285.Wong, F. S., Wang, P. Z., Goh, T. H. and Quek, B. K. (1992), Fuzzy neural systems for stock selection, Financial Analysts Journal, Jan-Feb. 47-74
286.Wood,D. and Piesse,). (1987), Higgledy piggledy bankruptcy, Manchester Business School Working Paper Series, No. 148
287.Wood,p. and Piesse,). (1988), The information value of failure predictions in credit assessment. Journal of Banking and Finance, No. 12, 275-292
288.Wurtz, D. and Murtagh, F. (eds) (1991), Proceedings International Worbhop on Parallel Problem Solving From Nature: Applications in Statistics and Economics PASE-91, Zurich, obtainable from Eurostat Statistical Office of the European Communities, Luxemburg
289.Wurtz, p. and DeGroot,C. (1991), Analysis of univariate time series with connectionist nets: a case study of two classical examples, Neurocomputing, 1991, 177-192
290.Wurtz, p. and DeGroot,C. (1992a),Forecasting time series with connectionist nets: Applications in statistics, signal processing and economies. In: Belli, F. and Radermacher, F. J. (eds). Lecture Notes in Artificial Intelligence, 604, Heidelberg: Springer
291.Wurtz, p. and peGroot,C. (1992b), ZlP-Zurich information processing: Predicting currency exchange rates using antithetic connectionist function approximators. Working paper, Interdisziplinares Projektzentrum fur Supercomputing, ETH-Zentrum and Institut fiir Theoretische Physik, ETH-Honggerberg, Zurich
292.Wiirtz, D. and pe Groot, С (1992c), Nonlinear time series analysis with connectionist nets: Towards a robust methodogy. Proceedings of the SPIE Conference on Applications of Artificial Neural Networb, Orlando
293.Wiirtz, D., De Groot, C. Schutterle, B. Sala, W., Wenger, D. and -CJnsel, S. (1993), Analysis and prediction of currency exchange
rates, CeBIT Hannover, 1-3
294.Yoon, Y. and Swales, G. (1991), Predicting stock price performance: A neural network approach. Proceedings of the 24th Annual Hawaun International Conference on System Science, 156-162
295.Yule, G. U. (1927), On a method of investigating periodicities in disturbed series, with special reference to Wolfers sunspot numbers, Phil. Trans. Royal Society London A226, 267
296.Zeeman, E. C. (1974), On the unstable behavior of stock exchanges. Journal of Mathematical Economics, 39-49
rating prediction, Proceedings of the First International Conference on Artificial Intelligence Applications on Wall Street, Los Alamitos 27 L Varfis,A. and Versino, С (1990), Univariate economic time series forecasting by connestionist methods, Proc International Neural Network Conference, July, Paris
272.Varfis, A. and Versino, C. (1990), Neural networks for economic time series forecasting. In: Murtagh, F. (ed), PASE 1990, Neural networks for statistical and economic data, 155-159
273.Wasserman, P. D. (1989), Neural Computing. Theory and Practice, NY: VNR
274.Weers, D. (1991), Neural network based forecasting in financial market place, in Wurtz, D. and Murtagh, F. (eds). Proceedings International Workshop on Parallel Problem Solving From Nature: Applications in Statistics and Economics PASE-91, Zurich, 55
275.Weigend, A. S., Huberman, B. A. and Rumelhart, D. E. (1990), Predicting the future: A connectionist approach. International Journal of Neural Systems, Vol. 1, 3, 193-209
276.Weigend, A. S. and Gershenfeld, N. A. (1993), Time Series Prediction: Forecasting the Future and Understanding the Past, Massachusetts: Addison-Wesley
277.Weiss, S.M. and Kapouleas, I. (1989), An empirical comparison of pattern recognition, neural nets and machine learning classification methods. Proceedings 11th IJCAI, Detroit, 781-787
278.Werbos, P. J. (1990), Backpropagation through time: what it does and how to do it, Proc IEEE, No. 10, Oct. 1550-1560
279.White, H. (1988),Economic prediction using neural networks: The case of IBM daily stock returns. In: Trippi, R. R. and Turban, E. (eds) (1993), Neural Networb in Finance and Investing, Chicago, Probus Publishing Company, 315-329
280.White, H. (1992), Artificial Neural Networks: Approximation & Learning Theory, Oxford: Blackwell
281.Widrow, B. and Hoff, M. E. (1960), Adaptive switching circuits, IRE WESCON Convention Record, NY, 96-104
282.Widrow, B. (1990), 30 years of adaptive neural networks: perceptron, madaline, and backpropagation, Proc IEEE, No. 10, Oct. 1415-1442
283.Wilcox, J. W. (1992), Taming frontier markets. Journal of Portfolio Management, 19, 51-55
284.Windsor, CO. and Marker, A. H. (1988), Multi-variate financial index prediction: A neural network study, nEuro 88 Conference, 357
предметный указатель
AIBOR (Amsterdam one-month interbank offered rate) 82, 108
APT (arbitrage pricing theory), см. также теория арбитражного ценообразования 97, 120
