Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: criterion function minimization

Sortuj według:

Ogranicz wyniki do:

Adaptacyjne podejście do tworzenia strategii inwestycyjnych na rynkach kapitałowych wraz z zastosowaniem ważonego uśredniania

Momot A., Momot M.

Studia Informatica

2012

Vol. 33, nr 2A

593-604

Artykuł przedstawia propozycję projektowania strategii działania na rynkach kapitałowych, w szczególności na rynkach terminowych. Metoda polega na dwupoziomowej optymalizacji parametrycznej. Na drugim poziomie stosowana jest metoda ważonego uśredniania, gdzie dobór wag odbywa się na podstawie minimalizacji funkcjonału. Skuteczność przedstawionej metody została oceniona na podstawie bazy danych historycznych notowań kontraktów terminowych.

This paper presents the design of strategy proposed for the capital markets, especially futures markets. The method is based on two-level parametric optimization. On the second level is used the weighted averaging method, where the choice of weights is based on the minimization of functional. The effectiveness of the method presented has been assessed based on historical data base of futures trading.

Computationally effective algorithm to the epsilon -insensitive fuzzy clustering

Łęski J.

Systems Science

2002

Vol. 28, nr 3

31-50

The fuzzy c-means method is one of the most popular clustering methods based on minimization of a criterion function. However, one of the greatest disadvantages of this method is its sensitivity to the presence of noise and outliers in data. The epsilon -insensitive Fuzzy C-Means ( epsilon FCM) clustering algorithm is free of this disadvantage, but has a very high computational burden and requires a choice of the insensitivity parameter(s) epsilon In this paper, a new computationally effective epsilon -insensitive fuzzy c-means clustering algorithm with automatic adjustment of the insensitivity parameter(s) is introduced. Performance of the new clustering algorithm is experimentally verified using synthetic data with outliers and overlapped groups of heavy-tailed data.