Konstrukcja modeli decyzyjnych dla krótkoterminowych inwestycji walutowych przy zastosowaniu systemu neuroagentowego

Wielkość: px
Rozpocząć pokaz od strony:

Download "Konstrukcja modeli decyzyjnych dla krótkoterminowych inwestycji walutowych przy zastosowaniu systemu neuroagentowego"

Transkrypt

1 Zeszyty Naukowe nr 770 Uniwersytetu Ekonomicznego w Krakowie 2009 Katedra Informatyki Konstrukcja modeli decyzyjnych dla krótkoterminowych inwestycji walutowych przy zastosowaniu systemu neuroagentowego Streszczenie. W artykule zaprezentowano koncepcję ewolucyjnie konstruowanego systemu złożonego z pojedynczych modeli neuronowych (systemu neuroagentowego), którego idea oparta jest na metodologii wywodzącej się z sieci neuronowych, algorytmów ewolucyjnych oraz systemów multiagentowych. Następnie zaprezentowano możliwości wykorzystania tego systemu w procesie wspomagania decyzji dla krótkoterminowych inwestycji walutowych. Badania przeprowadzono, opierając się na szeregu czasowym dziennych notowań euro w NBP. Słowa kluczowe: model decyzyjny, sieci neuronowe, systemy neuroagentowe, finansowe szeregi czasowe, inwestycje walutowe. 1. Wstęp Problematyka wspomagania decyzji inwestycyjnych związanych z prowadzeniem operacji na współczesnych rynkach finansowych wymaga stosowania zaawansowanych technik komputerowych pozwalających na budowę efektywnych modeli decyzyjnych. Coraz częściej wykorzystywana jest w tego typu zagadnieniach metodologia opierająca się na różnych dziedzinach sztucznej inteligencji, takich jak sieci neuronowe (SN), algorytmy ewolucyjne, zbiory rozmyte czy systemy multiagentowe. Metody te stosowane są często jako narzędzia alternatywne lub uzupełniające w stosunku do klasycznych modeli ekonometrycznych. Zarówno przesłanki użycia metod sztucznej inteligencji na rynkach finansowych, jak i efekty ich praktycznego zastosowania zaprezentowano w licznych publikacjach

2 58 (zob. np. [Azoff 1994]), [Bauer 1994], [Lula 1999], [Morajda 2000], [Neural, 1995], [Inteligentne systemy, 2000]). Obecne tendencje badawcze zmierzają głównie w kierunku prób łączenia poszczególnych metod i konstruowania systemów hybrydowych, wykorzystujących potencjał wynikający ze współpracy poszczególnych narzędzi. Tego typu podejście zaprezentowano również w niniejszej pracy: zaproponowany tu wieloelementowy system, dla którego przyjęto nazwę system neuroagentowy, łączy w sobie koncepcje przetwarzania danych przez sieć neuronową, ideę współpracy agentów w systemie multiagentowym oraz optymalizację genetyczną. System ten zastosowano w zagadnieniu wspomagania krótkoterminowych decyzji inwestycyjnych dla waluty euro. 2. Koncepcja systemu neuroagentowego Poniżej zaprezentowano ideę systemu złożonego z dużej liczby elementarnych modeli, realizującego określone zadanie generowania decyzji. Przedstawiona koncepcja oparta została na modelach neuronowych, symulujących przetwarzanie informacji przez biologiczną komórkę nerwową i znajdujących zastosowanie do konstrukcji sztucznych sieci neuronowych. Nic nie stoi jednak na przeszkodzie, aby zamieszczone tu rozważania uogólnić na system złożony z dowolnych modeli matematycznych realizujących agregację sygnałów wejściowych i ich przetwarzanie w celu wygenerowania określonego sygnału wyjściowego (np. decyzji lub prognozy). W zaproponowanej metodzie modele są wzajemnie połączone tak, że tworzą jednokierunkowy 1 system przepływu informacji (połączenia są tworzone w trakcie konstrukcji systemu na podstawie zbioru danych uczących, z wykorzystaniem metod ewolucyjnych opisanych w dalszej części pracy). Poszczególne modele, generując sygnały decyzyjne lub prognostyczne, są zatem od siebie wzajemnie zależne i poprzez istniejące połączenia przekazują sobie wzajemnie użyteczną informację. Z punktu widzenia teorii systemów multiagentowych 2 stanowią więc właśnie taki system (por. [Ferber 1999], [Kisiel-Dorohinicki, Dobrowolski, Nawarecki 2003], 1 Możliwe jest uogólnienie metody na przypadek posiadający możliwość tworzenia sprzężeń zwrotnych (tzn. dwukierunkowego przepływu informacji w przód i wstecz), nie będzie ono jednak tutaj rozważane i stanowić będzie przedmiot dalszych badań. 2 Z punktu widzenia systemów multiagentowych: na system składa się stosunkowo liczny zbiór agentów (modeli) oraz podsystem zwany środowiskiem, agenty realizują działania mające wpływ na zmianę stanu zainteresowanego agenta (np. ocenę efektywności jego funkcjonowania w zakresie generowania prawidłowych prognoz/decyzji), agenty posiadają możliwości komunikacji (wymiany informacji, obserwacji działań) z innymi agentami,

