350 rub
Journal Neurocomputers №4 for 2011 г.
Article in number:
The hybrid neuro-fuzzy network of forecasting of financial time series and dialog system «Nadezhda» it implementation
Keywords: hybrid neural network financial time series technical analysis neural analysis
Authors:
A. P. Sviridov, M. O. Gubin
Abstract:
Given article is devoted developed on built in language Matlab 2010a to the automated information system of forecasting financial time series with use of hybrid neural networks, subsequently, received name AIS "NADEZHDA". The basic problems of forecasting of financial time series are considered, and also the decision of a problem of forecasting of the price of closing of share price of Open Society "Gazprom" on four last trading days is considered. Preparation of training sequences on an example of stock quotes of Open Society "Gazprom" is considered. Test tests of the given system where as training and testing sequences stock quotes of Open Society "Gazprom" acted are conducted and results of forecasting are shown by the given system. The result of an experimental research has shown high results of forecasting financial time series (stock quote of Open Society "Gazprom") with the minimum error of the forecast that is the important factor for the further development of the given system.
Pages: 47-61
References
  1. Алексеев А. Официальное представление программного продукта Forecast Expert [Электронный ресурс]: 2002. 2 с. URL: http://www.marketing.spb.ru/soft/products/forecast_alexeev.htm (дата обращения: 11.01.2011).
  2. Борисов В. В., Круглов В. В., Федулов А. С. Нечеткие модели и сети. М.: Горячая линия-Телеком. 2007.
  3. Бэстенс Д. Э., Ванн ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М. ТВП. 1997.
  4. Все о ценных бумагах для частного инвестора [Интернет-Портал]: URL: http://www.stockportal.ru/main/useful/16 (дата обращения: 02.11.2010).
  5. Ежов А. А., Шумский С. А. Нейрокомпьютинг и его применение в экономике и бизнесе-М. 1998. С. 222.
  6. Ибираимова Т. Б. Прогнозирование тенденций финансовых рынков с помощью нейронных сетей // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение». Сб. докл. 2002. С. 745-755.
  7. Капитонова Т. А. Нейросетевое моделирование в распознавании образов: философско-методические аспекты. Минск: Белорусская Наука. 2009.
  8. Леоненков А. В. Нечеткое моделирование в среде Matlab и fuzzyTECH. СПб.: БХВ-Петербург. 2005.
  9. Методыпрогнозирования в индустрии гостеприимства [Электронный ресурс]: методическое пособие. Электронные данные. М: 2000.-193 с. http://www.rea.ru/hotel/it/Publications/Prognoz/prognoz.htm (дата обращения: 15.10.2010).
  10. Мэрфи Джон Дж. Технический анализ фьючерсных рынков: теория и практика. М.: Диаграмма. 1998.
  11. Нейросетевой анализ и прогнозирование [Электронный ресурс]: Информационно-аналитический портал о жизни денег. Режим доступа: http://www.forekc.ru/704/index_10.htm.
  12. Петерс Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка: Пер. с англ. М.: Мир. 2000.
  13. Пригожин И., Стенгерс И. Порядок из хаоса. Новый диалог человека с природой. М. 1986.
  14. Свиридов А. П. Статистическая теория обучения. М.: РГСУ. 2009.
  15. Свиридов А. П., Губин М. О. Адаптивные нейро-нечеткие продукционные системы прогнозирования финансовых временных рядов // Новые информационные технологии: Сборник трудов XIII Всероссийской научно-технической конференции (Москва 19 апреля 2010 г.) / Под ред. С. Г. Журавлева, А.Г. Шмелевой. М.: МГУПИ. 2010. С. 30-33.
  16. Хакен Г. Синергетика. Иерархия неустойчивостей в самоорганизующихся системах и устройствах: Пер. с англ. М.: Мир. 1985.
  17. Штовба С. Д. Введение в теорию нечетких множеств и нечеткую логику [Электронный ресурс]: Проектирование систем управления. - URL: http://matlab.exponenta.ru/fuzzylogic/book1/1_7_5_7.php (дата обращения 13.01.2011).
  18. Jang J. S. R. ANFIS: Adaptive-Network-Based Fuzzy Inference System // IEEE Trans. Systems & Cybernetics. 1993. V. 23. P. 665 - 685.
  19. Li, Y. M., Shi Z. K., Li, Z.-H., Approximation theory fuzzy systems based upon genuine many-valued implication-MIMO cases // Fuzzy Sets and Systems. 2002. V.130. P. 159-174.
  20. Nauck, D., Klawonn, F., Kruse, R., Foundations of Neuro-Fuzzy Systems. John Wiley & Sons. 1997.
  21. Nells, O., Fink, A., Babuska, R., Setnes, M., Comparison of rwo construction algorithms for Takagi-Sugeno fuzzy models // International Journal of Applied Mathematics and Computer Science. 2000. V. 4. № 10. P.835-855.