ARCH (auto regressive conditional heteroschedasticity) , CM. также авторегрессионная условная гете-роскедастичность 76, 137, 194
ARIMA 50, 52, 64, 73, 78,137
ARMA 39
ARV (average relative variance) см. также средняя относительная дисперсия 47, 87
BIC (Bayesian information criterion), см. также байесовский информационный критерий 84
САРМ (capital asset pricing model), см. также модель ценообразования на рынке капиталовложений 97, 119,146
СМА (crossing-moving averages), см. также перекрестное правило скользящих средних 197
CPN (counter propagation network), см. также нейронная сеть со встречным распространением 24
ЕМН (efficient market hypotheses), см. также эффективного рынка гипотеза 56, 118, 193
ЕОЕ (European option exchange), см. также Европейская биржа опционов 96
Excel, лист электронной таблицы (Excel worksheet) 53, 127
FKSEC-модель 79 FPE (final prediction error), см. также итоговая ошибка прогноза 174
GARCH-модель 194
IBM viii, 195J,
LDA (linear discriminant analysis), см. также дискриминантный анализ 29
logit, см. также логистическая регрессия 151, 153
LPM (linear probability model), см. также линейная вероятностная модель 153
МА-правило (moving-average rule), см. также правило скользящего среднего 194
MARS (multivatiate adaptive regression splines), CM. также многомерные адаптивные регрессионные сплайны 49
MBPN (multilayer backpropagation network), CM. также нейронная сеть многослойная с алгоритмом обратного распространения ошибки 64, 69, 162
MDA (multiple discriminant analysis), см. также множественный дискриминантный анализ 151, 153, 184
ML? (multilayer perceptron), см. также нейронная сеть с прямой связью и многослойный персептрон 26
MSCI (Morgan Stanley capital international index), CM. также международный индекс капитализации Моргана Стэнли 141
MSE (mean squared error), см. также средняя квадратичная ошибка 46
NBIC (normalised Bayesian information criterion), CM. также нормализованный байесовский информационный критерий 84
NIB (Dutch Investment Bank), см. также Голландский инвестиционный банк 16в
QDA (quadratic discriminant analysis), см. также дискришнантный анализ 29
RMSE (square root of the mean squared error), CM. также квадратный корень из средней квадратичной ошибки 46,67, 124
SME (smaU and medium-sized enterprises), см. также малые и средние предприятия и МСП 154
STAR (smooth threshold autoregressive model), CM. также гладкая пороговая авторегрессионная модель 40,41
TAR (threshold autoregressive model), CM. также пороговая авторегрессионная модель 39, 41, 49, 50, 76, 137
Theils ц 51
TRB-правило (trading-range break rule), CM. также правило превышения предела изменения цен 194
VAR, метод 137
Z-модель Альтмана (Altmans Z score model) 160,183
Атокорреляция (autocorrelation) 63 авторегрессионная условная гетеро-
скедастичность, см. также ARCH
76, 137, 194 Акаике (Akaike) 47 аксон (axon) 2
активации функция (activation function), см. также функция активации 3
-сигмоидная (sigmoid) 4 aJтивaция (activation)
-, уровень (~ level) 90 Альтман (Altman), см. также Z-модель Альтмана 160,183 Амстердамский индекс курсов акций (Amsterdam general stock index) 83
анализ главных компонент (princals) 160,171
априорные знания (а priori knowledge) 7 аттрактор (attractor)
-предельный цикл (limit cycle ~) 61
-странный (strange ~) 61, 69
-точечный (point ~) 61
Бабушкино кодирование (grandmother coding) 31
байесовский информационный критерий, см. также BIC 84
банкротство корпораций (corporate failure) 183
безусловное ожидание (unconditional expectation) 127
белый шум (white noise) 124
ближайший сосед (nearest neighbour) 29
Блэк (Black), см. также модель Блэкв-Шоулса 98
Бокс (Box), см. также метод Бокса-Дженкинса 50,51,64,73 буквенная переменная (nominal vari-. able) 160
Вероятностная функция плотности (probability density function) 29
вероятностный (probabilistic) нейрон 3
веса (weights), см. также синаптичес-
кие коэффициенты 3 весовой вектор (weight vector) 23 взбалтывание (scrambling) 12 Вигенд (Weigend), см. также Вигенда
отношение 48, 75, 128 Вигенда отношение (Weigend ratio)
48, 75, 128 воз6уждаюш;ая связь (excitatory link)
волатильность подразумеваемая (implied volatility) 106
временная цена опциона (option time value) 104
время до исполнения (time to maturity) 106
Гамма опциона (option gamma) 110 генетический алгоритм (genetic algorithm) 15 гиперплоскость (hyperplane) 27 гладкая пороговая авторегрессионная модель, см. также STAR 40, 41
Голландский инвестиционный банк, см. также MB 168
градиентный шаг, величина (gradient step size), см. также коэффициент обучения 9
Данные за один день (intraday data) 99
Дарбина-Уотсона показатель (Dur-bin-Watson statistic) 86