3 Konstrukcja modeli decyzyjnych 59 (Intelligent, 2001], [Jain, Chen, Ichalkaranje 2002], [Luck i in. 2001]). Jeżeli przy tym poszczególne modele (agenty) oparte są na sposobie przetwarzania informacji występującym w komórkach nerwowych (i ich modelach), całość można nazwać systemem neuroagentowym. System taki można też rozpatrywać jako specyficzną sieć neuronową (strukturę złożoną z wielu odpowiednio połączonych neuronów agentów, nazywanych dalej neuroagentami), której architektura jest dynamicznie konstruowana poprzez dodawanie nowych neuroagentów i tworzeniu nowych połączeń pomiędzy nimi przy wykorzystaniu metod opierających się na algorytmach ewolucyjnych [Morajda 2002]. Należy przy tym podkreślić, że to system jako całość (podobnie jak sieć neuronowa) generuje ostateczne sygnały decyzyjne (lub prognostyczne), chociaż sygnały te mogą pojawiać się na wyjściach różnych (nie wyznaczonych a priori) neuroagentów. Tego typu systemy mogą stanowić podejście alternatywne (konkurencyjne) w stosunku do klasycznych sieci neuronowych uczonych np. metodą wstecznej propagacji błędu. Zaprezentowany tutaj system neuroagentowy jako całość realizuje proces przetwarzania danych analogiczny do tego, który ma miejsce w klasycznych jednokierunkowych sieciach neuronowych typu perceptron, pojawiają się jednak w stosunku do perceptronowych sieci neuronowych (SN) pewne zasadnicze różnice. Podstawowe założenia koncepcji systemu neuroagentowego: 1) model neuronu (agenta) klasyczny, bazujący na strukturze sztucznego neuronu zaproponowanej przez McCullocha i Pittsa, jako funkcję aktywacji neuronu przyjęto tutaj funkcję tangens hiperboliczny; 2) przetwarzanie strumienia informacji jednokierunkowe; przepływ informacji zaczyna się od elementów wejściowych (por. rys. 1), których zadaniem jest wyłącznie dostarczenie wzorca wejściowego i jego dystrybucja w systemie (elementy te nie przetwarzają danych i pełnią rolę analogiczną do neuronów warstwy wejściowej w klasycznej sieci neuronowej); 3) akumulacja wiedzy w systemie odbywa się w procesie tworzenia połączeń pomiędzy neuroagentami oraz przyporządkowywania tym połączeniom określonych współczynników wagowych 3. Wartości współczynników wagowych są determinowane tylko raz w chwili generowania związanego z nimi neuroagenta i nie podlegają dalszym modyfikacjom, chociaż można też rozważyć (nie uwzględnioną tutaj) możliwość ich późniejszego dostrojenia przy wykorzystaniu metod gradientowych analogicznych do procedur uczenia klasycznych SN. Połączenia pomiędzy neuroagentami i ich współczynniki wagowe są wyznaczane z wykorzystaniem specyficznego algorytmu ewolucyjnego, który z kolei agenty, postrzegane jako czarne skrzynki, wykazują cechy inteligentnych zachowań (np. zdolność prognozowania). 3 Metoda wyznaczania współczynników wagowych określona jest w podanym dalej algorytmie konstrukcji systemu (zob. krok 1 i krok 6 algorytmu).

