System informatyczny symulujący proces decyzyjny na rynku kapitałowym za pomocą syntezy logiki rozmytej i teorii świadectw

• Autorzy: Dymowa L. , Bartosiewicz P.
• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono system informatyczny symulujący zoptymalizowany proces podjęcia decyzji kupna i sprzedaży na rynku kapitałowym. W opracowaniu systemu użyto syntezy metod z różnych dziedzin: tradycyjne wskaźniki analizy technicznej, metody wielokryterialne, metody logiki rozmytej oraz Teorii Świadectw Dempstera-Shafera. Zastosowanie takiej syntezy metod pozwala zbudować system optymalizujący podjęcie decyzji kupna i sprzedaży aktywów w sposób najbardziej naturalnie odzwierciedlający charakter myślenia osób zajmujących się profesjonalną działalnością na giełdzie papierów wartościowych. Ostateczne zagadnienie sformułowane zostało jako problem optymalizacji w warunkach niepewności. Efektywność opracowanego sytemu sprawdzona została na realnych danych. W tym celu wykorzystano notowania kontraktu terminowego na indeks RTS giełdy rosyjskiej. Przy tym jako okres uczący przyjęto dane za pierwsze siedem miesięcy 2006 r. Jako zakres testujący użyto danych za następne trzy miesiące 2006 r. Rezultaty wskazują na wysoką efektywność opracowanego systemu.

Słowa kluczowe

PL

system informatyczny; logika rozmyta; Teoria Świadectw Dempstera-Shafera; analiza techniczna; kontrakty terminowe

• Wydawca: Wydawnictwo Politechniki Częstochowskiej
• Czasopismo: Informatyka Teoretyczna i Stosowana
• Rocznik: 2007
• Tom: R. 7, nr 12
• Strony: 53--66
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Dymowa L.

autor

Bartosiewicz P.

• Instytut Informatyki Teoretycznej i Stosowanej, Politechnika Częstochowska ul. Dąbrowskiego 73, 42.200 Częstochowa,

Bibliografia

• [1] Baba N., Kozaki M., An intelligent forecasting system of stock price using neural networks, in Proceedings of IJCNN'92, 1992, 317-377.
• [2] Mahfoud S., Mani G., Financial forecasting using genetic algorithms, Applications of Artificial Intelligence1996; 10, 543-566.
• [3] Mehta K, Bhattacharyy S., Adequacy of training data for evolutionary mining of trading rules, Decision Support Systems 2004, 37, 461-474.
• [4] Kim K.J, Han I., Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index, Expert Systems with Applications 2000, 19, 125 -132.
• [5] Kuo R.I., Chen C.H., Hwang Y.C., Ail intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network, Fuzzy Sets and Systems 2001, 118, 21-45.
• [6] Pawlak Z., Rough Sets. International Journal of Information and Computer Science 1982, 11, 145-172.
• [7] Shen L., Loh H.T., Applying rough sets to market timing decisions, Decision Support Systems 2004, 37, 583-597.
• [8] Dourra H., Siy P., Investment using technical analysis and fuzzy logic: Fuzzy Sets and Systems 2002, 127, 221-240.
• [9] Mamdani E., Assilian S., An experiment in linguistic synthesis with a fuzzy logic controller, Int. J. Mach. Studies 1975, 1, 1-13.
• [10] Dempster A.P., A generalization of Bayesian inference (with discussion), J. Roy. Stat. Soc.1968, 30, 208-247.
• [11] Dempster A.P., Upper and lower probabilities induced by a multi-valued mapping. Ann. Math. Stat. 1967, 38, 325-339.
• [12] Shafer G., A mathematical theory of evidence, Princeton University Press, 1976.
• [13] Sevastianov P., Numerical methods for interval and fuzzy number comparison based on the probabilistic approach and Dempster-Shafer theory, Inforrnation Sciences 2007, 177, 4645-4661.