движущееся окно (moving window) 114
дельта опциона (option delta) 109 дельта-правило обобщенное (generalised delta rule) 10 дельта-хеджирование (delta hedging) 98
детерминированный (deterministic)
нейрон 3 Дженкинс (Jenkins), см. также метод
Бокса-Дженкинса 50, 51, 64, 73 диверсификация (diversification) 140 динамическая сеть (dynamic network)
динамический (dynamic) нейрон 3 дискриминантный анализ (discriminant analysis)
-квадратичный (quadratic ~) 29
-линейный (linear ~) 29 доводка (postprocessing) 42, 48
Евклидово расстояние (Euclidean distance) 91
Европейская биржа опционов (Амстердам), см. также ЕОЕ 96
ежедневные данные (interday data) 99
Замораживание (annealing) 15
Иерархическая классификация (hierarchical clustering) 91
импульс (momentum) 13
инвариантность преобразования ,; (translation invariance) 201 .5,
информационный критерий (information criterion) 47
искусственный интеллект (artificial intelligence) 1
историческая волатильность (historical volatility) 107
итоговая ошибка прогноза, см. также ЕРЕ 174
Календарный эффект (calendar effect) 81
квадратичный дискриминантный анализ, см. также QDA 29
квадратный корень из средней квадратичной ошибки, см. также RMSE 46,67,124
классификация (classification) 1,7, 26
кодирование выхода (output coding) 31
Кокрана-Оркутта итерационный процесс (Cochrane-Orcutt iterative procedure) 86
Колмогоров 84
комбинированная гипотеза (joint hypothesis) 193
коэффициент обучения (learning rate) 9
кредитный риск (credit risk) 151 критерий максимума правдоподобия
(maximum likelihood) 9 критерий ошибки (fitness) 15 крутизна (steepness) сигмоида 4
Ликвидность (liquidity) 98 линейная вероятностная модель, см.
также 1Ш 153 линейная отделимость (linear separation) 27
линейный дискриминантный анализ, см. также IDA 29
логистическая регрессия (logistic regression), см. также logit 153
логистическое отображение (logistic map) 59
локальный метод оптимизации (local optimization method) 14
локальный минимум (local minimum) 12, 124
лямбда опциона (option lambda) НО
Ml, см. также предложение денег 83 максимума правдоподобия критерий
(maximum likelihood) 9 малые и средние предприятия, см.
также МСП и SM£ 154 матрица ошибок (confusion matrix)
международный шадекс капитализации Моргана Стэнли, см. также MSCI 141
метод к ближайших соседей (it-near-estneighbours approach) 29,168,
метод Бокса-Дженкинса, см. также АЮМА 50,51,64,73
Министерство финансов Голландии (Dutch Mmistry of Fmance) 78
многомерные адаптивные регрессионные сплайны, см. также MARS 49
многослойный персептрон (multilayer perceptron) 26
множественный дискриминантный анализ, см. также MDA 151, 153, 184
модель Блэка-Шоулса (Black-Scholes
model) 98 модель ценообразования на рынке
капиталовложений, см. также
САРМ 97 МСП, см. также малые и средние
предприятиям SME 154 мультиколлинеарность (multi coUi- ,
nearity) 112 мутация (mutation) 15г » 1
Начальные веса,
выбор (weight initialisation) 11 нейрон (neuron) 2
-вероятностный 3
-детерминированный 3
-динамический 3,
-скрытый 5 .,,>,;, - статический 3 нейронная сеть (neural network)
., - адаптивная (adaptive ~) 116
-архитектура (-architecture) 33 -- динамическая (dynamic ~) 21
- с временной задержкой (time delay-) 21
-со встречным распространением (couter propagation ~), см. также CPN 24
-Кохонена (Kohonen ~), см. также ~самоорганизующаяся 22
-многослойная с алгоритмом обратного распространения ошибки (multilayer backpropagation ~), см. также MBPN 64,69, 162
-, объем (~ size) 31
-с прямой связью (feed-forward ~), см. также многослойный персептрон 5, 26
-рекуррентная (recurrent ~) 5 --Хопфилда (Hopfield ~) 22
-самоорганизующаяся (self-organising ~), см. также ~ Кохонена 22
-, топология (topology) 5
нелинейная отделимость (non-linear separation) 27
нелинейная фильтрация (non-linear filtering) 22
нелинейные динамические процессы (non-linear dynamics) 1, 56,62
нелинейный анализ главных компонент (non-linear principal components analysis) 151
непараметрический метод (non-parametric method) 29
неравновесность (overshooting) 98
нервная клетка (nerve cell) 2
неувязки в бюджете (asset-liability mismatch) 79
неэффективность рынка (market inefficiency) 205
нормализованный байесовский информационный критерий, см. также84
Обменный курс (currency exchange) 45
обобщение (generalisation) 28, 164 обобщенное дельта-правило (generalised delta rule) 10 обработка пакетная (batching) 12 обратное распространение ошибки (backpropagation) -, алгоритм (~ algorithm) 10
--многослойный (multilayer
,1~) 10
--стохастический 11
обратное распространение ошибки, алгоритм (продолжение)
-«эпохальный» (per-epoch) 13 обращение тренда (trend reversion)
обучающее множество (training set) 7 обучающий алгоритм (learning algorithm) 8