4 60 wykorzystuje dane zawarte w zbiorze uczącym, zawierającym zestaw przykładów (wzorców) uczących, opisujących poszczególne przypadki analizowanego zjawiska. Zgromadzona w systemie wiedza pochodzi więc de facto ze zbioru uczącego. Należy jednak podkreślić, że nie zachodzi tu proces uczenia stosowany w klasycznych sieciach neuronowych; 4) struktura systemu neuroagentowego neuroagenty w systemie uporządkowane są według architektury warstwowej: obejmuje ona warstwę tzw. bazową, zawierającą uporządkowany zbiór neuroagentów kolejno generowanych jeszcze bez wykorzystania metod ewolucyjnych oraz pewną liczbę warstw roboczych, które można traktować jako kolejne populacje neuroagentów tworzonych jedna po drugiej w wyniku realizacji określonego algorytmu ewolucyjnego służącego do konstrukcji systemu. Połączenia między generowanym kolejno przez algorytm neuroagentem, a już istniejącymi w systemie neuroagentami nie są znane a priori, są natomiast determinowane przez operator genetycznej selekcji (określony w algorytmie ewolucyjnym) w chwili tworzenia danego neuroagenta. Warto podkreślić, że liczba funkcjonujących w systemie elementów (neuroagentów) jest znacznie większa niż liczba neuronów w typowej SN; 5) procedura konstrukcji systemu neuroagentowego jest następująca: najpierw tworzona jest warstwa bazowa zawierająca losowo wyznaczone wartości wag połączeń pomiędzy danym neuroagentem a poprzednimi (wcześniej utworzonymi) elementami w tej warstwie. Kolejne warstwy (zawierające zadaną liczbę neuroagentów) są tworzone kolejno jedna po drugiej przy zastosowaniu algorytmu ewolucyjnego do tworzenia połączeń i wyznaczania wag, wykorzystującego informacje zawarte w zbiorze uczącym. W chwili tworzenia danego neuroagenta z określonej warstwy, zostaje on połączony z pewną zadaną liczbą najbardziej efektywnych neuroagentów należących do warstw poprzednich. Z kolei ów utworzony nowy neuroagent zostaje poddawany ocenie efektywności według przyjętego kryterium dokładności prognoz lub trafności decyzji. Ocena ta jest dokonywana na podstawie wszystkich wzorców ze zbioru uczącego (lub walidacyjnego); 6) kryterium oceny neuroagenta nie ma konieczności wykorzystania funkcji błędu (jak to ma miejsce w klasycznych SN), można zastosować dowolne kryterium oparte na głównym celu, dla którego system jest stworzony, np. jeśli system będzie użyty do wspomagania decyzji inwestycyjnych na rynku finansowym, celem tym może być maksymalizacja stopy zysku SZ (wzór (1)) uzyskanej w okresie inwestycji jako efekt wykorzystania strategii opartej na sygnałach decyzyjnych systemu, wygenerowanych przez danego neuroagenta; Kk K SZ = K p p (1)

5 Konstrukcja modeli decyzyjnych 61 gdzie: K p stan aktywów na początku okresu inwestycji, K k stan aktywów na końcu okresu inwestycji. Jako cel funkcjonowania systemu (miarę efektywności) można też przyjąć dowolny inny (wybrany przez inwestora) wskaźnik finansowy, uwzględniający zarówno zysk, jak i ryzyko (np. wskaźnika Sharpe a); 7) wyjście systemu neuroagentowego nie jest określone a priori (jak to ma miejsce dla sieci neuronowych) każdy element systemu (neuroagent) realizuje jednocześnie przetwarzanie danych i generuje potencjalne sygnały wyjściowe (decyzyjne lub predykcyjne); jednakże w chwili, gdy konstrukcja systemu zostanie zakończona, jako sygnały wyjściowe całego systemu przyjmowane są sygnały pochodzące od najlepszych (najlepiej ocenionych) neuroagentów; 8) możliwość rozbudowy i dynamicznej rekonfiguracji systemu oraz zmiany elementów wyjściowych istnieje 4, gdy do systemu napływają nowe wzorce pochodzące z modelowanego obiektu (np. rynku finansowego). W takiej sytuacji wartości oceny efektywności poszczególnych neuroagentów mogą się dynamicznie zmieniać, mogą też być tworzone nowe elementy systemu (neuroagenty), przy jednoczesnej eliminacji elementów bezużytecznych. Zmianom mogą też wówczas podlegać punkty wyjścia całego systemu. Wejście Rys. 1. Struktura systemu neuroagentowego Źródło: opracowanie własne. 4 W niniejszym opracowaniu opcji tej nie uwzględniono, stanowić będzie ona jeden z kierunków dalszych badań.

6 62 Struktura zaproponowanego systemu neuroagentowego została zobrazowana na rys. 1. W lewej części diagramu widoczna jest warstwa podstawowa, zawierająca elementy wejściowe i pewną liczbę neuroagentów kolejno przetwarzających informacje. Kolejne warstwy położone na prawo to warstwy ewolucyjne zawierające neuroagenty, dla których połączenia odbierające informacje są determinowane przez algorytm ewolucyjny. Przepływ strumienia informacji (strzałki pogrubione) zaczyna się od elementów wejściowych, przebiega w dół wzdłuż warstwy podstawowej, a następnie w prawo poprzez kolejne warstwy ewolucyjne. Strzałki cienkie pokazują przykładowe połączenia neuroagentów. Ponizej przedstawiono formalny algorytm konstrukcji i funkcjonowania tego systemu. Niech j oznacza numer aktualnie rozważanego neuroagenta w systemie, zaś l(j) numer warstwy, w której element j jest zlokalizowany. Ponadto oznaczmy parametry algorytmu konstrukcji systemu w sposób następujący: I liczba wejść; elementy wejściowe j = 1, 2,, I należą do warstwy podstawowej (bazowej), tzn. warstwy o numerze 1 (na rys. 1 elementy te objęto klamrą opisaną wejście ), L liczba wszystkich elementów w warstwie podstawowej (bazowej), v rozmiar okna połączeń w warstwie podstawowej, b liczba neuroagentów wybranych przez operator selekcji algorytmu ewolucyjnego (spośród najlepiej ocenionych do danej chwili elementów systemu), t liczba połączeń (stała), którymi napływają informacje do danego neuroagenta położonego w warstwie ewolucyjnej (o numerze 2, 3, ), m liczba elementów w każdej z warstw ewolucyjnych, N liczba wszystkich elementów w systemie. Algorytm konstrukcji systemu neuroagentowego składa się z następujących kroków: Krok 1. Dla każdego elementu j w warstwie podstawowej (kolejno dla j = I + 1,, L): utwórz połączenia elementu j z poprzedzającymi v elementami (j 1,, j v), albo z elementami j 1, j 2,, 1, jeżeli j v < 1, wyznacz dla tych połączeń współczynniki wagowe jako liczby losowe z przyjętego przedziału [ a, a] (gdzie a > 0), a następnie przeskaluj wszystkie wagi proporcjonalnie (analizując zbiór uczący) tak, aby obszar roboczy dla funkcji aktywacji w modelu neuronu zlokalizowany był w pobliżu wartości 0,5 i 0,5 (dla funkcji typu tangens hiperboliczny); taka operacja zapobiega występowaniu zjawiska zanikania albo nadmiernego narastania sygnałów pomiędzy neuroagentami. Krok 2. Dokonaj oceny efektywności (poprawności prognoz/decyzji) wszystkich elementów w warstwie podstawowej (j = I + 1,, L) według przyjętego kryterium (np. określonego wzorem 1), a następnie dokonaj podstawień: j L + 1, l(j) 2

