Devizaárfolyam előrejelzés neurális háló modell segítségével
Modelljeimben a technikai indikátorok használatát kapcsolom össze a neurális hálós modellek előrejelző képességeivel. A technikai indikátorok használata mellett szól, hogy rövid távon a pénzügyi idősorok autokorreláltak, a neurális modellek pedig nemlineáris kapcsolatok modellezésére alkalmasak....
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Corvinus University of Budapest
2021-03-01
|
| Series: | Köz-gazdaság |
| Online Access: | http://www.retp.eu/index.php/retp/article/view/1300 |
| _version_ | 1797959356871868416 |
|---|---|
| author | Zsolt Lakatos |
| author_facet | Zsolt Lakatos |
| author_sort | Zsolt Lakatos |
| collection | DOAJ |
| description |
Modelljeimben a technikai indikátorok használatát kapcsolom össze a neurális hálós modellek előrejelző
képességeivel. A technikai indikátorok használata mellett szól, hogy rövid távon a pénzügyi idősorok
autokorreláltak, a neurális modellek pedig nemlineáris kapcsolatok modellezésére alkalmasak. A kapott
eredmények révén azt a következtetést vontam le, hogy ugyan a neurális háló modellek optimalizációs
képessége nagyon jó és alkalmazásukkal a megfelelő technikai indikátorok is meghatározhatók, de csak
lassan képesek rátanulni az adatokra, így még a legkisebb tranzakciós költség alkalmazása mellett is csak
a kezdeti befektetésünk elvesztését tudjuk halogatni.
My present paper is the shortened version of my master's thesis in finance presented in November 2015, in
which I presented the results of the research implemented in the Training Center for Bankers. In my models
I combine the use of technical indicators with predictive capabilities of neural network models. The use of
a technical indicator suggests that in the short term the financial timeseries are autocorrelated, and neural
models are suitable for modeling nonlinear relationships. Based on the results I concluded that although the
optimization capabilities of the neural network models are very good and their application can be
determined by the appropriate technical indicators, but learning from timeseries data takes too much time,
so even with the smallest transaction cost we can only delay the loss of our initial investment.
|
| first_indexed | 2024-04-11T00:31:48Z |
| format | Article |
| id | doaj.art-8d21134f71f74dbc813ab4e6555845d1 |
| institution | Directory Open Access Journal |
| issn | 1788-0696 |
| language | English |
| last_indexed | 2024-04-11T00:31:48Z |
| publishDate | 2021-03-01 |
| publisher | Corvinus University of Budapest |
| record_format | Article |
| series | Köz-gazdaság |
| spelling | doaj.art-8d21134f71f74dbc813ab4e6555845d12023-01-07T15:00:29ZengCorvinus University of BudapestKöz-gazdaság1788-06962021-03-01161Devizaárfolyam előrejelzés neurális háló modell segítségévelZsolt Lakatos Modelljeimben a technikai indikátorok használatát kapcsolom össze a neurális hálós modellek előrejelző képességeivel. A technikai indikátorok használata mellett szól, hogy rövid távon a pénzügyi idősorok autokorreláltak, a neurális modellek pedig nemlineáris kapcsolatok modellezésére alkalmasak. A kapott eredmények révén azt a következtetést vontam le, hogy ugyan a neurális háló modellek optimalizációs képessége nagyon jó és alkalmazásukkal a megfelelő technikai indikátorok is meghatározhatók, de csak lassan képesek rátanulni az adatokra, így még a legkisebb tranzakciós költség alkalmazása mellett is csak a kezdeti befektetésünk elvesztését tudjuk halogatni. My present paper is the shortened version of my master's thesis in finance presented in November 2015, in which I presented the results of the research implemented in the Training Center for Bankers. In my models I combine the use of technical indicators with predictive capabilities of neural network models. The use of a technical indicator suggests that in the short term the financial timeseries are autocorrelated, and neural models are suitable for modeling nonlinear relationships. Based on the results I concluded that although the optimization capabilities of the neural network models are very good and their application can be determined by the appropriate technical indicators, but learning from timeseries data takes too much time, so even with the smallest transaction cost we can only delay the loss of our initial investment. http://www.retp.eu/index.php/retp/article/view/1300 |
| spellingShingle | Zsolt Lakatos Devizaárfolyam előrejelzés neurális háló modell segítségével Köz-gazdaság |
| title | Devizaárfolyam előrejelzés neurális háló modell segítségével |
| title_full | Devizaárfolyam előrejelzés neurális háló modell segítségével |
| title_fullStr | Devizaárfolyam előrejelzés neurális háló modell segítségével |
| title_full_unstemmed | Devizaárfolyam előrejelzés neurális háló modell segítségével |
| title_short | Devizaárfolyam előrejelzés neurális háló modell segítségével |
| title_sort | devizaarfolyam elorejelzes neuralis halo modell segitsegevel |
| url | http://www.retp.eu/index.php/retp/article/view/1300 |
| work_keys_str_mv | AT zsoltlakatos devizaarfolyamelorejelzesneuralishalomodellsegitsegevel |