کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7408142 | 1481436 | 2016 | 16 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
The relationship between model complexity and forecasting performance for computer intelligence optimization in finance
ترجمه فارسی عنوان
رابطه پیچیدگی مدل و عملکرد پیش بینی برای بهینه سازی هوش کامپیوتری در امور مالی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
پیش بینی مالی، بهینه سازی هوش کامپیوتری، الگوریتم های تکاملی،
ترجمه چکیده
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.
موضوعات مرتبط
علوم انسانی و اجتماعی
مدیریت، کسب و کار و حسابداری
کسب و کار و مدیریت بین المللی
چکیده انگلیسی
The objective of this paper is to show that the ability of nature-inspired optimization routines to construct complex models does not necessarily imply any improvement in performance. In fact, the reverse may be the case. We demonstrate that under the dynamic conditions found in most financial markets, complex prediction models that seem, ex-ante, to be at least as good as more simple models, can underperform in out-of-sample tests. The correct application of these optimization methods requires a knowledge of how and when these techniques will yield beneficial outcomes. We highlight the need for future research to focus on appropriate protocols and a systematic approach to model selection when computer intelligence optimization methods are being utilized, particularly within the realm of financial forecasting.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Forecasting - Volume 32, Issue 3, JulyâSeptember 2016, Pages 598-613
Journal: International Journal of Forecasting - Volume 32, Issue 3, JulyâSeptember 2016, Pages 598-613
نویسندگان
Adam Ghandar, Zbigniew Michalewicz, Ralf Zurbruegg,