7 Konstrukcja modeli decyzyjnych 63 Krok 3. Znajdź zbiór B złożony z b najlepiej ocenionych neuroagentów w warstwach 1,, l(j) 1 Krok 4. Dokonaj probabilistycznej selekcji t elementów ze zbioru B, wykorzystując regułę ruletki (tzn. metody, w której prawdopodobieństwo wyboru jest proporcjonalne do miary oceny efektywności elementu); taka procedura jest ekwiwalentna z klasycznym operatorem selekcji w algorytmach genetycznych. Krok 5. Utwórz kolejnego neuroagenta j, umieszczając go w warstwie l(j) i wygeneruj dla niego połączenia z t neuroagentami wyselekcjonowanymi w kroku 4. Taka procedura jest ekwiwalentna z genetycznym operatorem krzyżowania (z liczbą t rodziców ), gdyż można przyjąć, że t neuroagentów tworzy element j i przekazuje mu swoje informacje (sygnały). Krok 6. Ustal współczynniki wagowe dla utworzonych połączeń jako liczby dodatnie o wartościach wprost proporcjonalnych do miar oceny efektywności poszczególnych wybranych t elementów. Następnie przeskaluj wszystkie wagi analogicznie jak w kroku 1. Należy zauważyć, że ponieważ oceny efektywności wybranych do utworzenia połączeń t elementów oparte są na danych uczących, więc wygenerowane wartości wag tych połączeń również zależą od tych danych i w efekcie służą do kodowania wiedzy pochodzącej z przykładów (wzorców) zawartych w ciągu uczącym. Krok 7. Dokonaj oceny efektywności neuroagenta j, stosując przyjęte kryterium efektywności (w zastosowaniach finansowych por. wzór (1)). Krok 8. Podstaw j j + 1, jeżeli ((j L) mod m) = 1 to l(j) l(j) + 1. Krok 9. Jeżeli j > N, to wybierz wyjścia systemu jako wyjścia najlepiej ocenionych neuroagentów w całym systemie i STOP, w przeciwnym wypadku przejdź do kroku 3. Na rys. 2 zademonstrowano zasadę generowania połączeń tworzonego neuroagenta z elementami wyselekcjonowanymi (z zastosowaniem przyjętego kryterium efektywności) przez operator selekcji algorytmu ewolucyjnego. Elementy wypełnione (szarość lub czerń) należą do zbioru B (krok 3), jednak w wyniku procedury selekcji (krok 4), ze zbioru B wybrano jedynie t elementów (zaczernione), z którymi zostaje połączony wygenerowany neuroagent. Chociaż podanie formalnego dowodu zbieżności zaprezentowanego algorytmu jest trudne (o ile w ogóle możliwe) i z pewnością wykracza poza ramy niniejszego opracowania, łatwo można podać intuicyjne uzasadnienie faktu, że algorytm jest zbieżny do optymalnego (a przynajmniej do suboptymalnego) rozwiązania. Po pierwsze należy zauważyć, że utworzenie (według podanych reguł) nowego neuroagenta na pewno nie pogorszy efektywności całego systemu, gdyż istniejące neuroagenty nie są eliminowane i w najgorszym wypadku zbiór B najlepiej ocenionych elementów pozostanie bez zmian. Nowo generowany neuroagent, otrzymując poprzez utworzone ważone połączenia zagregowaną wiedzę (w postaci

