Spiečiaus intelekto taikymo finansų rinkose analizė ir optimizavimas

• Main Author: Vasiliauskaitė, Vilma
• Other Authors: Masteika, Saulius
• Format: Dissertation
• Language: Lithuanian
• Published: Lithuanian Academic Libraries Network (LABT) 2014
• Subjects: Swarm Intelligent; Neural networks
• Online Access: http://vddb.library.lt/fedora/get/LT-eLABa-0001:E.02~2008~D_20140623_183138-57850/DS.005.0.01.ETD

Prekiaujant vertybiniais popieriais, svarbiausia yra priimti teisingą sprendimą: pirkti arba parduoti. Daugelis investuotojų prieš priimdami sprendimą atkreipia dėmesį į pasirinktos akcijos kainos kitimo grafiką ir vadovaujasi juo. Tačiau ne kiekvienas investuotojas galėtų tiksliai apibūdinti savo pasirinktą grafinį modelį. Problemos aktualumas - Prognozuoti rinkas yra pakankamai sudėtinga, pastebimas žymus akcijų kursų svyravimas. Ženklūs akcijų kursų pasikeitimai skaičiuojami ne per metus ar mėnesius, o dienomis ar net valandomis. Investitoriams, finansų analitikams finansinėse rinkose sunku dirbti. Spekuliavimas akcijomis aktyviose akcijų rinkose yra labai rizikingas, bet pelningas užsiėmimas. Pasiūlius sprendimo priėmimo metodą investavimo procesas techniniu požiūriu supaprastės ir nereikalaus didelių sąnaudų, bei gilių žinių, leis platesniam ratui žmonių įeiti į akcijų rinką. Problema – Sudėtingas akcijų rinkų prognozavimas, kadangi pastebimas žymus akcijų kursų svyravimas, todėl rizikinga spekuliuoti akcijomis aktyviose akcijų rinkose. Baigiamojo darbo objektas – sprendimo priėmimo metodas finansinių rinkų prognozėms atlikti, remiantis neuroniniais tinklais ir spiečiaus algoritmu. Baigiamojo darbo tikslas – Spiečiaus intelekto taikymo finansų rinkose analizė ir optimizavimas. === One of the central problems in financial markets is to make the profitable stocks trading decisions using historical stocks' market data. This paper presents the decision-making methodology which is based on the application of neural networks and swarm intelligence technologies and is used to generate one-step ahead investment decisions. In brief, the proposed methodology draws from the analysis of historical stock prices variations. The variations are passed to neural networks and the recommendations for the next day are calculated. The stocks with the highest recommendations are considered for further experimental investigations. The core idea of this algorithm is to select three best neural networks for the future investment decisions and to adapt the weights of other networks towards the weights of the best network. The experimental results presented in the paper show that the application of our proposed methodology lets to achieve better results than the average of the market. The theme of the Master’s degree paper is “Analysis and Optimization of Swarm Intelligent in Financial Markets”. The object of the Master’s degree paper is decision making method for financial markets, re neural network and swarm intelligence.