Application of majority voting protocols to supporting trading decisions

• Autorzy: Opaliński A.

Warianty tytułu

PL

Zastosowanie protokołów głosowania większościowego do wspierania decyzji handlowych

• Języki publikacji: EN

Abstrakty

EN

A broad spectrum of analysis and prediction indicators and methods exists to support trading decisions, but no hard knowledge exist to tell in advance which of them will fit best in a given timeframe. To support trading decisions, a multi-agent self-organizing system has been proposed. The system is based on history based dynamic weight voting and selects the right indicators based on their past performance. The formal analysis is given and verification is described, which proved the system to possess the desired features.

PL

Istnieje szerokie spektrum narzędzi i metod wspierających decyzje handlowe, lecz brakuje jasnych reguł ich stosowania. Zaproponowano samoorganizujący się system agentowy do wspierania decyzji handlowych. System, bazując na glosowaniu z dynamicznymi wagami, wskazuje efektywne indykatory na podstawie ich poprzednich osiągnięć. Przedstawiono analizę formalną i wyniki weryfikacji, potwierdzającej cechy rozwiązania.

Słowa kluczowe

EN

prediction; multi-agent systems; voting

PL

predykcja; systemy agentowe; głosowanie

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2014
• Tom: Nr 4
• Strony: 136--141
• Opis fizyczny: Bibliogr. 23 poz., fig., tab.

Twórcy

autor

Opaliński A.

• Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej

Bibliografia

• [1] Nogales F. J., Contreras J., Conejo A. J., Espínola R.: Forecasting Next-Day Electricity Prices by Time Series Models, IEEE Trans. on Power Systems, Vol.17, No.2, 2002.
• [2] Popławski T.: Zastosowanie wybranych technik prognostycznych do krótkoterminowych prognoz cen energii elektrycznej na Towarowej Giełdzie Energii, Polityka Energetyczna, Tom 9, Zeszyt specjalny, PL ISSN 1429-6675, 2006.
• [3] Conejo A. J., Plazas M. A., Espínola R., Molina A. B.: Day-Ahead Electricity Price Forecasting Using the Wavelet Transform and ARIMA Models, IEEE Trans. on Power Systems, Vol.20, No.2, pp.1035–1041, 2005.
• [4] Kurach M.: Metody i modele do predykcji wolumenu i ceny energii elektrycznej na towarowej giełdzie energii, Nowe trendy w naukach inżynieryjnych. Ed. Marcin Kuczera. T.1. Creative Science – monography, ISBN 978-83-63058-06-7, 2011.
• [5] Weron R., Misiorek A.: Forecasting Spot Electricity Prices With Time Series Models, Proc of the International Conference ”The European Electricity Market EEM-05” May 10-12, pp. 133-141, 2005.
• [6] Karakatsani N., Bunn D.: Modelling stochastic volatility in high-frequency spot electricity prices, London Business School Working Paper, 2004.
• [7] Szkuta B. R., Sanabria L. A., Dillon T. S.: Electricity price short-term forecasting using artificial neural networks, IEEE Trans. on Power Systems, Vol.14, Issuee 3, pp. 851–857, 1999.
• [8] Wu L., Shahidehpour M.: A Hybrid Model for Day-Ahead Price Forecasting, IEEE Trans. on Power Systems, VOL. 25, NO. 3, pp.1519-1530, 2010.
• [9] Mandal P., Senjyu T., Urasaki N., Fundabashi T., Srivastava A. K.: A novel approach to forecast electricity price for PJM using neural network and similar days method, IEEE Trans. on Power Systems, Vol.22, No.4, pp.2058–2065, 2007.
• [10] Borowski K., Nowakowski J.: Wykorzystanie ciągów liczbowych w analizie technicznej, Studia i Prace Kolegium Zarządzania i Finansów SGH, Zeszyt 20, Warszawa 2001.
• [11] Ehlers J.: Adaptive Trend and Oscillators, Technical Analysis of Stock & Commodities, Vol.18, No.5, 2000.
• [12] Ehlers J.: MESA Adaptive Moving Avg, Technical Analysis of Stock & Commodities, Vol.19, No. 19, 2001.
• [13] Reyna G.: Volume Weighted Average Price, Technical Analysis of Stock & Commodities, Vo.19, No.19, 2001.
• [14] Wang A. J., Ramsay, B.: A neural network based estimator for electricity spot-pricing with particular reference to weekend and public holidays, Neurocomputing 23, pp.47-57, 1998.
• [15] Teixeirs L. A., Inacio de Oliveira A. L.: A method for automatic stock trading combining technical analysis and nearest neighbor classification, Expert Systems with Applications No.39, pp.6886-6890, 2010.
• [16] Lento C., Gradojevic N.: The Profitability Of Technical Trading Rules: A Combined Signal Approach, Journal of Applied Business Research, Vol.23, No.1, 2007.
• [17] Combining Complementing Technical Analysis Indicators- ADX and RSI with MACD, February 2nd, 2012, available online, URL:http://countingpips.com/2012/02/combining-complementing-technical-analysis-indicators-adx-and-rsi-with-macd/ (DOA:15.03.2013).
• [18] Kolcun M., Rusek B.: Dekompozycja cen na towarowej giełdzie energii i jej wpływ na dokładności predykcji. Rynek Energii, No.2, 2012.
• [19] Turnovec F.: Fair Voting Rules in Committees, Strict Proportional Power and Optimal Quota. Homo Oeconomics, vol. 27, no. 4, pp. 463-480, 2011.
• [20] Vidal, Jose M.: Fundamentals of multiagent systems with Netlogo examples, WWW page, URL:http://multiagent.com/, (DOA: 15.03.2014).
• [21] Das M., Bhattacharya S.: A Modified History Based Weighted Average Voting with Soft-dynamic Threshold, Proc. of International Conference on Advances in Computer Engineering, 2010.
• [22] Choinski D., Metzger M., Nocon W.: Voting in Multi-Agent System for Improvement of Partial Observations, Lecture Notes in Computer Science Volume 6682, pp.353-362, 2011.
• [23] Procaccia A. D.: How is Voting Theory Really Usefull in Multiagent Systems?, available online, URL: http://www.cs.cmu.edu/~arielpro/papers/vote4mas.pdf (DOA: 15.03.2013).