8 64 sygnałów decyzyjnych) od grupy B najlepiej dotychczas ocenianych elementów systemu, będzie w ujęciu przeciętnym funkcjonować lepiej niż przeciętny element z grupy B. Tworząc w ten sposób dużą liczbę (nową warstwę) nowych neuroagentów, otrzymamy w niej (podobnie jak w klasycznym algorytmie genetycznym) pewną liczbę ponadprzeciętnie efektywnych elementów (lepiej ocenionych niż najlepsze dotychczas utworzone neuroagenty), które z kolei wejdą w skład nowego zbioru B. Rys. 2. Tworzenie połączeń dla nowego neuroagenta (kroki 3, 4, 5, 6 algorytmu) Źródło: opracowanie własne. W ten sposób, generując warstwy przeciętnie coraz lepiej ocenianych elementów, analogicznie jak w klasycznych algorytmach ewolucyjnych, system będzie zmierzał w kierunku optymalnego (lub suboptymalnego) rozwiązania (fakt ten eksperymentalnie potwierdzono w sekcji 3 niniejszego opracowania). Etap eksploatacji skonstruowanego systemu neuroagentowego rozpoczyna się od aktywacji elementów wejściowych sygnałami wejściowymi (wartościami zmiennych wejściowych opisującymi analizowany przypadek), a następnie obliczane są po kolei sygnały wyjściowe (decyzje lub prognozy) wszystkich neuroagentów (w kolejności według której były one tworzone). Sygnały najlepiej ocenionych (krok 9) neuroagentów 5 stanowią ostateczne decyzje (lub prognozy) systemu. 5 Jeżeli elementów wyjściowych jest więcej niż 1, stanowią one tzw. komitet decyzyjny, którego odpowiedź jest średnią (ew. ważoną) poszczególnych jego składników.

9 Konstrukcja modeli decyzyjnych 65 Należy zauważyć, że połączenia w systemie i ich wagi są dobierane z wykorzystaniem informacji zawartych w zbiorze uczącym, występuje więc ryzyko nadmiernego dopasowania wiedzy zgromadzonej w systemie do danych uczących. Temu zjawisku można zapobiec poprzez staranny dobór parametrów systemu, ale możliwe jest także zastosowanie procedury niezależnej walidacji (jak w klasycznych SN). Należy też podkreślić konieczność rzetelnego przetestowania systemu (opierając się na niezależnym zbiorze testowym) przed jego zastosowaniem w praktyce. 3. Badania efektywności systemu neuroagentowego w zagadnieniu wspomagania walutowych decyzji inwestycyjnych Sformułowanie problemu Rozważone tu zagadnienie dotyczy wspomagania decyzji inwestycyjnych na rynku walutowym, związanych z kupnem i sprzedażą waluty euro (w praktyce może to być inwestycja w odpowiedni walutowy kontrakt terminowy). Dysponując prognozą zmiany notowań euro w stosunku do złotówki pomiędzy dniem bieżącym a następnym, można zastosować strategię inwestycyjną polegającą na realizacji krótkoterminowych transakcji: kupna waluty w wypadku, gdy taka prognoza wiąże się ze wzrostem jej notowań, oraz sprzedaży waluty w przeciwnym wypadku. W celu generowania prognoz zmian notowań euro i realizacji opisanej wyżej strategii inwestycyjnej zastosowano scharakteryzowany w poprzedniej sekcji system neuroagentowy. Badania przeprowadzono przy założeniu istnienia tzw. krótkiej sprzedaży, co w praktyce ma miejsce, gdy zamiast rzeczywistej inwestycji walutowej dokonujemy odpowiednich transakcji (kupna lub sprzedaży) dla walutowych kontraktów terminowych (walory takie są notowane na giełdzie papierów wartościowych w Warszawie) 6. Przyjęto, że dodatni sygnał wyjściowy systemu stanowi rekomendację kupna waluty euro (kontraktu terminowego), zaś sygnał ujemny generuje decyzję sprzedaży kontraktu terminowego dla euro. W badaniach zastosowano pięć arbitralnie przyjętych zmiennych wejściowych: ostatnia dzienna stopa zwrotu z inwestycji w euro, różnica dwóch ostatnich stóp zwrotu, współczynnik kierunkowy trendu liniowego dla ostatnich sześciu dni, współczynnik kierunkowy trendu liniowego dla ostatnich dwunastu dni, odchylenie standardowe 10 ostatnich stóp zwrotu. 6 Kurs kontraktów terminowych jest w praktyce bardzo silnie skorelowany z kursem instrumentu bazowego (w tym przypadku euro).

