2020
Comparison of neural networks and regression time series in estimating the development of the afternoon price of gold on the New York stock exchange
MACHOVÁ, Veronika; Tomáš KRULICKÝ a Jakub HORÁKZákladní údaje
Originální název
Comparison of neural networks and regression time series in estimating the development of the afternoon price of gold on the New York stock exchange
Název česky
Porovnání neuronových sítí a regresních časových řad při odhadu vývoje odpolední ceny zlata na Newyorské burze
Autoři
Vydání
Social and Economic Revue, Trenčín, Slovensko, Faculty of Social and Economic Relations, Alexander Dubček University in Trenčín, 2020, 2585-9358
Další údaje
Jazyk
angličtina
Typ výsledku
Článek v odborném periodiku
Obor
50200 5.2 Economics and Business
Stát vydavatele
Slovensko
Utajení
není předmětem státního či obchodního tajemství
Označené pro přenos do RIV
Ne
Organizační jednotka
Vysoká škola technická a ekonomická v Českých Budějovicích
Klíčová slova česky
umělé neuronové sítě; regresní časové řady; predikce; cena zlata; komodita; budoucí vývoj cen
Klíčová slova anglicky
artificial neural networks; regression time series; prediction; gold price; commodity; future price development
Štítky
Změněno: 18. 8. 2020 16:26, Kateřina Nygrýnová
V originále
This paper aims to perform a regression analysis of the development of the afternoon price of gold on the New York Stock exchange using artificial neural networks and linear regression. Data from a period longer than ten years are used. We use linear regression with the linear, exponential, polynomial, logarithmic, numbers of weighted distances, multiple negative-exponential extermination and spline function. Multilayer perceptron neural networks and neural networks of the radial basis function are generated. A total of 1,000 neural structures are generated, 5 of those with the best characteristics are retained.
Česky
Cílem této práce je provést regresní analýzu vývoje odpolední ceny zlata na burze v New Yorku pomocí umělých neuronových sítí a lineární regrese. Jsou použity údaje z období delšího než deset let. Používáme lineární regresi s lineární, exponenciální, polynomiální, logaritmickou, počtem vážených vzdáleností, vícenásobným negativně-exponenciálním vyhlazováním a spline funkcí. Jsou vytvořeny vícevrstvé perceptronové neuronové sítě a neuronové sítě radiální základní funkce. Celkem je generováno 1 000 neuronových struktur, 5 z nich s nejlepšími vlastnostmi je zachováno.