назад Оглавление вперед


[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [ 41 ] [42]


41

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

[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [ 41 ] [42]