Published January 1, 2014
| Version v1
Publication
Open
Ensemble ANNs-PSO-GA Approach for Day-ahead Stock E-exchange Prices Forecasting
- 1. Central China Normal University
- 2. Academy of Mathematics and Systems Science
- 3. Chinese Academy of Sciences
- 4. Sichuan University
Description
Stock e-exchange prices forecasting is an important financial problem that is receiving increasing attention.This study proposes a novel three-stage nonlinear ensemble model.In the proposed model, three different types of neural-network based models, i.e.Elman network, generalized regression neural network (GRNN) and wavelet neural network (WNN) are constructed by three non-overlapping training sets and are further optimized by improved particle swarm optimization (IPSO).Finally, a neural-network-based nonlinear meta-model is generated by learning three neural-network based models through support vector machines (SVM) neural network.The superiority of the proposed approach lies in its flexibility to account for potentially complex nonlinear relationships.Three daily stock indices time series are used for validating the forecasting model.Empirical results suggest the ensemble ANNs-PSO-GA approach can significantly improve the prediction performance over other individual models and linear combination models listed in this study.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد التنبؤ بأسعار الصرف الإلكتروني للأسهم مشكلة مالية مهمة تحظى باهتمام متزايد. تقترح هذه الدراسة نموذجًا جديدًا غير خطي من ثلاث مراحل. في النموذج المقترح، يتم إنشاء ثلاثة أنواع مختلفة من النماذج القائمة على الشبكة العصبية، أي شبكة إيلمان، والشبكة العصبية الانحدارية المعممة (GRNN) والشبكة العصبية للموجات (WNN) من خلال ثلاث مجموعات تدريب غير متداخلة ويتم تحسينها بشكل أكبر من خلال تحسين سرب الجسيمات (IPSO). أخيرًا، يتم إنشاء نموذج ميتا غير خطي قائم على الشبكة العصبية من خلال تعلم ثلاثة نماذج قائمة على الشبكة العصبية من خلال آلات ناقلات الدعم (SVM). يكمن تفوق النهج المقترح في مرونته لمراعاة العلاقات غير الخطية المعقدة المحتملة. يتم استخدام ثلاثة سلاسل زمنية لمؤشرات الأسهم اليومية للتحقق من صحة نموذج التنبؤ. تشير النتائج التجريبية إلى أن نهج ANNs - PSO - GA يمكن أن يحسن بشكل كبير التنبؤ على الأداء الفردي والنماذج الخطية الأخرى المدرجة في هذه الدراسة.Translated Description (French)
La prévision des prix en bourse est un problème financier important qui fait l'objet d'une attention croissante. Cette étude propose un nouveau modèle d'ensemble non linéaire en trois étapes. Dans le modèle proposé, trois types différents de modèles basés sur les réseaux neuronaux, à savoir le réseau Elman, le réseau neuronal de régression généralisée (GRNN) et le réseau neuronal à ondelettes (WNN) sont construits par trois ensembles d'entraînement non chevauchants et sont optimisés par une optimisation améliorée des essaims de particules (IPSO). Enfin, un méta-modèle non linéaire basé sur les réseaux neuronaux est généré par l'apprentissage de trois modèles basés sur les réseaux neuronaux par le biais de machines à vecteurs de support (SVM ).La supériorité de l'approche proposée réside dans sa flexibilité pour tenir compte des relations non linéaires potentiellement complexes. Trois séries temporelles d'indices boursiers quotidiens sont utilisées pour valider le modèle de prévision. Les résultats empiriques suggèrent que l'approche ANNs-PSO-GA de l'ensemble peut améliorer considérablement les performances de prédiction par rapport aux autres modèles individuels et modèles de combinaison linéaire énumérés dans cette étude.Translated Description (Spanish)
El pronóstico de los precios de las bolsas de valores es un problema financiero importante que está recibiendo cada vez más atención. Este estudio propone un nuevo modelo de conjunto no lineal de tres etapas. En el modelo propuesto, tres tipos diferentes de modelos basados en redes neuronales, es decir, la red Elman, la red neuronal de regresión generalizada (GRNN) y la red neuronal wavelet (WNN) se construyen mediante tres conjuntos de entrenamiento no superpuestos y se optimizan aún más mediante una optimización mejorada del enjambre de partículas (IPSO). Finalmente, se genera un metamodelo no lineal basado en redes neuronales mediante el aprendizaje de tres modelos basados en redes neuronales a través de una red neuronal de máquinas de vectores de soporte (SVM). La superioridad del enfoque propuesto radica en su flexibilidad para tener en cuenta las relaciones no lineales potencialmente complejas. Se utilizan tres series temporales de índices bursátiles diarios para validar el modelo de pronóstico. Los resultados empíricos sugieren que el enfoque de conjunto ANNS-PSO-GA puede mejorar significativamente el rendimiento de predicción sobre otros modelos individuales y modelos de combinación lineal enumerados en este estudio.Files
25868477.pdf.pdf
Files
(952.5 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:9b33be3075a6ee4a26db08939843b890
|
952.5 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تجميع نهج ANNs - PSO - GA للتنبؤ بأسعار الصرف الإلكتروني للأسهم قبل يوم واحد
- Translated title (French)
- Approche de l'Ensemble ANNs-PSO-GA pour la prévision des prix de la Bourse électronique des actions à un jour
- Translated title (Spanish)
- Enfoque de ensamble ANNS-PSO-GA para la previsión de precios de la bolsa de valores en el día a día
Identifiers
- Other
- https://openalex.org/W2057367767
- DOI
- 10.1080/18756891.2013.864472
References
- https://openalex.org/W1485859327
- https://openalex.org/W1556604334
- https://openalex.org/W1569757215
- https://openalex.org/W1867099940
- https://openalex.org/W1869155793
- https://openalex.org/W1978740922
- https://openalex.org/W1985733926
- https://openalex.org/W1991346019
- https://openalex.org/W1991418450
- https://openalex.org/W1995341919
- https://openalex.org/W1998629541
- https://openalex.org/W2002203871
- https://openalex.org/W2018405686
- https://openalex.org/W2018408827
- https://openalex.org/W2021083107
- https://openalex.org/W2025179714
- https://openalex.org/W2052186264
- https://openalex.org/W2056379908
- https://openalex.org/W2058777398
- https://openalex.org/W2059852492
- https://openalex.org/W2062238863
- https://openalex.org/W2084876223
- https://openalex.org/W2105613465
- https://openalex.org/W2108388069
- https://openalex.org/W2110485445
- https://openalex.org/W2118020555
- https://openalex.org/W2122561198
- https://openalex.org/W2126172796
- https://openalex.org/W2129413312
- https://openalex.org/W2134918899
- https://openalex.org/W2137983211
- https://openalex.org/W2149723649
- https://openalex.org/W2164438627
- https://openalex.org/W4255272544