Sieć bayesowska jako narzędzie pozyskiwania wiedzy z ekonomicznej bazy danych

• Autorzy: Olbryś J.

Warianty tytułu

EN

Bayesian network as a tool of extracting knowledge from an economic database

• Języki publikacji: PL

Abstrakty

PL

Proces decyzyjny w inwestowaniu rozpoczyna się od percepcji i przetwarzania napływających informacji. Podłoże decyzji stanowią przekonania dotyczące prawdopodobieństwa zajścia określonego zdarzenia. Jednostki racjonalne posługują się narzędziami teorii prawdopodobieństwa i statystyki, rozumując zgodnie z prawem Bayesa, czyli aktualizując wyobrażenia o prawdopodobieństwie zdarzenia wraz z ujawnianiem wszelkich nowych informacji, zarówno ilościowych, jak i jakościowych. Wydaje się zatem, że bardzo dobrym narzędziem wspomagającym decyzje inwestycyjne może być odpowiednio skonstruowany model sieci bayesowskiej (Bayesian Network). W artykule postawiono za cel główny prezentację możliwości zastosowania modelu sieci bayesowskiej do pozyskiwania wiedzy z ekonomicznej bazy danych, z uwzględnieniem informacji jakościowych oraz preferencji i subiektywnych ocen analityka finansowego, podejmującego decyzje w warunkach niepewności.

EN

Making a decision in investment starts from perception and analysis of incoming information. Rational investors reason according to Bayes formula and try to develop posterior probabilities after new evidence has been added. Virtually all decisions that investors make are exercises in probability. Bayesian networks have been used in different decision support system contexts that combine qualitative and quantitative information. Main goal of this paper is to present Bayesian network as a tool of extracting knowledge from an economic database, with respect to historical quantitative information, uncertain qualitative information, incomplete knowledge and evidence.

Słowa kluczowe

PL

sieć bayesowska; system wspomagający decyzje inwestycyjne; diagram wpływu

EN

Bayesian networks; investment decision support system; influence diagram

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Zeszyty Naukowe Politechniki Białostockiej. Informatyka
• Rocznik: 2007
• Tom: Z. 2
• Strony: 93--107
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Olbryś J.

• Politechnika Białostocka, Wydział Informatyki, Białystok

Bibliografia

• [1] Adamczak, A.: Empiryczna weryfikacja modelu arbitrażu cenowego w wa-runkach Giełdy Papierów Wartościowych w Warszawie, [w:] T.Trzaskalik (red.) Modelowanie preferencji a ryzyko’99, Katowice, 1999, str. 31 – 46.
• [2] Berry, M.A., Burmeister, E., McElroy, M.B.: Sorting Out Risk Using Known APT Factors, Financial Analysts Journal, vol. 44, no. 2, 1988, pp. 29-42.
• [3] de Campos, L.M.: A Scoring Function for Learning Bayesian Networks based on Mutual Information and Conditional Independence Tests, Journal of Machine Learning Research 7 (2006), pp. 2149 – 2187.
• [4] Chow, C.K.: Approximating Discrete probabilisty Distributions with Dependence Teres, IEEE Transactions on Information Theory, 14(3), 1968, pp. 462-467.
• [5] Cieślak, A.: Behawioralna ekonomia finansowa. Modyfikacja paradygmatów funkcjonujących w nowoczesnej teorii finansów, Materiały i Studia Zeszyt nr 165, NBP, Warszawa, 2003.
• [6] Demirer, R., Mau, R.R., Shenoy, C.: Bayesian Networks: A Decision Tool to Improve Portfolio Risk Analysis, Working Paper, University of Kansas, School of Business, 2006.
• [7] Druzdzel, M.J., Oniśko, A., Wasyluk, H.: Uczenie parametrów sieci bayesow-skich z danych z wykorzystaniem bramek Noisy–OR [w:] Z.Bubnicki, O.Hryniewicz, R.Kulikowski (red.) Problemy współczesnej nauki. Teoria i za-stosowania. Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2002, str. 19 – 26.
• [8] Druzdzel, M.J., Cheng, J.: AIS-BN: An Adaptive Importance Sampling Algorithm for Evidential Reasoning in Large Bayesian Networks, Journal of Artificial Intelligence Research, 13, 2000, pp. 155-188.
• [9] Druzdzel, M.J., Yuan, Ch.: An Importance Sampling Algorithm Based on Evidence Pre-propagation, Proceedings of the Nineteenth Annual Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann Publishers, Inc., San Francisco, CA, 2003, pp. 624-631.
• [10] Hagstrom, R.G.: The Warren Buffett Portfolio, Wiley & Sons, New York, 1999.
• [11] Heckerman, D.: A Tutorial on Learning with Bayesian Networks, technical Report, MSR-TR-95-06, 1996.
• [12] Heckerman, D.: Bayesian Networks for Data Mining, Data Mining and Knowledge Discovery, 1, 1997, pp. 79 – 119.
• [13] Howard, R.A., Matheson, J.E.: Influence Diagrams, [in:] Howard R.A and Matheson J.E. (eds.) Applications of Decision Analysis, vol. 2, 1984, Menlo Park, Calif.: Strategic Decisions Group, pp. 721 – 762.
• [14] Jensen, F.V.: Bayesian Networks and Decisions Graphs, Springer-Verlag, 2001.
• [15] Kłopotek, M.A.: Inteligentne wyszukiwarki internetowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2001.
• [16] Olbryś, J.: Estymatory miar Expected Shortfall i Value-at-Risk: przykłady zastosowania do pomiaru ryzyka walutowego, Inwestycje finansowe i ubez-pieczenia. Tendencje światowe a rynek polski. Prace Naukowe Akademii Ekonomicznej im. O. Langego, Wrocław, Nr 1088, 2005, str. 65 – 72.
• [17] Olbryś, J.: Model sieci bayesowskiej wspomagający decyzje inwestycyjne w warunkach niepewności, Szósta Ogólnopolska Konferencja Naukowa „Mo-delowanie Preferencji a Ryzyko’07”, Ustroń, 2007, w trakcie recenzji.
• [18] Osiewalski, J.: Ekonometria bayesowska w zastosowaniach, Wydawnictwo Akademii Ekonomicznej w Krakowie, 2001.
• [19] Pearl, J.: Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Morgan Kaufmann Publishers, 1988.
• [20] Shenoy, C., Shenoy, P.P.: Bayesian Network Models of Portfolio Risk and Return, [in:] Abu-Mostafa, Y.S., LeBaron, B., Lo, A.W., Weigend, A.S. (eds) Computational Finance, MIT Press, 1999, pp. 87-106.