The stock trading decision support system based on the reoptimalization (repeated optimalization)

• Autorzy: Dymowa L. , Bartosiewicz P. , Tkacz K.

Warianty tytułu

PL

System wspomagający podejmowanie decyzji w handlu papierami wartościowymi oparty na reoptymalizacji (powtarzanej optymalizacji)

• Języki publikacji: EN

Abstrakty

EN

The synthesis of fuzzy logic and methods of the Dempster-Shafer theory (the so called rule-base evidential reasoning) is proved to be a powerful tool for building expert and decision making systems. Nevertheless, there are two limitations of such approaches that reduce their ability to deal with uncertainties the decision makers often meet in practice. The first limitation is that in the framework of known approaches to the rule-base evidential reasoning, a degree of belief can be assigned only to a particular hypothesis, not to a group of them, whereas an assignment of a belief mass to a group of events is a key principle of the Dempster-Shafer theory. The second limitation is concerned with the observation that in many real-world decision problems we deal with different sources of evidence and the combination of them is needed. The known methods for the rule-base evidential reasoning do not provide a technique for the combination of evidence from different sources. In the current paper, a new approach free of these limitations is proposed. The advantages of this approach are demonstrated using simple numerical examples and the developed stock trading decision support system optimized and tested on the real data from Warsaw Stock Exchange.

PL

Udowodniono, że synteza logiki rozmytej i metod teorii Dempstera-Shafera to potężne narzędzie do budowania systemów ekspereckich i wspomagania decyzji. Jednakże istnieją dwa ograniczenia tego podejścia, które zmniejszają jego możliwość radzenia sobie z niepewnością często spotykaną w praktyce. Pierwszym ograniczeniem jest to, że w znanych rozwiązaniach tego typu stopień pewności może być przypisany tylko pojedynczej hipotezie, a nie grupie hipotez, pomimo ze przyporządkowanie prawdopodobieństwa grupie zdarzeń jest podstawową zasadą teorii Dempstera-Shafera. Drugim ograniczeniem jest obserwacja, że w wielu praktycznych zagadnieniach decyzyjnych mamy do czynienia z różnymi źródłami świadectw i dlatego konieczna jest metoda kombinacji tych świadectw. Znane zastosowania syntezy logiki rozmytej i teorii Dempstera-Shafera nie przedstawiają metody kombinacji świadectw pochodzących z różnych źródeł. W przedstawionym artykule zaproponowano nowe rozwiązanie wolne od tych ograniczeń. Zalety tego podejścia przedstawia opracowany giełdowy system wspomagania decyzji kupna i sprzedaży zoptymalizowany i przetestowany na rzeczywistych danych z War-szawskiej Giełdy Papierów VVartościowych.

Słowa kluczowe

EN

fuzzy logic; Dempster-Shafer theory; stock training; decision support system

PL

logika rozmyta; teoria Dempstera-Shafera; handel papierami wartościowymi; system wspomagania decyzji

• Wydawca: Wydawnictwo Politechniki Częstochowskiej
• Czasopismo: Informatyka Teoretyczna i Stosowana
• Rocznik: 2008
• Tom: R. 8, nr 14
• Strony: 19--35
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Dymowa L.

autor

Bartosiewicz P.

autor

Tkacz K.

• Institute of Computer and Information Science, Czestochowa University of Technology, ul. Dąbrowskiego 73, 42-200 Częstochowa

Bibliografia

• [1] Haefke C., Helmenstein C., Predicting stock market averages to enhance profitable trading strategies, Proceedings of the Third International Conference on Neural Networks in the Capital Markets, London 2000, 378-389.
• [2] Kuo R. J., Chen C. H., Hwang Y. C., An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network, Fuzzy-Sets and Systems 200K 118, 21-45.
• [3] Kendall S. M., Ord K., Time series (3rd ed.), Oxford University Press, New York 1990.
• [4] Baba N., Kozaki M., An intelligent forecasting system of stock price using neural networks, Proceedings of IJCNN'92, 1992, 317-377.
• [5] Mahfoud S., Mani G., Financial forecasting using genetic algorithms, Applications of Artificial Intelligence 1996, 10, 543-566.
• [6] Mehta K., Bhattacharyy S., Adequacy of training data for evolutionary mining of trading rules, Decision Support Systems 2004, 37, 461-474.
• [7] 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.
• [8] Pawlak Z., Rough sets, International Journal of Information and Computer Science 1982, 11, 145-172.
• [9] Shen L., Loh H. T., Applying rough sets to market timing decisions, Decision Support Systems 2004, 37, 583-597.
• [10] Wang Y. F., Mining stock price using fuzzy rough set system, Expert Systems with Applications 2003, 24, 13-23.
• [11] Yager R. R., Multiple objective decision-making using fuzzy sets, International Journal of Man-Machine Studies 1979, 9, 375-382
• [12] Dourra H., Siy P., Investment using technical analysis and fuzzy logic, Fuzzy Sets and Systems 2002, 127, 221-240.
• [13] Mamdani E., Assilian S., An experiment in linguistic synthesis with a fuzzy logic controller, Int. J. Mach. Studies 1975, 1, 1-13.
• [14] Santiprabhob P., Nguyen H. T., Pedrycz W., Kreinovich V., Logic-Motivated Choice of Fuzzy Logic Operators, FUZZ-IEEE 2001, 646-649.
• [15] Turksen I. B., Kreinovich V., Yager R. R., A new class of fuzzy implications (axioms of fuzzy implication revisited), Fuzzy Sets and Systems 1998, 100, 267-272.
• [16] Dempster A. P., Upper and lower probabilities induced by a muilti-valued mapping, Ann. Math. Stat. 1967, 38, 325-339.
• [17] Dempster A. P., A generalization of Bayesian inference (with discussion), J. Roy. Stat. Soc., Series B 1968, 30, 208-247.
• [18] Shafer G., A mathematical theory of evidence, Princeton, Princeton University Press 1976.
• [19] Yager R. R., Modeling uncertainty using partial information. Information Sciences 1999, 121, 271-294.
• [20] Sevastjanov P., Numerical methods for interval and fuzzy number comparison based on the probabilistic approach and Dempster-Shafer theory, Information Sciences 2007, 177, 4645-4661.
• [21] Dimova L., Sevastianov P., Sevastianov D., MCDM in a fuzzy setting: investment projects assessment application, International Journal of Production Economics 2006, 100, 10-29.
• [22] Sevastjanov P., Figat P., Aggregation of aggregating modes in MCDM, Synthesis of Type 2 and Level 2 fuzzy sets, Omega 2007, 35, 505-523.
• [23] Gorzalczany M. B., Piasta Z., Neuro-fuzzy approach versus rough-set inspired methodology for intelligent decision support, Information Sciences 1999, 120, 45-68.