10 66 Wszystkie zmienne wejściowe poddano procesowi normalizacji. W badaniach wykorzystano notowania NBP euro/złoty z 6 lat, tzn. od 1 stycznia 1999 do 3 stycznia Zbiór danych zawierał 1508 przypadków (dni notowań), każdy z nich zawierał wartości 5 zmiennych wejściowych oraz właściwą przyszłą stopę zwrotu jako wielkość niezbędną w procedurze oceny neuroagentów. Dane podzielono (według przybliżonej proporcji 2/3 : 1/3) na zbiór uczący obejmujący okres do 17 stycznia 2003 i zawierający 1010 przypadków oraz zbiór testowy zawierający pozostałe 498 wzorców i obejmujący okres około dwóch ostatnich lat. Parametry systemu neuroagentowego (zob. poprzednia sekcja) zostały przyjęte następująco: I = 5, L = 2000, v = 200, b = 50, t = 20, m = 200, N = W konsekwencji system zawierał 21 warstw, 2000 elementów w warstwie podstawowej, oraz 4000 neuroagentów w 20 warstwach ewolucyjnych. Jako kryterium oceny neuroagentów przyjęto skumulowaną stopę zwrotu (zob. wzór 1) osiągniętą przez dany element dla okresu obejmującego dane uczące, uzyskaną w rezultacie zastosowania aktywnej strategii inwestycyjnej bazującej na sygnałach decyzyjnych rozważanego neuroagenta 7. Do badań użyto specjalnie stworzonego przez autora programu komputerowego 8 w języku C. Rezultaty badań Na rys. 3 przedstawiono proces konstrukcji systemu neuroagentowego. Zamieszczony wykres, dla kolejno powstających warstw, prezentuje uśrednione miary oceny (stopy zysku) kolejno tworzonych neuroagentów dla okresu obejmującego dane uczące oraz odpowiednie wartości stóp zysku wygenerowanych przez te elementy w okresie testowym. W celu lepszej wizualizacji procesu poszczególne punkty wykresu reprezentują uśrednione wartości oceny dla zbioru 20 kolejnych elementów. Oś pozioma reprezentuje kolejnych neuroagentów w systemie (należących do kolejno tworzonych warstw), przedział przed liczbą 2 odwzorowuje warstwę pierwszą (bazową). Z analizy procesu konstrukcji systemu na podstawie wzorców uczących (rys. 3, linia pogrubiona) wynika, że miara oceny systemu (stopa zysku) wzrasta (w drugiej warstwie gwałtownie, w kolejnych warstwach stopniowo coraz wolniej), osiągając koniec istotnego przyrostu (stabilizację) około 8 warstwy. Analogiczna miara oceny dla okresu testowego wzrasta podobnie, jednak osiąga maksimum w czwartej warstwie, później (warstwa 6) wykazując niewielki spadek 7 W procesie generowania połączeń w systemie można uwzględniać także złych neuroagentów przynoszących ekstremalne straty, jednak wtedy połączenia z takimi elementami muszą posiadać ujemne wartości wag. 8 Program ten jest realizacją podanego w niniejszym opracowaniu algorytmu konstrukcji systemu neuroagentowego.

11 Konstrukcja modeli decyzyjnych 67 (świadczący o pewnym stopniu nadmiernego dopasowania wiedzy w systemie do danych uczących), a następnie stabilizację. Fakt ten wskazywać może na przydatność stosowania niezależnej walidacji (podobnie jak dla sieci neuronowych), w celu eliminacji pojawiającego się tego niekorzystnego zjawiska (zwanego efektem przeuczenia ). Stopa zwrotu w okresie obejmującym dane uczące (w %) Okres uczący się (lewa oś) Numer warstwy systemu neuroagentowegp Okres testowy (prawa oś) Stopa zwrotu w okresie testowym (w %) Rys. 3. Miara oceny kolejno generowanych elementów systemu (skumulowana stopa zysku) otrzymana dla danych uczących i testowych Źródło: obliczenia własne na podstawie własnego programu zaimplementowanego w języku C. Najefektywniejsze neuroagenty wygenerowały w okresie obejmującym dane uczące (około 4 lat) skumulowany zysk rzędu 400%. W okresie testowym (około 2 lat) skumulowany zysk osiągnięty w wyniku realizacji aktywnej strategii decyzyjnej systemu okazał się znacznie niższy (co wynika z nieuniknionej zmienności rynków finansowych w czasie), jednak dodatni dla najlepiej (w okresie uczącym) ocenionego neuroagenta 9 zysk ten wyniósł 31,2%. Na rys. 4 zaprezentowano porównanie aktywnej strategii inwestycyjnej wygenerowanej przez system neuroagentowy (najlepiej ocenionego neuroagenta) ze strategią pasywną (tzn. stałą inwestycją w euro, bez dokonywania żadnych transakcji). Osiągnięty wynik realizacji aktywnej strategii inwestycyjnej przedstawionego systemu należy uznać za obiecujący i wskazujący na znaczące możliwości 9 Element ten generuje w tym wypadku ostateczny sygnał wyjściowy całego systemu.

