Диссертация (1138079), страница 29

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 29)

Refenes, A. P. (1994). Neural networks in the capital markets. John Wiley& Sons, Inc..181168.Ritter Н. "Self-organizing feature maps: Kohonen maps", in М.А. Arbib,ed., The Handbook of Brain Theory and Neural Networks, 1995, р. 846¬851,Cambridge, МА: MIТ Press.169. Rius, A., Ruisanchez, I., Callao, M. P., & Rius, F. X. (1998). Reliability ofanalytical systems: use of control charts, time series models and recurrentneural networks (RNN). Chemometrics and intelligent laboratory systems,40(1), 1-18.170. Romer, D. (1992). Rational asset price movements without news (No.w4121).

National Bureau of Economic Research.171.Rosenblatt M. Remarks on Some Nonparametric Estimates of a DensityFunction. The Annals of Mathematical Statistics 27 (3): 832, 1956.172.Rosenblatt F. Principles of neurodynamics; perceptrons and the theory ofbrain mechanisms. – Washington, Spartan Books, 1962.173.Roshan, W. D. S., Gopura, R. A. R. C., & Jayasekara, A. G. B. P. (2011,August). Financial forecasting based on artificial neural networks: Promisingdirections for modeling. In Industrial and Information Systems (ICIIS), 20116th IEEE International Conference on (pp. 322-327). IEEE.174.Salamon T.Design of Agent-Based Models : Developing ComputerSimulations for a Better Understanding of Social Processes, 2001.175.Shoham, Y., & Leyton-Brown, K.

Multiagent systems: Algorithmic, game-theoretic, and logical foundations. Cambridge University Press. 2009.176.Schoreels C., Logan B., Garibaldi J.M. Agent based Genetic AlgorithmEmploying Financial Technical Analysis for Making Trading Decisions UsingHistorical Equity Market Data177.Shleifer A. Inefficient Markets: An Introduction to Behavioral Finance.New York: Oxford University Press, 1999178.Shiller R. Stock prices and social dynamics. Brookings Papers onEconomic Activity, 2:457–498, 1984.179.

Shiller, R., & Book, I. E. (2000). Robert J. Shiller: Irrational Exuberance.182180.Simon L. Forecasting Foreign Exchange Rates With Neural Networks.Project Report, Computer Science Institute, University of Neuchatel, 2002.181.Smith M. Neural Networks for Statistical Modeling, Van NostrandReinhold, 1993.182.Soennen, L.,Hennigar, E. An Analysis of Exchange Rate and Stock183. Prices – The U.S. Experience Between 1980 and 1986, Akron Business andEconomic Review, 19, 7-16, 1988.184.Solé, R. V., Bonabeau, E., Delgado, J., Fernández, P., & Marín, J. (2000).Pattern formation and optimization in army ant raids.

Artificial life, 6(3), 219226.185.Sornette D. Dragon-Kings, Black Swans and the Prediction of Crises//International Journal of Terraspace Science and Engineering, 2009.186.Sornette D., Woodard R., Wei-Xing Zhou W.-X. The 2006-2008 oilbubble: Evidence of speculation, and prediction// Physica A 388 (2009) 15711576.187.Sornette D. Why Stock markets Crash?/ 2003 by Princeton UniversityPress.188.Steinhaus H. (1956).

Sur la division des corps materiels en parties. Bull.Acad. Polon. Sci., C1. III vol IV: 801—804, 1956.189. Sukittanon, S., Surendran, A. C., Platt, J. C., & Burges, C. J. (2004,October). Convolutional networks for speech detection. In INTERSPEECH.Tenti, P.. Forecasting foreign exchange rates using recurrent neural networks.Applied Artificial Intelligence, 10(6), 567-582, 1996.190.Thom, René. Structural Stability and Morphogenesis: An Outline of aGeneral Theory of Models. Reading, MA: Addison-Wesley, 1989.191.Thomas, J.,Zhang, F.. Don’t Fight the Fed model.

Unpublished paper, YaleUniversity, School of Management, 2008.192.Thorndike, R.L. Who belongs in the family?, Psychometrika, 1953.193.Timmer, J. H.. Understanding the Fed Model, Capital Structure, and ThenSome. Capital Structure, and Then Some (March 4, 2012).183194. Trippi, R. R., & Turban, E. (1992).

