АНАЛІЗ МЕТОДУ ОПОРНИХ ВЕКТОРІВ У ПОРІВНЯННІ З ТРАДИЦІЙНИМИ МЕТОДАМИ ПЕРЕДБАЧЕННЯ РИНКОВИХ РУХІВ

Автор(и)

  • Stanislav Bovchaliuk
  • Yaroslav Haidai

DOI:

https://doi.org/10.26906/SUNZ.2024.3.089

Ключові слова:

фондові ринки, нейронні мережі, генетичний алгоритм, економіка, штучний інтелект, система підтримки ринкових рішень

Анотація

Актуальність. Розробка та налаштування універсального алгоритму прийняття ринкових рішень є першочерговою задачею експертів та інвесторів фондових ринків з усього світу. Сучасні технології пропонують актуальні рішення з використанням нейронних мереж та штучного інтелекту. Однак існуючі рішення підходять лише для обмеженого використання та потребують великих об’ємів навчальних даних. Метою даної роботи є аналіз можливості застосування методу опорних векторів для прийняття ринкових рішень, у порівнянні з традиційними стратегіями та методами аналізу ринкових рухів. Об’єктом дослідження є процес прийняття ринкових рішень та використання нейронних мереж. Предметом дослідження є метод опорних векторів. Результати. У роботі було проаналізовано метод опорних векторів на ринкових моделях за різних підходів і модифікацій та запропоновано шляхи підвищення ефективності прийняття рішень. Висновок. Метод опорних векторів продемонстрував більшу ефективність та надійність за класичні методи аналізу ринку, на моделях з великою волатильністю. Даний алгоритм показує позитивні результати на кризових та нестабільних моделях ринку, що робить його використання оптимальним для збереження капіталу.

Завантаження

Дані завантаження ще не доступні.

Посилання

Iacomin, R. (2015), “Stock market prediction”, 2015 19th International Conference on System Theory, Control, and Computing

Prasad Das (2012). Support Vector Machines at Prediction of Futures Costs in Indian Stock Market. International Journal of Computer Applications.

F.E.H. Tay et al. “Application of support vector machines in financial time series forecasting”, Omega (2001)

Karathanasopoulos (2016). “Stock market anticipation utilizing evolutionary support vector machines: an application of the ASE20 index”, The European Journal of Finance

Yaloveha V., Podorozhniak A., Kuchuk H. Convolutional neural network hyperparameter optimization applied to land cover classification. Radioelectronic and computer systems. 2022. No. 1. C. 115–128. DOI: https://doi.org/10.32620/reks.2022.1.09

Rosillo (2014), “Stock market simulation utilizing support vector machines. Journal of Forecasting”

M.T. Leung et al. “Forecasting stock indicesa comparison of classification and level estimation models”, International Journal of Forecasting (2000)

Y.S. Abu-Mostafa et al. “Introduction to financial forecasting”, Applied Intelligence (1996)

Studies, E. (2000). A Stock Market Prediction Method Based on Support Vector Machines and Independent Component Analysis

Yetis, Y., Kaplan, H., & Jamshidi, M. (2014), “Stock market prediction by using the artificial neural network”, 2014 World Automation Congress

Ichinose, K., & Shimada, K. (2016), “Stock market prediction from news on the web and a new evaluation approach in trading. Proceedings” 2016 5th IIAI International Congress on Advanced Applied Informatics

Downloads

Опубліковано

2024-09-06

Номер

Розділ

Інформаційні технології