12 68 praktycznego wykorzystania rozważanej metody w zagadnieniach wspomagania walutowych decyzji inwestycyjnych. 1,40 1,35 1,30 1,25 1,20 1,15 1,10 1,05 1,00 0, Strategia pasywna (euro) Strategia aktywna najlepszego neuroagenta Rys. 4. Przyrost w czasie (dla kolejnych dni z okresu testowego) wartości portfela zarządzanego przez aktywną strategię decyzyjną systemu neuroagentowego wraz z porównaniem do analogicznych zmian wartości portfela związanego z pasywną inwestycją w euro Źródło: obliczenia własne. W celach porównania analizowanej metody z klasycznymi modelami neuronowymi, przeprowadzono analogiczne badania dla tego samego problemu i tych samych danych, ale przy zastosowaniu sieci neuronowych typu perceptron (uczonych algorytmem wstecznej propagacji błędu), oraz sieci neuronowych typu RBF. Efektywność klasycznych sieci neuronowych, wyrażona jako skumulowany zysk w okresie testowym osiągnięty w wyniku realizacji decyzji inwestycyjnych generowanych przez sieć, zwykle nie przekraczała 10%, a po dokonaniu optymalizacji struktury i parametrów procesu uczenia najlepsza sieć 10 wygenerowała zysk wynoszący 16,3%. Rozważany system neuroagentowy osiągnął zatem w rozwa- 10 Sieć typu RBF posiadająca gaussowską funkcję aktywacji, z warstwą ukrytą rozbudowywaną podczas uczenia. Analiza przeprowadzona przy użyciu programu Neural Connection.

13 Konstrukcja modeli decyzyjnych 69 żanym zagadnieniu lepsze rezultaty (w sensie skumulowanogo zysku dla okresu testowego), można zatem uznać tę metodę za stosunkowo efektywną oraz konkurencyjną w stosunku do klasycznych modeli neuronowych. 4. Wnioski końcowe Analizowany w niniejszej pracy system neuroagentowy okazał się skutecznym narzędziem do wspomagania decyzji na rynkach finansowych. W analizowanym problemie wspomagania decyzji wykazał lepszą efektywność w stosunku do klasycznych sieci neuronowych, ponadto pozwala na pokonanie pewnych istotnych ograniczeń dotyczących struktury SN i metody uczenia, umożliwiając wykorzystanie właściwego kryterium celu, dla którego system został skonstruowany (np. maksymalizacji stopy zysku). Dokonana analiza wskazuje potrzebę kontynuacji badań dotyczących zaprezentowanej metody, zwłaszcza w kontekście możliwości wprowadzenia dynamicznej rekonfiguracji (lub rozbudowy) systemu w trakcie jego funkcjonowania, optymalizacji jego parametrów, a także doboru zmiennych wejściowych. Realizacja takich prac badawczych niewątpliwie może przyczynić się do poprawy efektywności metody i do bliższego zainteresowania nią praktyków (np. dealerów walutowych w bankach). Literatura Azoff E.M. [1994], Neural Network Time Series Forecasting of Financial Markets, Wiley, New York. Bauer R. [1994], Genetic Algorithms and Investment Strategies, Wiley, New York. Ferber J. [1999], Multi-Agent Systems. An Introduction to Distributed Artificial Intelligence, Addison-Wesley, Boston. Intelligent Agents: Specification, Modeling and Application [2001], eds S.T. Yuan, M. Yokoo, Springer, New York. Inteligentne systemy w zarządzaniu teoria i praktyka [2000], red. J.S. Zieliński, Wydawnictwo Naukowe PWN, Warszawa. Jain L., Chen Z., Ichalkaranje N. [2002], Intelligent Agents and Their Applications, Physica-Verlag, New York. Kisiel-Dorohinicki M., Dobrowolski G., Nawarecki E. [2003], Agent Populations as Computational Intelligence [w:] Neural Networks and Soft Computing, Physica Verlag, Heidelberg. Luck M. i in. [2001], Multi-Agent Systems and Applications, Springer, New York. Lula P. [1999], Jednokierunkowe sieci neuronowe w modelowaniu zjawisk ekonomicznych, Wydawnictwo AE w Krakowie, Kraków. Morajda J. [2000], Neural Networks as Predictive Models in Financial Futures Trading, Proc. of the 5-th Conference Neural Networks and Soft Computing, Zakopane.

14 70 Morajda J. [2002], Evolutionarily Developed Neural Networks for Investment Strategies Construction, Proc. of the 6-th Conference Neural Networks and Soft Computing, Zakopane. Neural Networks in the Capital Markets [1995], ed. A.P. Refenes, Wiley, Chichester. Decision Models Construction for Short-term Currency Investments with Application of a Neuro-agent System The article submits a concept of an evolutionary constructed system that consists of a number of single neural models and can be regarded as a neuro-agent system. Its architecture and performance is based on methodology connected with neural networks, evolutionary algorithms and multi-agent systems. Next, the system capabilities to support decisions for short-term currency investments have been presented. The research has been performed with the use of a time series of daily Euro quotations in Polish National Bank (NBP). Key words: decision model, neural networks, neuro-agent systems, financial time series, currency investments.

