Prediction Capabilities of Evolino RNN Ensembles

Maknickienė, Nijolė; Maknickas, Algirdas

doi:10.1007/978-3-319-23392-5_26

Cited by 9 publications

(4 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…An Evolino RNN-based prediction model (Figure 1) was developed as support system for investors in the exchange market (Maknickiene & Maknickas, 2013a;Maknickiene & Maknickas, 2013b). The prediction of the sentiments of individual investors is a new area for researches.…”

Section: Research Methodology Prediction Model Based On the Evolino Rnn Ensemblementioning

confidence: 99%

“…This reduced the calculation time and increased the accuracy of the predic-tion (Maknickas & Maknickiene, 2012). The ensemble is composed of 176 Evolino RNNs predicting simultaneously (Maknickiene & Maknickas, 2013b). This process requires multi-core hardware resources for timely data processing using MPI library-based parallel computation.…”

Section: Research Methodology Prediction Model Based On the Evolino Rnn Ensemblementioning

confidence: 99%

See 1 more Smart Citation

Application of ensemble of recurrent neural networks for forecasting of stock market sentiments

Maknickienė

Lapinskaitė

Maknickas

2018

Self Cite

View full text Add to dashboard Cite

Research background: Research and measurement of sentiments, and the integration of methods for sentiment analysis in forecasting models or trading strategies for financial markets are gaining increasing attention at present. The theories that claim it is difficult to predict the individual investor’s decision also claim that individual investors cause market instability due to their irrationality. The existing instability increases the need for scientific research. Purpose of the article: This paper is dedicated to establishing a link between the individual investors’ behavior, which is expressed as sentiments, and the market dynamic, and is evaluated in the stock market. This article hypothesizes that the dynamics in the market is unequivocally related to the individual investor’s sentiments, and that this relationship occurs when the sentiments are expressed strongly and are unlimited. Methods: The research was carried out invoking the method of Evolino RNN-based prediction model. The data for the research from AAII (American Association of Individual Investors), an investor sentiment survey, were used. Stock indices and sentiments are forecasted separately before being combined as a single composition of distributions. Findings & Value added: The novelty of this paper is the prediction of sentiments of individual investors using an Evolino RNN-based prediction model. The results of this paper should be seen not only as the prediction of the connection and composition of investors’ sentiments and stock indices, but also as the research of the dynamic of individual investors’ sentiments and indices.

show abstract

Section: Research Methodology Prediction Model Based On the Evolino Rnn Ensemblementioning

confidence: 99%

Section: Research Methodology Prediction Model Based On the Evolino Rnn Ensemblementioning

confidence: 99%

Application of ensemble of recurrent neural networks for forecasting of stock market sentiments

Maknickienė

Lapinskaitė

Maknickas

2018

Self Cite

View full text Add to dashboard Cite

show abstract

“…Schmidhuber et al (2005) proposed the forecasting tool 'Evolution of recurrent systems with Optimal Linear Output' (EVOLINO), which was adopted to predict exchange rates. Maknickienė and Maknickas (2016) and Stankevičienė et al (2014) investigated the support system for investors in the exchange market (Maknickas and Maknickienė, 2019). With the emergence of a new class of artificial intelligence algorithms, a predictive RNN implementation using the deep learning library Keras interfaced (Chollet et al, 2015) with the TensorFlow (Abadi et al, 2015) neural network framework was proposed.…”

Section: Figure 1 Long Short-term Memory (Lstm)mentioning

confidence: 99%

Trading support method based on computational intelligence for speculators in the options market

Maknickienė¹,

Maknickas²,

Martinkutė-Kaulienė³

2020

Journal of International Studies

Self Cite

View full text Add to dashboard Cite

The financial world has changed dramatically in recent decades. Electronic data processing, globalisation, and deregulation have changed markets, and the biggest part of these major changes includes derivatives. As financial markets become more interconnected and global, volatility in these markets may increase dramatically in the future. It is natural that the derivatives market is gaining attention and popularity among market participants as an alternative to traditional investment and speculative instruments. The growing number of technologydriven applications and innovations in the financial sector encourages the inclusion of products relating to automated trading and robotic advice in financial decision-making. The aim of this paper is to investigate different option-trading strategies and to evaluate the effect of computational intelligence on trading success in the derivatives markets. The recurrent neural network (RNN) Keras was adopted for forecasting option prices, and the results were compared with the forecasting using the evolution of recurrent systems with optimal linear output algorithms (EVOLINO) for RNNs. This forecasting

show abstract

“…Naujas požiūris į investavimą ir jo metodus yra analitiškai reikšmingas, nes ateitis visada išlieka neapibrėžta, ir mes negalime padaryti išvadų, kurios nebūtų dviprasmiškos (Maknickienė, Maknickas 2013b) siūlomi investavimo sprendimų priėmimo modeliai: mokslinės literatūros analizė Išanalizavus egzistuojančius investavimo sprendimų priėmimo modelius, padedančius investuotojams prekiauti akcijų rinkoje (1 lentelė), pastebėta, kad jie dažniausiai 200 1 lentelė. Siūlomi investavimo sprendimų priėmimo modeliai (sudaryta autorių) Table 1 202 vadinami sprendimų paramos sistemomis, prekybos sistemomis ar prekybos modeliais.…”

