Forecasting Financial Time Series Movements with Rough Sets and Fuzzy Rough Sets

Mariusz Podsiadło

Abstract

The feasibility of rough sets and fuzzy rough sets in building trend prediction models for financial time series is experimentally investigated. An adaptive time-weighted rule voting method is proposed, where the rule voting weight depends from the age of supporting data. The efficiency of the proposed models is verified and compared with the one of rough sets with equal-weighted rule voting algorithm, as well as support vector machines models. Aside of the standard classification accuracy measures, financial profit and loss backtesting using a sample market timing strategy was performed, and compared with the performance of the buy and hold strategy based on market data of multiple well known indices S&P500, DAX, and HSI. The experiments show that the proposed models using rough sets enhanced with the adaptive time-weighted rule voting, as well as fuzzy rough sets, delivered on pair or better performance than the used benchmark models, and the buy and hold strategy.
Rodzaj dyplomuPraca doktorska
Autor Mariusz Podsiadło
Mariusz Podsiadło
-
Tytuł w języku polskimPrognozowanie ruchu finansowych szeregów czasowych z wykorzystaniem zbiorów przybliżonych i rozmytych zbiorów przybliżonych
Języken angielski
Jednostka dyplomującaWydział Elektroniki i Technik Informacyjnych (WEiTI)
Dyscyplina naukiinformatyka / dziedzina nauk technicznych / obszar nauk technicznych
Data rozpoczęcia26-04-2016
Data obrony17-01-2017
Promotor Henryk Rybiński (WEiTI / II)
Henryk Rybiński
- Instytut Informatyki
Recenzenci zewnętrzni Andrzej Skowron
Andrzej Skowron
-

Alicja Wakulicz-Deja
Alicja Wakulicz-Deja
-
Paginacja 122
Słowa kluczowe w języku polskimsztuczna inteligencja, zbiory przybliżone, rozmyte zbiory przybliżone, prognozowanie finansowych szeregów czasowych.
Słowa kluczowe w języku angielskimartificial intelligence, rough sets, fuzzy rough sets, financial time series prediction
Streszczenie w języku polskimCelem pracy jest eksperymentalna weryfikacja stosowalności zbiorów przybliżonych i rozmytych zbiorów przybliżonych do generowania modeli prognozujących kierunek ruchu finansowych szeregów czasowych. Zaproponowano także adaptacyjną czasowo-zależną metodę wyboru reguł decyzyjnych, gdzie waga reguły zależy od wieku danych ją wspierających. Skuteczność zaproponowanych modeli bazujących na zbiorach przybliżonych i zaproponowanej metodzie wyboru reguł decyzyjnych została zweryfikowana i porównana z efektywnością modeli zbiorów przybliżonych używających standardowej metody wyboru reguł decyzyjnych (tzn. bez brania pod uwagę wieku danych wspierających), jak również modeli opartych na teorii maszyn wektorów nośnych (ang. support vector machines). Oprócz weryfikacji dokładności klasyfikacji, zbadano także wydajność w/w modeli z punktu widzenia wygenerowanego profitu finansowego. Zastosowano do tego celu symulację strategii inwestycyjnej arbitrażu czasowego (ang. market timing), której wydajność została porównana z wynikami uzyskanymi przez referencyjną strategię inwestycyjną kup i trzymaj. Eksperymenty zostały oparte na danych rynkowych indeksów giełdowych S&P500, DAX i HSI. Wyniki eksperymentów pokazały, że zaproponowane modele oparte na zbiorach przybliżonych wykorzystujących czasowo-zależną metodę wyboru reguł decyzyjnych, jak również na rozmytych zbiorach przybliżonych, są w stanie dostarczyć dokładność klasyfikacji i wyniki finansowe porównywalne lub lepsze niż zastosowane modele referencyjne i strategia inwestycyjna kup i trzymaj.
Klasyfikacja PKT4100
Klasyfikacja KBN28-Informatyka
Klasyfikacja europejska80-30
Plik pracy
Podsiadło_doktorat.pdf 1.53 MB
Recenzje
Recenzja pracy Mariusza Podsiadło wykonana przez prof. dr hab. Andrzeja Skowrona z dnia 03-10-2016
317.92 KB
Recenzja pracy Mateusza Podsiadło wykonana przez prof. dr hab. inż. Alicję Wakulicz-Deję z dnia 01-09-2016
2.04 MB
Inne pliki
streszczenie-Podsiadły.pdf 1.1 MB

Pobierz odnośnik do tego rekordu

Powrót