Search results

1

Combining forecasts? Keep it simple

100%

Lis S., Chlebus M.

Central European Economic Journal

|

2023

|

vol. 10

|

issue 57

343-370

EN

This study contrasts GARCH models with diverse combined forecast techniques for Commodities Value at Risk (VaR)modeling, aiming to enhance accuracy and provide novel insights. Employing daily returns data from 2000 to 2020 forgold, silver, oil, gas, and copper, various combination methods are evaluated using the Model Confidence Set (MCS) procedure. Results show individual models excel in forecasting VaR at a 0.975 confidence level, while combined methods outperform at 0.99 confidence. Especially during high uncertainty, as during COVID-19, combined forecasts prove more effective. Surprisingly, simple methods such as mean or lowest VaR yield optimal results, highlighting their efficacy. This study contributes by offering a broad comparison of forecasting methods, covering a substantial period, and dissecting crisis and prosperity phases. This advances understanding in financial forecasting, benefiting both academia and practitioners.

2

Prognozowanie dziennych obrotów przedsiębiorstwa za pomocą algorytmu XGBoost – studium przypadku

86%

Wójcik F.

Studia Ekonomiczne

|

2018

|

vol. 375

121-140

XX

Celem niniejszego artykułu było zbadanie możliwości wykorzystania algorytmu Extreme Gradient Boosting (XGBoost) jako narzędzia prognozowania obrotów przedsiębiorstwa. Na studium przypadku wybrano udostępnione przez firmę Rossmann (wraz z prośbą o opracowanie innowacyjnej metody prognozowania) dane, obejmujące informacje z mikro- i makrootoczenia oraz obrotów 1115 oddziałów. Działanie algorytmu porównano z klasycznymi modelami SARIMAX i Holta–Wintersa, wykorzystując walidację krzyżową oraz testy statystycznej istotności różnic trafności predykcji. Badano metryki średniego błędu procentowego, współczynnik Theila oraz skorygowany współczynnik determinacji. Wyniki przekazano do weryfikacji firmie Rossmann. Potwierdzono, iż XGBoost po zastosowaniu odpowiedniej obróbki danych i sposobu uczenia osiąga lepsze rezultaty niż modele klasyczne.

EN

The goal of this paper was to investigate use of the Extreme Gradient Boosting XGBoost algorithm as a forecasting tool. The data provided by the Rossman Company, with a request to design an innovative prediction method, has been used as a base for this case study. The data contains details about micro- and macro-environment, as well as turnover of 1115 stores. Performance of the algorithm was compared to classical forecasting models SARIMAX and Holt–Winters, using time-series cross validation and tests for statistical importance in prediction quality differences. Metrics of root mean squared percentage error (RMSPE), Theil’s coefficient and adjusted correlation coefficient were analyzed. Results where then passed to Rossman for verification on a separate validation set, via Kaggle.com platform. Study results confirmed, that XGBoost, after using proper data preparation and training method, achieves better results than classical models.

3

The sentiment analysis as a tool of business analytics in contemporary organizations

72%

Ziora L.

Studia Ekonomiczne

|

2016

|

vol. 281

234-241

EN

Nowadays contemporary organizations apply different business analytics tools such as sentiment analysis for the purpose of business functionality improvement and support of decision making processes. Sentiment analysis also called opinion mining allow for gathering and analysis of opinion concerning particular product or service. The aim of the paper is to present the notion of sentiment analysis and its areas of application in contemporary organizations. It also presents practical examples and case studies concerning sentiment analysis application in different areas of business activity.

PL

Obecnie współczesne organizacje stosują różne narzędzia analityki biznesowej, takie jak analiza opinii w celu ulepszenia funkcjonalności biznesowej i wspierania procesów decyzyjnych. Analiza opinii pozwala na zebranie i analizę opinii dotyczących poszczególnych produktów i usług. Celem niniejszego artykułu jest prezentacja znaczenia analizy opinii i jej obszarów zastosowań, w tym korzyści wynikających z tych aplikacji we współczesnych organizacjach. Artykuł przedstawia także praktyczne przykłady i studia przypadków dotyczące zastosowań tejże analizy w różnorodnych obszarach działalności biznesowej.

4

Metody uczenia maszynowego w prognozowaniu niewypłacalności

72%

Paliński A.

Studia Ekonomiczne

|

2018

|

vol. 358

173-181

PL

W artykule zastosowano wybrane algorytmy uczenia maszynowego na zbiorach danych zawierających wskaźniki finansowe w celu sprawdzenia skuteczności prognozowania upadłości. Trafność prognoz upadłości na zbiorach niezbilansowanych o przeważającym udziale firm prowadzących działalności nad upadłymi wyniosła jedynie 37%. Trafność prognozowania upadłości na zbiorach zbilansowanych wyniosła 60%. Dla porównania, uproszczone podejście eksperckie wyłoniło 76% spośród upadłych podmiotów, ale znacząco zawyżyło zbiór firm zagrożonych upadłością. Metody uczenia maszynowego okazują się skuteczne dla dużych zbiorów danych, które są zbyt liczne do analizy przez człowieka.