Neural Networks in Finance andInvesting: Using Artificial Intelligence to Improve Real World Performance.McGraw-Hill, Inc.195.Van den Bergh W.M., Boer K., de Bruin A., Kaymak U., Spronk J. OnIntelligent-Agent Based Analysis of Financial Markets// Erasmus University,2002.196.Vasicek, O. An Equilibrium Characterisation of the Term Structure.Journal of Financial Economics 5: 177–188, 1977.197. Vermaak, J., & Botha, E. C. (1998). Recurrent neural networks for shortterm load forecasting. Power Systems, IEEE Transactions on, 13(1), 126-132.198. Vojinovic, Z., Kecman, V., & Seidel, R.

(2001). A data mining approach tofinancial time series modelling and forecasting. Intelligent Systems inAccounting, Finance and Management, 10(4), 225-239.199.Voit J. The Statistical Mechanics of Financial Markets/ Springer-VerlagBerlin Heidelberg 2005.200. Wang, J., & Chang, C. I. (2006). Independent component analysis-baseddimensionality reduction with applications in hyperspectral image analysis.Geoscience and Remote Sensing, IEEE Transactions on, 44(6), 1586-1600.201.Wang, L., Liang, Y., Shi, X., Li, M., & Han, X. (2006, January).

Animproved OIF Elman neural network and its applications to stock market. InKnowledge-Based Intelligent Information and Engineering Systems (pp. 2128). Springer Berlin Heidelberg.202.Wertz, V., & Verleysen, M. (2001). Dimension reduction of technicalindicators for the prediction of financial time series-Application to the BEL20Market Index. European Journal of Economic and Social Systems, 15(2), 3148.203. Weston, J.

F., & Copeland, T. E. (1992). Financial theory and corporatepolicy. Addison Wesley.204. White, H. (1989). Learning in artificial neural networks: A statisticalperspective. Neural computation, 1(4), 425-464.184205. Wiener, N. (1948). Cybernetics; or control and communication in theanimal and the machine.206. Williams, C.

Taylor, J.S. (2003). The stability of kernel principalcomponents analysis and its relation to the process eigenspectrum. InAdvances in Neural Information Processing Systems: Proceedings from the2002 Conference (Vol. 15, p. 383). The MIT Press.207. Williams, R.

J., & Zipser, D. (1989). A learning algorithm for continuallyrunning fully recurrent neural networks. Neural computation, 1(2), 270-280.208. Witte, B. C. (2012). Using Agent-Based Modeling to Explore theDynamics of Financial Markets and the Potential for Regulation (Doctoraldissertation).209.Witten I.H., Frank H., Hall M.A. Data Mining: Practical MachineLearning Tools and Techniques. Morgan Kaufmann Publishers, 2011.210.Wong, J.C., Lian, H. and Cheong, S.A. Detecting macroeconomic phasesin the Dow Jones Industrial Average time series, no. 388, 2009.211. Wooldridge, M. (2008).

An introduction to multiagent systems. Wiley.212. Yao, J., & Tan, C. L. (2000). A case study on using neural networks toperform technical forecasting of forex. Neurocomputing, 34(1), 79-98.213. Yardeni, E. New, improved stock valuation model. Topical study #44, USEquity Research, Deutsche Morgan Grenfell, 1999.214.Yardeni E.

Fed’s stock market model finds overvaluation. Topical study#38, US Equity Research, Deutsche Morgan Grenfell, 1997.215. Yu, L., Wang, S., & Lai, K. K. (2005). A novel nonlinear ensembleforecasting model incorporating GLAR and ANN for foreign exchange rates.Computers & Operations Research, 32(10), 2523-2541.216. Yu, L., Wang, S., & Lai, K. K. (2008).

Credit risk assessment with amultistage neural network ensemble learning approach. Expert Systems withApplications, 34(2), 1434-1444.185217. Zhang, G., Eddy Patuwo, B., & Y Hu, M. (1998). Forecasting withartificial neural networks: The state of the art. International journal offorecasting, 14(1), 35-62.218. Zimmermann, H. G., Grothmann, R., & Neuneier, R. Multi-agent FXmarket modeling by neural networks. In Operations Research Proceedings2001 (pp. 413-420). Springer Berlin Heidelberg, 2002.219. Zirilli, J. S. (1996).

