Zeszyty Naukowe Uniwersytetu Szczecińskiego. Studia Informatica

Aktualnie: Studia Informatica Pomerania


ISSN: 0867-1753     eISSN: 2300-410X    OAI    DOI: 10.18276/si.2015.36-03
CC BY-SA   Open Access 

Lista wydań / ZN 863 SI nr 36
Metody ewolucyjne w analizie zmian kursu akcji spółek giełdowych

Autorzy: Grzegorz Wojarnik
Uniwersytet Szczeciński, Wydział Nauk Ekonomicznych i Zarządzania, Instytut Informatyki w Zarządzaniu
Słowa kluczowe: algorytmy genetyczne giełda papierów wartościowych analiza techniczna
Data publikacji całości:2015
Liczba stron:12 (39-50)
Cited-by (Crossref) ?:

Abstrakt

Metody ewolucyjne są jedną z dróg rozwoju sztucznej inteligencji, która czerpiąc z teorii doboru naturalnego, pozwala na rozwiązywanie złożonych problemów, trudnych do rozwiązania tradycyjnymi metodami ekonometrycznymi, statystycznymi lub przy pomocy badań operacyjnych.Jedną z podstawowych metod ewolucyjnych są algorytmy genetyczne, które były wielokrotnie wykorzystane do rozwiązywania różnorodnych problemów związanych z inwestowaniem na rynku papierów wartościowych. Dlatego celem artykułu jest systematyka doświadczeń związanych z wykorzystaniem algorytmów genetycznych w anali zie zmian kursu akcji spółek giełdowych oraz podsumowanie osiągnięć w tym zakresie.Jednocześnie artykuł będzie stanowił próbę przedstawienia warunków brzegowych oraz klas problemów z obszaru giełdy papierów wartościowych, najbardziej dogodnych i nadających się do wykorzystania metod ewolucyjnych ze szczególnym uwzględnieniem algorytmów genetycznych.
Pobierz plik

Plik artykułu

Bibliografia

1.Asadi S., Hadavandi E., Mehmanpazir F., Masoud Nakhostin M. (2012), Hybridization of evolutionary Levenberg–Marquardt neural networks and data pre-processing for stock market prediction, „Knowledge-Based Systems”, no. 35, s. 245–258.
2.Cheng C.H., Chen T.L., Ying Wei L. (2010), A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting, „Information Sciences”, no. 180, s. 1610–1629.
3.Chang Chien Y.W., Chen Y.L. (2010), Mining associative classification rules with stock trading data-A GA-based method, „Knowledge-Based System”, no. 23, s. 605–614.
4.Hua Y., Feng B., Zhang X., Ngai E.W.T., Liu M. (2015), Stock trading rule discovery with an evolutionary trend following model, „Expert Systems with Applications”, no. 42, s. 212–222.
5.Kim K., Han I. (2000), Genetic algorithms approach to feature discretization in artificial neural networks for prediction of stock index, „Expert System with Application”, no. 19, s. 125–132.
6.Kim H.J., Shin K.S. (2007), A hybrid approach based on neural networks and genetic algorithms for detecting temporal patterns in stock markets, „Applied Soft Computing”, no. 7, s. 569–576.
7.Nu´n˜ez-Letamendia L. (2007), Fitting the control parameters of a genetic algorithm: An application to technical trading systems design, „European Journal of Operational Research”, no. 179, s. 847–868.
8.Orito Y., Yamamoto H., Yamazaki G. (2003), Index fund selections with genetic algorithms and heuristic classifications, „Computers & Industrial Engineering”, no. 45, s. 97–109.
9.Sortino F.A., Price L.N. (1994), Performance Measurement in a Downside Risk Framework, „The Journal of Investing”, vol. 3, no. 3, s. 59–64.
10.Wojarnik G. (2013), Ewolucyjny system analizy danych w warunkach braku metod zindywidualizowanych (rozprawa habilitacyjna), Uniwersytet Szczeciński, Szczecin.
11.Wojarnik G. (2009), The searching procedure for parameters control working of genetic algorithm, „Polish Journal of Environmental Studies”, vol. 18, no. 3B, s. 398–402.
12.Yeh I.C., Lien C.H., Tsai Y.C. (2011), Evaluation approach to stock trading system using evolutionary computation, „Expert Systems with Applications”, no. 38, s. 794–803.