PL EN


2011 | 12 | 2 | 232-240
Article title

Klasyfikator liniowy typu CPL uwzględniający koszty błędów klasyfikacji jako narzędzie prognozowania giełdy

Authors
Content
Title variants
EN
Cost-sensitive cpl linear classifier as a market prediction tool
Languages of publication
PL
Abstracts
PL
Jeden z rodzajów eksploracji danych – klasyfikacja – może zostać użyty do prognozowania zmian cen na giełdzie. W najprostszym scenariuszu możemy klasyfikować dane giełdowe do jednej z dwóch klas: wzrostów bądź spadków. W standardowym podejściu przy budowie klasyfikatora maksymalizowana jest ilość prawidłowo sklasyfikowanych obiektów, jednak dla danych giełdowych lepszym wyznacznikiem jakości modelu może być osiągnięty zysk. W artykule tym opisano klasyfikator liniowy oparty o wypukłe i odcinkowo-liniowe funkcje kary (CPL) maksymalizujący wartość zysku.
One kind of data mining – classification – can be used for purpose of predicting changes in market prices. In the simplest scenario we can classify every daily market move as one of two classes: increases or decreases. The standard approach to building a classifier is to optimize correctly classified instances (market moves). However, in the case of predicting the stock market, a better measure of model quality could be a potential profit. This article describes such an approach (cost-sensitive classification) for a linear classifier based on a convex and piecewise-linear penalty function (CPL).
Year
Volume
12
Issue
2
Pages
232-240
Physical description
Dates
published
2011
Contributors
References
  • Bobrowski L. (2005) Eksploracja danych oparta na wypukłych i odcinkowo-liniowych funkcjach kryterialnych, Wydawnictwa Politechniki Białostockiej.
  • Bobrowski L., Łukaszuk T. (2009) Feature selection based on linear separability, Biocybernetics and Biomedical Engineering, Volume 29, Number 2, str. 43-59.
  • Bollerslev T. (1986) Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics 31, 307-327.
  • Box G.E.P, Jenkins G.M. (1983) Analiza szeregów czasowych, Państwowe Wydawnictwo Naukowe.
  • Cortes C. Vapnik V. (1995) Support-Vector Networks, Machine Learning 20 Duda O.R. Hart P.E., Stork D.G. (2001) Pattern Classification, J. Wiley, New York.
  • Edwards R.D. Magee J. (1997) Technical Analysis of Stock Trends, 7th edition, Amacom Engle R.F (1982) Autoregressive Conditional Heteroskedasticity with the Estimates of the Variance of U.K. Inflation, Econometrica 50, No. 4, 987-1007.
  • Hamiliton J.D. (1994) Time Series Analysis, Princeton University Press.
  • Huang W. Nakamori Y. Wang, S.Y. (2005) Forecasting Stock Market Movement Direction with Support Vector Machine, Computers & Operations Research 32 str. 2513-2522.
  • Kim KJ. (2003) Financial time series forecasting using support vector machines, Neurocomputing Volume 55, Issues 1-2, str. 307-319.
  • Krawczuk J., Bobrowski L. (2010) Short term prediction of stock indexes changes based on a linear classifier, Symulacja w badaniach i rozwoju, Vol.1 nr 4/2010.
  • Nison S. (2001) Japanese Candlestick Charting Techniques, Second Edition Prentice Hall Press.
  • Vapnik, V.N (1995) The Nature of Statistical Learning Theory. New York, Springer.
  • Zhang, G., Patuwo, B.E., Hu, M.Y. (1998) Forecasting with Artificial Neural Networks: the State of the Art, International Journal of Forecasting 14 str. 35-62.
Document Type
Publication order reference
Identifiers
YADDA identifier
bwmeta1.element.desklight-45d15fa7-17e9-40c7-8750-174577cc6bea
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.