Sylwester Bejger, Grzegorz Dudek, Witold Orzeszko, Michał Dominik Stasiak, Krzysztof Targiel

Uczenie maszynowe w podejmowaniu decyzji prognostycznych

Wysyłamy w ciągu 5 dni roboczych
ISBN:
978-83-231-4472-4
Publication year:
2020
Pages number:
122
Nr wydania:
pierwsze
Typ okładki:
miękka
Format:
148 x 210 mm
Publisher:
Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika

26,00 zł

miękka

Sylwester Bejger, Grzegorz Dudek, Witold Orzeszko, Michał Dominik Stasiak, Krzysztof Targiel

Uczenie maszynowe w podejmowaniu decyzji prognostycznych

Kategoria produktu:

Monografia zawiera rzadko dotychczas prezentowane w literaturze polskojęzycznej problemy uczenia maszynowego. Obejmuje szeroki zakres metod i podejść, które prowadzą do wykorzystania wielowymiarowych danych masowych i metod uczenia statystycznego (maszynowego) w zagadnieniach optymalizacji decyzji, ze szczególnym naciskiem położonym na metody optymalizacji decyzji predykcyjnych podejmowanych na podstawie danych w postaci szeregów czasowych. Cenne i warte podkreślenia jest to, że w książce zebrano różne podejścia, konfrontując je z dorobkiem światowej literatury. Jednocześnie przeprowadzono wiele eksperymentów, co uwiarygodniło zarówno prezentowane metody, jak i dotychczasowe wyniki prac autorów monografii. Publikację można zatem uznać za cenny przyczynek badawczy zarówno w zakresie teoretycznego, jak i empirycznego rozwoju metod prognozowania opartych na podejściu algorytmicznym.

Przedmowa / 7
Wstęp / 9

ROZDZIAŁ 1. PROGNOZOWANIE ZMIENNOŚCI Z WYKORZYSTANIEM UCZENIA MASZYNOWEGO / 19
Wprowadzenie / 19
1. Istota zmienności / 21
2. Koncepcja prognozowania oparta na obrazie rynku / 24
3. Przykład wykorzystania obrazu rynku do prognozowania zmienności / 26
3.1. Definiowanie problemu / 26
3.2. Dane wejściowe / 27
3.3. Architektura sieci / 28
3.4. Miara sukcesu / 30
3.5. Obliczenia / 30
3.6. Wyniki / 30
Podsumowanie / 34

ROZDZIAŁ 2. METODY UCZENIA MASZYNOWEGO W PROGNOZOWANIU OPARTYM NA WZORCACH CYKLI SEZONOWYCH SZEREGÓW CZASOWYCH / 37
Wprowadzenie / 37
1. Reprezentacja szeregów czasowych za pomocą wzorców / 39
2. Idea metod opartych na podobieństwie wzorców / 44
3. Modele prognostyczne wykorzystujące podobieństwo wzorców / 47
3.1. Model najbliższych sąsiadów / 47
3.2. Model rozmytego sąsiedztwa / 48
3.3. Model estymacji jądrowej / 49
3.4. Modele oparte na grupowaniu wzorców / 51
3.5. Sztuczne systemy immunologiczne / 53
4. Inne modele oparte na wzorcach / 59
4.1. Modele wykorzystujące sieci neuronowe / 59
4.2. Modele regresji liniowej / 61
4.3. Modele wykorzystujące drzewa regresyjne / 63
5. Rozszerzenia modeli opartych na podobieństwie wzorców / 65
5.1. Dodatkowe zmienne wejściowe / 65
5.2. Prognozowanie probabilistyczne / 67
6. Badania symulacyjne / 68
Podsumowanie / 73

ROZDZIAŁ 3. PROGNOZOWANIE ZMIENNOŚCI NA GPW W WARSZAWIE PRZY UŻYCIU MODELU SVR / 75
Wprowadzenie / 75
1. Model SVR / 76
2. Cel i metodyka badania / 80
3. Wyniki badania / 84
Podsumowanie / 90

ROZDZIAŁ 4. BUDOWA SYSTEMU HFT Z WYKORZYSTANIEM MODELOWANIA STANOWEGO REPREZENTACJI BINARNEJ / 93
Wprowadzenie / 93
1. Reprezentacja binarna / 94
2. Binarny model stanowy / 97
3. Konstrukcja systemu HFT / 99
3.1. Systemy HFT dedykowane reprezentacji binarnej / 99
3.2. Ocena właściwości systemu HFT / 101
3.3. Proces optymalizacji parametrów systemu HFT / 103
3.4. Rezultaty działania systemu dla wybranej pary walutowej / 104
Podsumowanie / 105

Zakończenie / 107
Literatura / 109
Informacje o autorach / 119

No reviews

At the moment there is no reviews for this book. You can write your own!!!

