Short term prediction of stock index changes based on linear classification

• Autorzy: Krawczuk J. , Bobrowski L.

Warianty tytułu

PL

Krótkoterminowe prognozowanie indeksów giełdowych w oparciu o klasyfikator liniowy

• Języki publikacji: EN

Abstrakty

EN

This article describe the linear classifier based on convex and piecewise-linear function (CPL) and it application to market prediction. In an experiment we use CPL linear classifier to predict direction of one day change in stock index price. We use classification approach to predict only direction of change (grow or decline) of the index, not it quantity as in regression approach. Total number of instruments used in experiment including currencies is 42. Prediction of one index is based on historical prices of all 42 indexes. Using 7 historical values for each index it produce 294 attributes. Such high dimensional feature space was reduced by feature selection method - relaxed linear separability (RLS). Details of this methodology are also presented. Features was selected and model was build on training data. Test data (holdout data) was used for checking model accuracy. Model in average correctly classify (predict) 51.9 per cent direction of daily index changes.

PL

W artykule opisano klasyfikator liniowy oparty o wypukłe i odcinkowo-liniowe funkcje kary (CPL) i jego zastosowanie w prognozowaniu giełdy. W przeprowadzonym eksperymencie klasyfikator liniowy CPL został użyty do prognozy kierunku jednodniowej zmiany indeksów giełdowych. W zastosowanym podejściu klasyfikacyjnym prognozowano jedynie kierunek zmian (wzrost lub spadek), a nie dokładną wartość indeksu (podejście regresyjne). W eksperymencie użyto 42 instrumentów finansowych, w tym m.in. kursów walut. Jednodniowa prognoza wybranego instrumentu budowana jest w oparciu o wartości historyczne wszystkich 42 instrumentów. Używając 7 danych historycznych dla każdego instrumentu, uzyskano w sumie 294 atrybuty. Tak wielowymiarowa przestrzeń została zredukowana metodą selekcji cech opartą o relaksację liniowej separowalności. Metoda ta została opisana szczegółowo. Selekcja cech i budowa modelu w wybranej podprzestrzeni została przeprowadzona na zbiorze uczącym (treningowym). Natomiast ocena modelu została przeprowadzona na zbiorze testowym. Otrzymany wynik to średnio 51.9 procent prawidłowo sklasyfikowanych (prognozowanych) dziennych zmian indeksów giełdowych.

Słowa kluczowe

EN

short term prediction; stock index changes; linear classifier

PL

prognozowanie krótkoterminowe; zmiany indeksu giełdowego; klasyfikator liniowy

• Wydawca: Polskie Towarzystwo Symulacji Komputerowej
• Czasopismo: Symulacja w Badaniach i Rozwoju
• Rocznik: 2010
• Tom: Vol. 1, nr 4
• Strony: 363--373
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Krawczuk J.

autor

Bobrowski L.

• Bialystok University of Technology, Faculty of Computer Science, Wiejska 45A Str., 15-351 Białystok,

Bibliografia

• 1. Mills T.C. Time Series Techniques for Economists. Cambridge University Press, 1990.
• 2. Box G. and Jenkins G., Time series analysis: Forecasting and control, San Francisco: Holden-Day, 1970.
• 3. Engle R.F., Autoregressive Conditional Heteroscedasticity with Eshtimates of Variance of United Kingdom Inflation, Econometrica 50:987-1008, 1982.
• 4. Bollerslev T., Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 31:307-327, 1986.
• 5. Haefke C., Helmenstein C., Neural Networks in the Capital Markets: An Application to Index Forecasting, Computational Economics, pp. 37-50, 1996.
• 6. Tay F.E.H., Cao L., Application of support vector machines in financial time series forecasting, Omega 29 (2001) 309-317.
• 7. Duda O. R., Hart P. E., Stork D. G.: Pattern Classification, J. Wiley, New York, 2001.
• 8. Bobrowski L.: Eksploracja danych oparta na wypukłych i odcinkowo-liniowych funkcjach kryterialnych, Wydawnictwa Politechniki Białostockiej, Białystok, 2005.
• 9. Bobrowski L., Łukaszuk T: Feature selection based on relaxed linear separabilty, Biocybernetics and Biomedical Engineering, 2009, Volume 29, Number 2, pp. 43-59.
• 10. Lachenbruch P.A., Discriminant Analysis, Hafner Press, New York, 1975.
• 11. Liu H., Motoda H. (Eds.) Computational Methods of Feature Selection, Chapmann&Hall. CRC, New York 2008.
• 12. Carrell L., ETFs for the Long Run: What They Are, How They Work, a and Simple Strategies for Successful Long-Term Investing. JW Wiley, 2008 ISBN 978-0-470-13894-6.