Financial prediction using neural networks.International Thomson Computer Press.186Приложение. Доверительные интервалы для значений доходностивиртуальных инвестиционных портфелей, построенных с помощьюнейросетевых моделей с предварительной обработкой входныхданных. Результаты выборочного дисперсионного t-теста для наравенство средних между виртуальным инвестиционнымпортфелем, построенным с помощью нейросетевых моделей спредварительной обработкой входных данных, и других моделейСреднее значение, доверительные интервалы для логарифмических значений доходности ирезультаты выборочного t-теста для виртуальных инвестиционных портфелей, построенных вразделе 2.2.Временные рядыСреднеезначение (вгодовомвыражении),%PCA-портфель длявалютной парыевро/доллар (табл.

1)ICA-портфель длявалютной парыевро/доллар (табл.1)PCA-портфель дляНижняяграница 95%ногодоверительногоинтервала (вгодовомвыражении),%Верхняя граница95%-ногодоверительногоинтервала (в годовомвыражении),%Выборочные результатыt-теста21tкритическое=1,6519,08-37,0675,2220,06-35,9776,0470,8631,62110,10tнаблюдаемое (PN,FF)22= 8,2921Перед проведением t-теста мы выясняли, являются ли (попарно) анализируемые временные ряды зависимымиили независимыми между собой. Проверка проводилась с помощью сравнения нормы разности между двумернойфункцией плотности вероятности и произведением двух одномерных функций плотности вероятностисоответствующих временных рядов с пороговым значением в 5% (преодоление данного порога указывает назависимость временных рядов).Для зависимых временных рядов t-статистика рассчитывалась в соответствии с (52):tXS(52)где ΔX – среднее значение разности анализируемых временных рядов, ΔS – стандартная ошибка разностианализируемых временных рядов.Для независимых временных рядов расчет t-статистики проводился по формуле (53) (число наблюдений в каждомиз временных рядов всегда было больше 30):tX1  X 2 12  2 2N1 N 2(53)где X1,X2 – средние значения двух временных рядов, σ1,σ2 – стандартные отклонения, N1,N2 – число наблюдений.22Условные обозначения здесь и далее: tнаблюдаемое(PN,FF) – t-статистика для портфелей доходности искусственнойнейронной сети с предварительной обработкой входных данных и искусственной нейронной сетью прямогопрохода (без обработки); tнаблюдаемое(PN,RE) – t-статистика для портфелей доходности искусственной нейронной187валютной парыtнаблюдаемое (PN,RE) = 8,54фунт/доллар (табл.1,tнаблюдаемое (PN,MA) = 5,95рис.4)ICA-портфель длявалютной пары70,5831,34110,10фунт/доллар (табл.1)PCA-портфель длявалютной пары118,8284,48153,44доллар/йена (табл.1)ICA-портфель длявалютной пары116,6482,30150,98доллар/йена (табл.1)PCA-портфель длявалютной пары69,7713,54125,91евро/йена (табл.1)ICA-портфель длявалютной пары68,9512,65125,09евро/йена (табл.1)PCA-портфель длявалютной пары79,5837,89121,55евро/фунт (табл.1)ICA-портфель длявалютной пары78,2136,24120,19евро/фунт ( табл.1)PCA-портфель длявалютной пары70,5813,38127,55доллар/швейцарскийфранк (табл.1)ICA-портфель дляtнаблюдаемое (PN,FF) = 9,93валютной парыtнаблюдаемое (PN,RE) = 8,2571,4014,37128,64доллар/швейцарскийtнаблюдаемое (PN,MA) = 8,91франк (табл.1, рис.5)ICA-портфель дляtнаблюдаемое (PN,FF) = 15,72ликвидных акцийtнаблюдаемое (PN,RE) = 10,9651,100,92101,47индекса S&P 500tнаблюдаемое (PN,MA) = 10,34(рис.6)Среднее значение, доверительные интервалы для логарифмических значений доходности ирезультаты выборочного t-теста для виртуальных инвестиционных портфелей, построенных вразделе 2.3.Временные рядыPCA-портфель дляСреднеезначение (вгодовомвыражении),%48,78Нижняяграница95%-ногодоверительногоинтервала (вгодовомвыражении),%1,60Верхняяграница95%-ногодоверительногоинтервала (вгодовомвыражении),%95,96Выборочные результатыt-тестаtкритическое=1,65tнаблюдаемое (PN,FF) = 4,81сети с предварительной обработкой входных данных и авторегрессии; tнаблюдаемое(PN,MA) – t-статистика дляпортфелей доходности искусственной нейронной сети с предварительной обработкой входных данных и рынка.188валютной пары евро/доллар(табл.

Характеристики

Список файлов диссертации