scholarly journals Financial Time Series Forecasting: Comparison of Traditional and Spiking Neural Networks

2021 ◽  
Vol 192 ◽  
pp. 5023-5029
Author(s):  
Karolina Mateńczuk ◽  
Agata Kozina ◽  
Aleksandra Markowska ◽  
Kateryna Czerniachowska ◽  
Klaudia Kaczmarczyk ◽  
...  
Keyword(s):  
Neural Networks ◽  
Time Series ◽  
Financial Time Series ◽  
Time Series Forecasting ◽  
Spiking Neural Networks ◽  
Financial Time

scholarly journals Financial Time Series Prediction Using Spiking Neural Networks

PLoS ONE ◽  
2014 ◽  
Vol 9 (8) ◽  
pp. e103656 ◽  
Author(s):  
David Reid ◽  
Abir Jaafar Hussain ◽  
Hissam Tawfik
Keyword(s):  
Neural Networks ◽  
Time Series ◽  
Financial Time Series ◽  
Time Series Prediction ◽  
Spiking Neural Networks ◽  
Financial Time

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.

scholarly journals Temporal logistic neural Bag-of-Features for financial time series forecasting leveraging limit order book data

2020 ◽  
Vol 136 ◽  
pp. 183-189 ◽  
Author(s):  
Nikolaos Passalis ◽  
Anastasios Tefas ◽  
Juho Kanniainen ◽  
Moncef Gabbouj ◽  
Alexandros Iosifidis
Keyword(s):  
Time Series ◽  
Financial Time Series ◽  
Limit Order Book ◽  
Time Series Forecasting ◽  
Order Book ◽  
Limit Order ◽  
Bag Of Features ◽  
Financial Time

Financial Time Series Forecasting with Multi-Modality Graph Neural Network

2021 ◽  
pp. 108218
Author(s):  
Dawei Cheng ◽  
Fangzhou Yang ◽  
Sheng Xiang ◽  
Jin Liu
Keyword(s):  
Neural Network ◽  
Time Series ◽  
Financial Time Series ◽  
Time Series Forecasting ◽  
Financial Time
Sign in / Sign up

Export Citation Format

Share Document