Section: Prielaidos Investavimo Sprendimų Priėmimo Modeliams Kurtiunclassified

Comparative Analysis of Investment Decision Models

Kekytė

Stasytytė

2017

Science - Future of Lithuania

View full text Add to dashboard Cite

2017 © Straipsnio autoriai. Leidėjas VGTU leidykla "Technika". Šis straipsnis yra atvirosios prieigos straipsnis, turintis Kūrybinių bendrijų (Creative Commons) licenciją (CC BY-NC 4.0), kuri leidžia neribotą straipsnio ar jo dalių panaudą su privaloma sąlyga nurodyti autorių ir pirminį šaltinį. Straipsnis ar jo dalys negali būti naudojami komerciniams tikslams. ISSN 2029-2341 / eISSN 2029-2252 De Oliveira et al. 2013). Taigi pagrindinė mokslinė problema, kuri bus sprendžiama šiame straipsnyje, yra informacijos ir kriterijų trūkumas, pagal kuriuos investuotojas ar rinkos tyrinėtojas rinktųsi investavimo modelį. Kadangi yra daug įvai-rių modelių bei sprendimų paramos sistemų, kyla sunkumų norint išsirinkti tinkamiausią dinamiškai rinkai ir didelėms duomenų apimtims analizuoti. Modelių palyginimas pagal jų privalumus, trūkumus, taikomus metodus ir rezultatus galėtų būti svarus indėlis sprendžiant įvardytą mokslinę problemą. MOKSLAS -LIETUVOS ATEITIS SCIENCE -FUTURE OF LITHUANIATradicinių inovacijų augimo požiūriu inovacijos finan sų srityje padeda gerinti įvairių banko paslaugų kokybę, palengvinti rizikos valdymą, išpildyti rinką ir galiausiai padidinti išteklių paskirstymo efektyvumą (Berger 2003;Houston et al. 2010). Lerner ir Tufano (2011) teigia, kad finansinės naujovės teigiamai veikia finansų sektoriaus stiprėjimą, taip pat ir ekonominį augimą. Taigi aukštesnis finansinių inovacijų lygis skatina spartesnį atskirų pramonės sektorių ir visos šalies ekonominį augimą bei suteikia daugiau galimybių didinti plėtros efektyvumą (Beck et al. 2016).Per pastaruosius kelis dešimtmečius finansinių duomenų analizė, padedanti prognozuoti akcijų kainas, prekybos vietas ir investicinius portfelius, tapo labai populiari mokslinių tyrimų tema (Wu et al. 2014 Santrauka. Sparti finansų rinkų plėtra lemia naujus iššūkius tiek investuotojams, tiek investavimo problematiką nagrinėjantiems mokslininkams. Kyla būtinybė sukurti inovatyvius, šiuolaikines finansų rinkų sąlygas atitinkančius investicijų portfelio sudarymo ir valdymo sprendimus. Finansų rinkos sulaukia ypatingo dėmesio, atliekami įvairūs tyrimai, įskaitant įvairių investavimo modelių formavimą, kurie apima finansinės rizikos valdymą ir investavimo sprendimų paramos sistemas. Mokslininkai pripažįsta būtinumą nagrinėti finansines problemas integruotais ir realybę atitinkančiais būdais, grindžiamais sudėtinga kiekybinės analizės technika. Taigi matematinio modeliavimo vaidmuo finansų sektoriuje tampa labai svarbus. Straipsnyje nagrinėjami įvairūs investavimo sprendimų priėmimo modeliai, apimantys prognozavimą, optimizavimą, stochastinius procesus, dirbtinį intelektą ir kt., kurie tampa reikšmingo-mis priemonėmis priimant investicinius sprendimus.reikšminiai žodžiai: investavimas, sprendimų priėmimo modeliai, akcijų rinka, portfelis, duomenų analizė, prognozavimas. ĮvadasFinansų rinkos palengvina tarptautinę prekybą, sujungia ir suteikia informacijos apie organizacijų bei ekonomikos ateities perspektyvas, yra ekonomikos augimą skatinanti priemonė . Tačiau šiuolaikinėje finan...

show abstract

Prediction Capabilities of Evolino RNN Ensembles

Cited by 9 publications

References 18 publications

Application of ensemble of recurrent neural networks for forecasting of stock market sentiments

Application of ensemble of recurrent neural networks for forecasting of stock market sentiments

Trading support method based on computational intelligence for speculators in the options market

Comparative Analysis of Investment Decision Models

Contact Info

Product

Resources

About