EN

The article uses selected machine learning algorithms on datasets containing financial ratios to check the effectiveness of bankruptcy prediction. The accuracy of bankruptcy forecasts for unbalanced dataset with the prevalence of companies still operating over bankrupts was only 37%. The accuracy of bankruptcy forecasting on a balanced dataset was 60%. The simplified expert approach selected 76% of bankrupt entities, but significantly overstated the set of companies exposed on bankruptcy. Machine learning methods are effective for large data sets that are too numerous for human analysis.

5

Wykrywanie zagrożenia upadłością jako problem klasyfikacji danych niezbalansowanych

72%

Paliński A.

Studia Ekonomiczne

|

2020

|

vol. 395

66-79

PL

W artykule wykorzystano wybrane algorytmy uczenia maszynowego oraz techniki przygotowania danych (preprocessing) stosowane w klasyfikacji na zbiorach niezbalansowanych w celu oceny ich skuteczności w prognozowaniu upadłości z użyciem danych zawierających wskaźniki finansowe podmiotów gospodarczych. Trafność prognoz upadłości na pierwotnym niezbalansowanym zbiorze danych o przeważającym udziale podmiotów prowadzących działalności nad upadłymi była bliska zero. Trafność prognozowania upadłości klasyfikatorów utworzonych na zbiorach zbalansowanych była odwrotnie proporcjonalna do całkowitej trafności klasyfikacji i wahała się od 10% – dla całkowitej trafności klasyfikacji wynoszącej 93%, do 77% – dla całkowitej trafności klasyfikacji równej 49%. Lepsze wyniki klasyfikacji osiągały algorytmy gradient boosting i drzewo klasyfikacyjne w stosunku do sztucznej sieci neuronowej. W problemie klasyfikacji na zbiorach niezbalansowanych wystąpił efekt wymiany – albo możliwe jest zwiększenie trafności klasyfikacji upadłości kosztem nadmiarowości obiektów kla-syfikowanych jako upadłe, albo – zwiększenie trafności klasyfikacji całkowitej algorytmu kosztem zmniejszenia trafności klasyfikacji samej upadłości.

EN

Selected machine learning algorithms and data preprocessing techniques were used in the article to predict bankruptcy on an unbalanced data set containing financial ratios. The accuracy of bankruptcy forecasts on the original unbalanced data set of the prevailing share of entities still operating over the bankrupt ones was close to zero. The accuracy of bankruptcy forecasting classifiers created on balanced sets ranged from 10% to 77%, but was inversely proportional to the total accuracy of the classification, which ranged from 93% to 49%. Better classification results were achieved by the classification trees algorithms in relation to the artificial neural network. In the problem of classification in unbalanced data sets the effect of substitution occurred – or it is possible to increase the accuracy of classification of bankruptcy at the expense of redundancy of objects classified as bankrupt, or – to increase the accuracy of the overall classification of the algorithm at the expense of decreasing the classification of the bankruptcy itself.

6

Robustness of Support Vector Machines in Algorithmic Trading on Cryptocurrency Market

58%

Ślepaczuk R., Zenkova M.

Central European Economic Journal

|

2018

|

vol. 5

|

issue 52

EN

This study investigates the profitability of an algorithmic trading strategy based on training SVM model to identify cryptocurrencies with high or low predicted returns. A tail set is defined to be a group of coins whose volatility-adjusted returns are in the highest or the lowest quintile. Each cryptocurrency is represented by a set of six technical features. SVM is trained on historical tail sets and tested on the current data. The classifier is chosen to be a nonlinear support vector machine. The portfolio is formed by ranking coins using the SVM output. The highest ranked coins are used for long positions to be included in the portfolio for one reallocation period. The following metrics were used to estimate the portfolio profitability: %ARC (the annualized rate of change), %ASD (the annualized standard deviation of daily returns), MDD (the maximum drawdown coefficient), IR1, IR2 (the information ratio coefficients). The performance of the SVM portfolio is compared to the performance of the four benchmark strategies based on the values of the information ratio coefficient IR1, which quantifies the risk-weighted gain. The question of how sensitive the portfolio performance is to the parameters set in the SVM model is also addressed in this study.

Refine search results

4 Studia Ekonomiczne

2 Central European Economic Journal

2 Paliński A.

1 Chlebus M.

1 Lis S.

1 Wójcik F.

1 Zenkova M.

1 Ziora L.

1 Ślepaczuk R.

1 2023

1 2020

1 2019

2 2018

1 2016

Combining forecasts? Keep it simple

Prognozowanie dziennych obrotów przedsiębiorstwa za pomocą algorytmu XGBoost – studium przypadku

The sentiment analysis as a tool of business analytics in contemporary organizations

Metody uczenia maszynowego w prognozowaniu niewypłacalności

Wykrywanie zagrożenia upadłością jako problem klasyfikacji danych niezbalansowanych

Robustness of Support Vector Machines in Algorithmic Trading on Cryptocurrency Market