The relationship between model complexity and forecasting performance for computer intelligence optimization in finance

هدف این مقاله نشان دادن این است که توانایی روشهای بهینه سازی طبیعت الهام گرفته برای ساخت مدل های پیچیده، لزوما به هیچ وجه به هیچ وجه بهبودی در عملکرد ندارد. در حقیقت، ممکن است معکوس باشد. ما نشان می دهیم که تحت شرایط دینامیکی موجود در اکثر بازارهای مالی، مدل های پیش بینی پیچیده ای که به نظر می رسد، پیش از آن، حداقل به همان اندازه که مدل های ساده تر می توانند، در آزمایش های خارج از نمونه ناکارآمد باشند. کاربرد صحیح این روش بهینه سازی نیاز به دانستن اینکه چگونه و چگونه این تکنیک ها نتایج سودمندی را به ارمغان می آورد. ما نیاز به پژوهش های آینده را برای تمرکز بر پروتکل های مناسب و یک رویکرد سیستماتیک برای انتخاب مدل در زمانی که روش های بهینه سازی هوش کامپیوتری استفاده می شود، به ویژه در حوزه پیش بینی های مالی برجسته می کنیم.