Гибридная нейросетевая модель прогнозирования поведения рынка

  • Анатолий Иосифович Бельзецкий БелМежКомИнвест, ул. Игнатенко, 7, 220030, г. Минск, Беларусь

Аннотация

Для повышения качества прогнозирования поведения рынка предложена гибридная модель, объединяющая модели организованной целостности рынка и искусственной нейронной сети. Гибридная модель позволяет учесть неоднородную пространственно-временную структуру рынка во взаимодействии с внешней средой, принять в расчет нелинейные эффекты и выполнить достоверный прогноз для основных показателей рынка на несколько будущих периодов. Представлен пример нейросетевого прогнозирования поведения финансового рынка, подтверждающий качество гибридной модели.

Биография автора

Анатолий Иосифович Бельзецкий, БелМежКомИнвест, ул. Игнатенко, 7, 220030, г. Минск, Беларусь

кандидат технических наук; директор

Литература

  1. Safronova V. Prognozirovanie i modelirovanie v sotsial’noi rabote [Forecasting and modeling in social work]. Moscow: Akademiya; 2002. 192 p. Russian.
  2. Kin Keung Lai, Lean Yu, Shouyang Wang, Wei Huang. Hybridising exponential smoothing and neural network for financial time series prediction. In: Alexandrov V, van Albada GD, Sloot PMA, Dongarra J, editors. Computional science – 2006. Proceedings of the 6th International conference; 2006 May 28–30; London, UK. Part 4. Berlin: Springer; 2006. p. 493–500.
  3. Lean Yu, Shouyang Wang, Kin Keung Lai. Foreign-exchange-rate forecasting with artificial neural networks. Berlin: Springer; 2007. 323 p.
  4. Ince H, Trafalis T. A hybrid model for exchange rate prediction. Decision Support Systems. 2006;42(2):1054–1062. DOI: 10.1016/j.dss.2005.09.001.
  5. Zhang GP. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing. 2003;50:159–175. DOI: 10.1016/S0925-2312(01)00702-0.
  6. Fang-Mei Tseng, Hsiao-Cheng Yu, Gwo-Hsiong Tzeng. Combining neural network model with seasonal time series ARIMA model. Technological, Forecasting and Social Change. 2002;69(1):71–87. DOI: 10.1016/S0040-1625(01)00121-4.
  7. Lean Yu, Shouyang Wang, Kin Keung Lai. A novel nonlinear ensemble forecasting model incorporating GLAR and ANN for foreign exchange rates. Computers & Operations Research. 2005;32(10):2523–2541. DOI: 10.1016/j.cor.2004.06.024.
  8. Lean Yu, Kin Keung Lai, Shouyang Wang. Designing a hybrid AI system as a Forex trading decision support tool. In: IEEE Computer Society. Proceedings of IEEE International conference on tools with artificial intelligence; 2005 November 14–16; Hong-Cong, China. Los Alamitos: IEEE Computer Society; 2005. p. 89–93.
  9. Youngohc Yoon, Tor Guimaraes, George Swales. Integration artificial neural networks with rulebased expert system. Decision Support System. 1994;11(5):497–507. DOI: 10.1016/0167-9236(94)90021-3.
  10. Luxhoj JT, Riis JO, Stensballe B. A hybrid econometric-neural network modeling approach for sales forecasting. International Journal of Production Economics. 1996;43(2/3):175–192. DOI: 10.1016/0925-5273(96)00039-4.
  11. Kitova OV, Dyakonova LP, Kitov VA, Savinova VM. Application of neural networks for predicting socio-economic time series. Russian Economic Bulletin. 2020;3(5):188–201. Russian.
  12. Denton JW. How good are neural networks for causal forecasting? Journal of Business Forecasting. 1995;14(2):17–20.
  13. Ezhov AA, Shumskii SA. Neirokomp’yuting i ego primeneniya v ekonomike i biznese [Neurocomputing and its applications in economics and business]. Moscow: Moscow Engineering Physics Institute; 1998. 222 p. Russian.
  14. Belzetsky A. The market as an organised integrity. Bulletin of the Institute of Economics of NAS of Belarus. 2022;5:83–97. Russian.
  15. Golovko VA, Krasnoproshin VV. Neirosetevye tekhnologii obrabotki dannykh [Neural network data processing technologies]. Minsk: Belarusian State University; 2017. 263 p. Russian.
  16. Haykin S. Neural networks. A comprehensive foundation. London: Pearson; 2005. 864 p.
  17. Golub G, Kahan W. Calculating the singular values and pseudoinverse of a matrix. SIAM Journal on Numerical Analysis. Series B. 1965;2(2):205–223.
  18. Golub GH, Reinsch C. Singular value decomposition and least squares solutions. Numerische Mathematik. 1970;14:403–420.
  19. Strang G. Introduction to linear algebra. Wellesley: Wellesley Cambridge Press; 2016. 586 p.
  20. Zak D. Programming with Microsoft Visual Basic 2015. Boston: Cengage Learning; 2016. 914 p.
  21. Newsome B. Beginning Visual Basic 2015. Indianapolis: John Wiley & Sons; 2015. 621 p.
  22. Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating errors. Nature. 1986;323:533–536.
  23. Tihomirov NP, Dorohina EYu. Ekonometrika [Econometrics]. Moscow: Ekzamen; 2003. 512 p. Russian.
  24. Hatskevich GA, Rusilko TV. Ekonometrika [Econometrics]. Minsk: National Institute for Higher Education; 2021. 452 p. Russian.
  25. Bartlett M. Tests of significance in factor analysis. British Journal of Psychology. 1950;3(2):77–85.
  26. Wilks S. Certain generalisations in analysis of variance. Biometrika. 1932;24:471–494.
  27. Cureton EE, D’Agostino RB. Factor analysis: an applied approach. New York: Psychology Press; 1993. 480 p.
  28. Kaiser HF, Rice J. Little Jiffy, Mark IV. Educational and Psychological Measurement. 1974;34(1):111–117.
  29. Belzetsky A. Marketologiya: obshchaya teoriya rynkov [Marketology: general theory of markets]. Minsk: Kolorgrad; 2022. 475 p. Russian.
Опубликован
2023-12-05
Ключевые слова: рынок, гибридная модель, нейронная сеть, прогнозирование, поведение, организованная целостность
Как цитировать
Бельзецкий, А. И. (2023). Гибридная нейросетевая модель прогнозирования поведения рынка. Журнал Белорусского государственного университета. Экономика, 2, 25-38. Доступно по https://journals.bsu.by/index.php/economy/article/view/5571
Выпуск
№ 2 (2023): Журнал Белорусского государственного университета. Экономика
Раздел
D. Микроэкономика

Copyright (c) 2023 Журнал Белорусского государственного университета. Экономика

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующим:

  1. Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
  2. Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
  3. Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).