Write review

Write your own review

Captcha
  • Sylwester Bejger

    Pracownik naukowy Wydziału Nauk Ekonomicznych i Zarządzania Uniwersytetu Mikołaja Kopernika w Toruniu. Z Uniwersytetem związany jest od czasów studiów, w trakcie których podjął pracę w Dydaktycznym Laboratorium Komputerowym Wydziału, następnie zaś pracował jako asystent, a obecnie adiunkt w Katedrze Ekonometrii i Statystyki. Jego zainteresowania naukowe są wielowątkowe, obejmują zastosowania metod ilościowych oraz narzędzi informatycznych w zakresie mikroekonomii i zarządzania. W szczególności koncentrowały się dotychczas na ekonomicznych aplikacjach teorii gier w obszarze analiz branż i rynków. Dr Bejger odbył staże naukowe na Uniwersytecie w Getyndze oraz w Katedrze Badań Operacyjnych Uniwersytetu Budapeszteńskiego. Jest także absolwentem szkoleń z zakresu nadzoru korporacyjnego oraz posiadaczem SAP Global Certificate – Associate Business Foundation & Integration with SAP ERP 6.0 EHP 5. Równolegle z działalnością akademicką dr Sylwester Bejger działał w praktyce gospodarczej, nabywając doświadczenie zawodowe w podmiotach świadczących usługi doradcze w zakresie restrukturyzacji i przekształceń własnościowych, pełniąc funkcje menedżerskie oraz zasiadając w organach nadzoru Spółek Prawa Handlowego. Dr Bejger jest także propagatorem dydaktyki nowoczesnych technologii informatycznych w zarządzaniu przedsiębiorstwem– stał się promotorem oraz pełni funkcje koordynatora afiliacji UMK w SAP University Alliances – organizacji uczelni wyższych skupionych wokół technologii informatycznych jednego z liderów rynku w tym obszarze.

  • Grzegorz Dudek

    Prof. PCz jest pracownikiem Katedry Automatyki, Elektrotechniki i Optoelektroniki na Wydziale Elektrycznym Politechniki Częstochowskiej. Jego zainteresowania naukowo-badawcze obejmują uczenie maszynowe, sztuczną inteligencję i eksplorację danych oraz ich zastosowania do problemów prognozowania, regresji i klasyfikacji. Autor dwóch książek dotyczących modeli prognostycznych opartych na uczeniu maszynowym oraz algorytmów ewolucyjnych do harmonogramowania pracy energetycznych jednostek wytwórczych. Opublikował ponad 100 artykułów i rozdziałów w materiałach konferencyjnych, m.in. w: IEEE Transactions on Evolutionary Computation, IEEE Transactions on Neural Networks and Learning Systems, Information Sciences, Neurocomputing, Expert Systems with Applications i Applied Soft Computing. Brał udział w siedmiu projektach naukowych finansowanych przez instytucje rządowe (KBN, MNiSW, NCN, NCBR), w tym w pięciu jako kierownik. Współpracuje z firmami energetycznymi w projektach z zakresu prognozowania, analizy i eksploracji danych. Zajął trzecie miejsce w międzynarodowym konkursie Global Energy Forecasting Competiton 2014 – price forecasting track.

  • Witold Orzeszko

    Jest pracownikiem badawczo-dydaktycznym w Katedrze Zastosowań Informatyki i Matematyki w Ekonomii na Wydziale Nauk Ekonomicznych i Zarządzania Uniwersytetu Mikołaja Kopernika w Toruniu. Głównym obszarem jego działalności naukowej jest zastosowanie uczenia maszynowego w finansach. Uczestniczy jako wykonawca w grancie NCN pt. „Prognozowanie rynków finansowych z wykorzystaniem metod uczenia finansowego”. Prowadzi zajęcia m.in. z technologii informacyjnych, informatyki w zarządzaniu, wstępu do data science i uczenia maszynowego, narzędzi do prezentacji danych ekonomicznych i oprogramowania analiz biznesowych. Poza uczelnią zajmuje się także wdrażaniem rozwiązań Business Intelligence w przedsiębiorstwach oraz prowadzeniem szkoleń z zakresu analizy i wizualizacji danych.

  • Michał Dominik Stasiak

    Jest pracownikiem Katedry Inwestycji i Nieruchomości w Instytucie Zarządzania Uniwersytetu Ekonomicznego w Poznaniu. Ukończył studia na Politechnice Poznańskiej, tam też uzyskał stopień doktora nauk technicznych (2016). W 2018 roku obronił również rozprawę doktorską z zakresu ekonomii i finansów na Uniwersytecie Ekonomicznym w Poznaniu. Jego zainteresowania naukowe to modelowanie prognostyczno-decyzyjne kursów instrumentów finansowych (głównie kontraktów CFD) oraz projektowanie systemów handlu algorytmicznego. Autor lub współautor ponad 30 publikacji naukowych, w tym monografii, 16 rozdziałów monografii oraz 14 artykułów w czasopismach krajowych i zagranicznych. Rezultaty swoich badań prezentował na ponad 20 konferencjach polskich oraz międzynarodowych; jego referaty cztery razy zostały wyróżnione. W okresie 2016–2019 sekretarz sekcji badań operacyjnych Komitetu Statystyki i Ekonometrii Polskiej Akademii Nauk. Członek m.in. American Finance Association (AFA) oraz Polskiego Towarzystwa Matematycznego (PTM).

  • Krzysztof Targiel

Newsletter

If you are interested in receiving news from Wydawnictwo Naukowe UMK, please subscribe to our newsletter.

Dodano do koszyka:

Lorem ipsum