Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 4

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

MULTILAYER PERCEPTRONS AS APPROXIMATIONS TO PROBABILITY DENSITY FUNCTIONS IN TIME SERIES FORECASTING

100%

Morajda J.

Przegląd Statystyczny

2007

tom 54

nr 1

20-33

The paper presents the method of utilisation of multilayer perceptron neural networks to probability densiity function approximation in the problem of time series forecasting. The theoretical background has been given and the specification of neural prediction model, which generates the probability distribution of the forecasted variable in the issue of financial time series predicition, has been described. Next, the research concerning the performance of such model designed for the forecasting of the Polish stock index WIG has been discussed. Two versions of the model have been applied: first - comprised of 12 perceptron networks with single output each, second - based on one network with 12 outputs. Three test cases (for subsequent stock exchange sessions ) have been analysed. Obtained probability distributions are somewhat similar to empirical distribution (achieved for model development data), but they clearly indicate predicted tendency of index change and show specific uncertainty of the forecast.

Zastosowanie sieci Kohonena do generowania finansowych strategii

63%

Domaradzki R. , Morajda J.

Informatyka w Technologii Materiałów

2005

tom T. 5, Nr 1-2

45-57

Wykorzystanie grupowania danych przy pomocy samoorganizujących sieci neuronowych typu Kohonena do generowania finansowych strategii decyzyjnych na giełdzie papierów wartościowych to nowatorskie podejście, które zaproponowali autorzy niniejszego artykułu. Jak pokazano, stworzony model przynosi całkiem dobre rezultaty i można przypuszczać, że wykorzystanie tych metod także na gruncie technologii materiałów przyniesie zadowalające efekty.

A method of generation of initial grouping of input values vectors, using self-organizing neural network - Kohonen network as an instrument, is described in this work. This main aim of the paper is demonstration of new methodology for grouping data during producing strategies decisions, which can be further applied in the filed of materials engineering. Described approach is illustrated by example, which characterizes share market condition.

Application of Cluster Analysis Performed by SOM Neural Network to the Creation of Financial Transaction Strategies

63%

Morajda J. , Domaradzki R.

Journal of Applied Computer Science

2005

tom Vol. 13, nr 1

87-98

The authors propose a method of construction of transaction strategies in capital markets, which utilizes a Kohonen neural network called also self-organizing map (SOM). This network is applied for cluster analysis of input vectors that describe particular states of a stock market. The presented approach is quite different than typical neural techniques used for financial markets modeling or prediction, as it utilizes a network trained with an unsupervised method. The paper submits also the research concerning the effectiveness of the described method, based on analysis of active investment strategy for stocks of KGHM (Polish mining and metallurgy corporation).

Wykorzystanie informacji jakościowej w modelach neuronowych i genetycznych

51%

Lula P. , Morajda J. , Paliwoda G. , Stefanów P.

Badania Operacyjne i Decyzje

2000

tom Nr 2

15-29

Artykuł jest poświęcony metodom przetwarzania informacji jakościowej przez sieci neuronowe oraz algorytmy genetyczne. Bazując na przyjętej definicji informacji jakościowej, autorzy przedstawili metody jej reprezentacji oraz wskazali na ich podstawowe wady i zalety.

The paper is devoted to quality data processing using neural networks and genetic algorithms. Based on the definition of quality data, the authors present methods of its representation and discuss their basic pros and cons.