявлено, що гiбриднi моделi
є кращими предикторами, оскiльки вони швидкi, ефективнi та мають менше помилок.
Запропонований гiбридний метод з адаптивною нейро-нечiткою системою виводу проде-
монстрував зменшення похибок та вищу загальну точнiсть.
Завантаження
Посилання
[1] Afolabi M.O., Olude O. Predicting stock prices using a hybrid Kohonen self organizing map (SOM).
In System Sciences, January, 2007. HICSS 2007. 40th Annual Hawaii International Conference on (pp.
48-48). IEEE.
[2] Billah M., Waheed S. and Hanifa A. Predicting Closing Stock Price using Artificial Neural Network and
Adaptive Neuro Fuzzy Inference System (ANFIS): The Case of the Dhaka Stock Exchange. International
Journal of Computer Applications, 2015, 129(11), 1–5.
[3] Bowden Gavin, Maier Holger, Dandy Graeme. Optimal Division of Data for Neural Network Models
in Water Resources Applications. Water Resources Research – WATER RESOUR RES, 2002. 38.
10.1029/2001WR000266
[4] Boyacioglu M.A. and Avci D. An adaptive network-based fuzzy inference system (ANFIS) for the predi-
ction of stock market return: the case of the Istanbul stock exchange. Expert Systems with Applications,
2010, 37(12), 7908–7912.
[5] Dablemont S., G. Simon, A. Lendasse, A. Ruttiens, F. Blayo and M. Verleysen. Time series forecasting
with SOM and local non-linear models-Application to the DAX30 index prediction. In: Proceedings of
the workshop on self-organizing maps, 2003, Kitakyushu, Japan, Citeseer.
[6] Durbin J, Koopman SJ. Time Series Analysis by State Space Methods. Oxford University Press, Oxford,
2001.
[7] Ghosh I., Sanyal M.K. and Jana R.K. Fractal Inspection and Machine Learning-Based Predictive
Modelling Framework for Financial Markets. Arabian Journal for Science and Engineering, 2017, 1–15.
[8] Jang JS. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man,
and cybernetics, May, 1993, 23(3), 65–85.
[9] Kohonen T. Self-organized formation of topologically correct feature maps. Biological cybernetics, 1982,
43(1), 59–69.
[10] Meng J., Zhu T., Chen X. and Yin X., The nonlinear dynamics characteristics of stock market and
its variation. In Proceedings of the 2nd International Conference on Computer Science and Electronics
Engineering (ICCSEE 2013), March, 2013, Published by Atlantis Press, Paris, France. 0450–0455.
[11] Kushnir M.Ya., Tokareva K.A. The use of artificial intelligence systems in forecasting tasks
of financial indices: a review of scientific sources. Radio electronic and computer systems, 2020,
3 (95), 108–117. doi: 10.32620 / rex.2020.3.11
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
