Opposition-Based GA Learning of Artificial Neural Networks for Financial Time Series Forecasting

2015 ◽  
pp. 405-414
Author(s):  
Bimal Prasad Kar ◽  
Sanjib Kumar Nayak ◽  
Sarat Chandra Nayak
Keyword(s):  
Neural Networks ◽  
Time Series ◽  
Artificial Neural Networks ◽  
Financial Time Series ◽  
Time Series Forecasting ◽  
Financial Time ◽  
Artificial Neural

scholarly journals Financial time series forecasting using Artificial Neural Networks

2019 ◽  
Vol 15 (1) ◽  
pp. 105-122
Author(s):  
Roberto Gallardo Del Ángel
Keyword(s):  
Neural Networks ◽  
Time Series ◽  
Artificial Neural Networks ◽  
Financial Time Series ◽  
Time Series Forecasting ◽  
Financial Time ◽  
Artificial Neural

Este documento contiene una predicción financiera utilizando Redes Neuronales Artificiales. Hacemos nuestro análisis utilizando el algoritmo de Backpropagation tradicional y luego Backpropagation Resiliente para estimar los pesos en las redes. El uso del algorithm de Bacpropagation Resiliente permite resolver el problema de la determinación de la tasa de aprendizaje. Ambos algoritmos son bastante consistentes y arrojan predicciones similares. Analizamos seis índices principales de los mercados bursátiles de Europa, Asia y América del Norte para generar índices de aciertos que puedan compararse entre mercados. Usamos precios de cierre diarios para construir una variable de dependiente para dirigir el aprendizaje (aprendizaje supervisado) y una matriz de variables de características construidas utilizando indicadores de análisis técnico. El rango de datos de la serie de tiempo va desde Enero de 2000 a Junio de 2019, un periodo de grandes fluctuaciones debido a mejoras en la tecnología de la información y una alta movilidad de capital. En lugar de la predicción en sí misma, el objetivo científico es evaluar la importancia relativa de las variables independientes que permiten la predicción. Utilizamos dos medidas de contribución utilizadas en la literatura para evaluar la relevancia de cada variable para los seis mercados financieros analizados. Descubrimos que estas medidas no siempre son consistentes, por lo que construimos una medida de contribución simple que le da a cada peso una interpretación geométrica. Proporcionamos algunas pruebas de que la tasa de cambio (ROC) es la herramienta de predicción más útil para cuatro índices generales, con las excepciones siendo el índice Hang Sheng y EU50, en donde el fastK es el más destacado.

MEMORY IN FINANCIAL TIME SERIES: FROM INVESTOR BEHAVIOR TO ARTIFICIAL NEURAL NETWORKS

2012 ◽  
Author(s):  
M. TERESA SORROSAL-FORRADELLAS ◽  
M. GLÒRIA BARBERÀ-MARINÉ ◽  
LISANA B. MARTINEZ ◽  
MARÍA-JOSÉ GARBAJOSA-CABELLO
Keyword(s):  
Neural Networks ◽  
Time Series ◽  
Artificial Neural Networks ◽  
Financial Time Series ◽  
Investor Behavior ◽  
Financial Time ◽  
Artificial Neural

Time Series Forecasting of Cyanobacteria Blooms in the Crestuma Reservoir (Douro River, Portugal) Using Artificial Neural Networks

2006 ◽  
Vol 38 (2) ◽  
pp. 227-237 ◽  
Author(s):  
Luis Oliva Teles ◽  
Vitor Vasconcelos ◽  
Luis Oliva Teles ◽  
Elisa Pereira ◽  
Martin Saker ◽  
...  
Keyword(s):  
Neural Networks ◽  
Time Series ◽  
Artificial Neural Networks ◽  
Time Series Forecasting ◽  
Cyanobacteria Blooms ◽  
Artificial Neural ◽  
Douro River
Sign in / Sign up

Export Citation Format

Share Document