×
奥古兹·阿基利奇;波兹多安，汉帕森;M.Erdal，Balaban

一种新的混合RBF神经网络模型作为预测。 （英语） Zbl 1325.62193号

统计计算。 24，第3期，365-375（2014）.
摘要：我们介绍了一种新的预测统计建模技术，称为混合径向基函数神经网络（HRBF-NN）作为预测器。HRBF-NN是一种灵活的预测技术，它集成了回归树、岭回归和径向基函数（RBF）神经网络（NN）。我们开发了一种新的计算程序，使用基于信息理论原理的模型选择作为适应度函数，使用遗传算法（GA）进行最佳预测的子集选择。众所周知，由于股票市场基本过程的动态和混乱性质，生成经济上有用的股票市场预测即使不是不可能，也是很困难的。HRBF-NN非常适合建模股票指数之间的复杂非线性关系和相关性。我们建议将HRBF-NN作为我们的预测工具和预测建模工具，以研究股票指数的每日走势。我们用数值例子来确定伊斯坦布尔证券交易所国家100指数（ISE100）和其他七个国际股市指数之间的预测关系。我们通过最小化信息复杂度（ICOMP）准则来选择最佳预测子集作为GA内的适应度函数。使用最佳变量子集，我们构建ISE100指数的样本外预测，以确定每日的方向运动。我们的结果证明了HRBF-NN作为一种聪明的预测建模工具对于高度相关和非线性数据的实用性和灵活性。

引用于5文件

MSC公司：

62P05号 统计学在精算科学和金融数学中的应用
91B84号 经济时间序列分析
91-08 博弈论、经济学和金融相关问题的计算方法
62-07 数据分析（统计）（MSC2010）
91G70型 统计方法；风险措施

关键词：

预测;股票市场;神经网络;变量选择;径向基函数
PDF格式BibTeX公司 XML格式引用
\textit{O.Akbilgic}等人，《统计计算》。24，第3号，365-375（2014；Zbl 1325.62193）
全文： 内政部

参考文献：

[1] Akaike，H.：信息理论和最大似然原理的扩展。摘自：Petrox，B.N.，Csaki，F.（eds.）第二届信息理论国际研讨会，第267-281页。阿卡德。基亚多，布达佩斯（1973年）·Zbl 0283.62006号
[2] Akbilgic，O.，Bozdogan，H.：使用回归树和RBF神经网络与遗传算法相结合的预测子集选择。Eur.J.纯应用。数学。4（4），467–485（2011年）·Zbl 1389.62079号
[3] Bhandarkar，S.，Zhang，Y.，Potter，W.：使用基于遗传算法的优化的边缘检测技术。模式识别。27, 1159–1180 (1994) ·doi:10.1016/0031-3203（94）90003-5
[4] Bishop，C.：改进径向基函数神经网络的泛化特性。神经计算。3(4), 579–588 (1991) ·doi:10.1162/neco.1991.3.4.579
[5] Boyacioglu，M.，Avci，D.：预测股市收益的自适应网络模糊推理系统（ANFIS）：伊斯坦布尔证券交易所案例。《专家系统与应用》，第37卷，第7902–7912页（2010年）
[6] Bozdogan，H.：ICOMP：一种新的模型选择标准。收录：Bock，H.H.（编辑）《数据分析的分类和相关方法》。荷兰北部，阿姆斯特丹（1988年）·Zbl 0729.62551号
[7] Bozdogan，H.：使用新的信息复杂性和模型选择标准进行混合模型聚类分析。收录：第一届美日统计建模前沿会议论文集：信息方法。多元统计建模，第2卷，第69-113页。诺威尔·克鲁沃学院（1994）
[8] Bozdogan，H.：Akaike的信息标准和信息复杂性的最新发展。数学杂志。精神病。44, 62–91 (2000) ·兹比尔1047.62501 ·doi:10.1006/jmps.1999.1277
[9] Bozdogan，H.：具有信息复杂性和遗传算法的智能统计数据挖掘。收录于：Bozdogan，H.（编辑）《统计数据挖掘和知识发现》，第15-56页。查普曼&amp；霍尔，伦敦（2004）
[10] Bozdogan，H.，Howe，J.A.：使用遗传算法和信息复杂性作为适应度函数的指定错误的多元回归模型。Eur.J.纯应用。数学。5(2), 211–249 (2012) ·Zbl 1389.62108号
[11] Breiman，L.、Freidman，J.、Stone，J.C.、Olsen，R.A.：分类和回归树。查普曼&amp；霍尔，伦敦（1984）
[12] Broomhead，D.S.，Lowe，D.：多变量函数插值和自适应网络。复杂系统。11, 321–355 (1988) ·Zbl 0657.68085号
[13] Burns，P.：稳健回归估计的遗传算法。统计科学公司的技术报告（1992年）
[14] Cinko，M.，Avci，E.：ISE100指数的神经网络和线性回归预测的比较。奥内里7（28），301-307（2007）
[15] De Jong，K.A.：一类遗传适应性系统的行为分析。密歇根大学博士论文（1975年）
[16] De Jong，K.A.，Spears，W.M.：使用遗传算法解决NP完全问题。摘自：Schaffer，J.D.（编辑）第三届遗传算法会议，第124-132页。Morgan Kaufmann，圣马特奥（1989）
[17] Eiben，A.E.，Smith，J.E.：进化计算导论。柏林施普林格出版社（2010年）·Zbl 1028.68022号
[18] Fouskakis，D.，Draper，D.：随机优化：综述。国际统计修订版70（2），315–349（2002）·Zbl 1217.62003年 ·doi:10.1111/j.1751-5823.002.tb00174.x
[19] Hamada，M.，Martz，H.，Reese，C.，Wilson，A.：通过遗传算法寻找接近最优的贝叶斯实验设计。《美国统计》第55卷（3），第175-181页（2001年）·Zbl 1182.62156号 ·doi:10.1198/000313001317098121
[20] Haykin，S.：《神经网络：综合基础》。新泽西州普伦蒂斯·霍尔（1999）·Zbl 0934.68076号
[21] Hoerl，A.E.，Kennard，R.W.，Baldwin，K.F.：岭回归：一些模拟。Commun公司。《统计》第4卷，第105–123页（1975年）·Zbl 0296.62062号 ·doi:10.1080/03610927508827232
[22] Howe，J.A.，Bozdogan，H.：使用遗传算法和信息复杂性的预测子集VAR建模。Eur.J.纯应用。数学。3(3), 382–405 (2010)
[23] Howlett，R.J.，Jain，L.C.：径向基函数网络1：理论和应用的最新发展。Physica-Verlag，纽约（2001）·Zbl 0974.68002号
[24] Korkmaz，T.、Cevik，E.、Birkan，E.、Ozatac，N.：ISE100和S&amp；P 500：Turkcell案件。非洲。J.总线。管理。5(5), 1673–1683 (2011)
[25] Kubat，M.：决策树可以初始化径向基函数网络。IEEE传输。神经网络。9(5), 813–821 (1998) ·doi:10.1109/72.712154
[26] Kullback，A.，Leibler，R.：关于信息和充分性。安。数学。《美国联邦法律大全》第22卷，第79–86页（1951年）·Zbl 0042.38403号 ·doi:10.1214/aoms/1177729694
[27] Liang，F.，Wong，W.：实参数进化蒙特卡罗及其在贝叶斯混合模型中的应用。《美国法律总汇》第96卷（454）、653–666页（2001年）·Zbl 1017.62022号 ·doi:10.1198/016214501753168325
[28] Lin，C.-T.，Lee，C.S.G.：《神经模糊系统：智能系统的神经-模糊协同作用》。普伦蒂斯·霍尔，纽约（1996）
[29] Liu，Z.，Bozdogan，H.：使用信息标准改进径向基函数分类的性能。收录于：Bozdoyan，H（编辑）《统计数据挖掘和知识发现》，第193-216页。查普曼&amp；霍尔，伦敦（2004）
[30] Lo，A.W.，MacKinlay，C.：股市价格不会遵循随机游走：来自简单规范测试的证据。财务版次。螺柱1，41–66（1988）·doi:10.1093/rfs/1.1.41
[31] Meng，K.，Dong，Z.Y.，Wong，K.P.：用于短期电价预测的自适应径向基函数神经网络。IEE程序。，通用。Transm公司。分发3（4），325–335（2008）·doi:10.1049/iet-gtd.2008.0328
[32] Neely，C.，Weller，P.，Dittmar，R.：外汇市场的技术分析有利可图吗？遗传编程方法。J.财务。数量。分析。32(4), 405–426 (1997) ·doi:10.2307/2331231
[33] Orr，M.：结合回归树和RBF。国际神经系统杂志。10(6), 453–465 (2000) ·Zbl 01963090号 ·doi:10.1142/S012906570000363
[34] Ozdemir，A.K.，Tolun，S.，Demirci，E.：Endeks getirisi yonunun ikili sinifrandirma yontemiyle tahmin edilmesi:IMKB100 endeksi ornegi。尼格德大学IIBF Derg.4（2），45-59（2011）
[35] Ozun，A.：新兴股市对发达市场波动性的反应类似吗？巴西和土耳其的比较证据。国际研究杂志《金融经济学》。9, 220–230 (2007)
[36] Poggio，T.，Girosi，F.：用于学习的正则化算法，相当于多层网络。《科学》247（4945），978–982（1990）·Zbl 1226.92005号 ·doi:10.1126/science.247.4945.978
[37] Rivas，V.M.、Merelo，J.J.、Castillo，P.A.、Arenas，M.G.、Castellano，J.G.：EvRBF时间序列预测的进化RBF神经网络。信息科学。1655(53–54), 207–220 (2004) ·Zbl 02127064号 ·doi:10.1016/j.ins.2003.09.025
[38] 劳特利奇：金融市场中的适应性学习。财务版次。螺柱12（5），1165-1202（1999）。牛津大学出版社·doi:10.1093/rfs/12.5.1165
[39] Srinivas，M.，Patnaik，L.M.：遗传算法中交叉和变异的自适应概率。IEEE传输。系统。人类网络。24(4), 656–667 (1994) ·doi:10.1109/21.286385
[40] Sun，Y.F.，Liang，Y.C.，Zhang，W.L.，Lee，H.P.，Lin，W.Z.，Cao，L.J.：RBF神经网络的最优划分算法及其在金融时间序列预测中的应用。神经计算。申请。14, 35–44 (2005)
[41] Tikhonov，A.N.，Arsenin，V.Y.：不良问题的解决方案。威利，纽约（1977年）·Zbl 0354.65028号
[42] Vuran，B.：使用协整分析确定ISE100和国际股票指数之间的长期关系。伊斯坦布。J.Sch.大学。公共汽车。Adm.39（1），154–168（2000）
[43] White，H.：错误指定模型的最大似然估计。《计量经济学》50，1–25（1982）·Zbl 0478.62088号 ·doi:10.2307/1912526
[44] Zhang，J.，Chung，H.S.，Lo，W.：遗传算法的基于聚类的自适应交叉和变异概率。IEEE传输。进化。计算。11(3), 326–335 (2007) ·Zbl 05516231号 ·doi:10.1010/TEVC.2006.880727
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。