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne

Bardziej szczegółowo

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia

Bardziej szczegółowo

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,

Bardziej szczegółowo

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych

Bardziej szczegółowo

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu

Bardziej szczegółowo

Testowanie modeli predykcyjnych

Testowanie modeli predykcyjnych Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności

Bardziej szczegółowo

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań Raport 1/2015 Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych z zastosowaniem

Bardziej szczegółowo

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się

Bardziej szczegółowo

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania

Bardziej szczegółowo

Finanse behawioralne. Finanse 110630-1165

Finanse behawioralne. Finanse 110630-1165 behawioralne Plan wykładu klasyczne a behawioralne Kiedy są przydatne narzędzia finansów behawioralnych? Przykłady modeli finansów behawioralnych klasyczne a behawioralne klasyczne opierają się dwóch założeniach:

Bardziej szczegółowo

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change Raport 4/2015 Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych

Bardziej szczegółowo

Strategie VIP. Opis produktu. Tworzymy strategie oparte o systemy transakcyjne wyłącznie dla Ciebie. Strategia stworzona wyłącznie dla Ciebie

Strategie VIP. Opis produktu. Tworzymy strategie oparte o systemy transakcyjne wyłącznie dla Ciebie. Strategia stworzona wyłącznie dla Ciebie Tworzymy strategie oparte o systemy transakcyjne wyłącznie dla Ciebie Strategie VIP Strategia stworzona wyłącznie dla Ciebie Codziennie sygnał inwestycyjny na adres e-mail Konsultacje ze specjalistą Opis

Bardziej szczegółowo

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Adam Stawowy Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Summary: We present a meta-heuristic to combine Monte Carlo simulation with genetic algorithm for Capital

Bardziej szczegółowo

Autor: Agata Świderska

Autor: Agata Świderska Autor: Agata Świderska Optymalizacja wielokryterialna polega na znalezieniu optymalnego rozwiązania, które jest akceptowalne z punktu widzenia każdego kryterium Kryterium optymalizacyjne jest podstawowym

Bardziej szczegółowo

Analiza inwestycji i zarządzanie portfelem SPIS TREŚCI

Analiza inwestycji i zarządzanie portfelem SPIS TREŚCI Analiza inwestycji i zarządzanie portfelem Frank K. Reilly, Keith C. Brown SPIS TREŚCI TOM I Przedmowa do wydania polskiego Przedmowa do wydania amerykańskiego O autorach Ramy książki CZĘŚĆ I. INWESTYCJE

Bardziej szczegółowo

OCENA EFEKTYWNOŚCI INWESTYCJI. Jerzy T. Skrzypek

OCENA EFEKTYWNOŚCI INWESTYCJI. Jerzy T. Skrzypek OCENA EFEKTYWNOŚCI INWESTYCJI Jerzy T. Skrzypek 1 2 3 4 5 6 7 8 Analiza płynności Analiza rentowności Analiza zadłużenia Analiza sprawności działania Analiza majątku i źródeł finansowania Ocena efektywności

Bardziej szczegółowo

Inne kryteria tworzenia portfela. Inne kryteria tworzenia portfela. Poziom bezpieczeństwa. Analiza i Zarządzanie Portfelem cz. 3. Dr Katarzyna Kuziak

Inne kryteria tworzenia portfela. Inne kryteria tworzenia portfela. Poziom bezpieczeństwa. Analiza i Zarządzanie Portfelem cz. 3. Dr Katarzyna Kuziak Inne kryteria tworzenia portfela Analiza i Zarządzanie Portfelem cz. 3 Dr Katarzyna Kuziak. Minimalizacja ryzyka przy zadanym dochodzie Portfel efektywny w rozumieniu Markowitza odchylenie standardowe

Bardziej szczegółowo

Inwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko.

Inwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko. Inwestycje finansowe Wycena obligacji. Stopa zwrotu z akcji. yzyko. Inwestycje finansowe Instrumenty rynku pieniężnego (np. bony skarbowe). Instrumenty rynku walutowego. Obligacje. Akcje. Instrumenty pochodne.

Bardziej szczegółowo

Analiza wpływu długości trwania strategii na proces optymalizacji parametrów dla strategii inwestycyjnych w handlu event-driven

Analiza wpływu długości trwania strategii na proces optymalizacji parametrów dla strategii inwestycyjnych w handlu event-driven Raport 8/2015 Analiza wpływu długości trwania strategii na proces optymalizacji parametrów dla strategii inwestycyjnych w handlu event-driven autor: Michał Osmoła INIME Instytut nauk informatycznych i

Bardziej szczegółowo

Prezentacja aplikacji

Prezentacja aplikacji Prezentacja aplikacji Kto tworzy Navigatora? Doświadczeni doradcy inwestycyjni i analitycy od 8 lat oceniający rynki funduszy inwestycyjnych w Polsce i na świecie, Niezależna finansowo i kapitałowo firma,

Bardziej szczegółowo

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w

Bardziej szczegółowo

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex. Projekt współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Społecznego w ramach projektu Wiedza Techniczna Wzmocnienie znaczenia Politechniki Krakowskiej w kształceniu przedmiotów

Bardziej szczegółowo

Zarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński

Zarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński Zarządzanie ryzykiem Opracował: Dr inŝ. Tomasz Zieliński I. OGÓLNE INFORMACJE O PRZEDMIOCIE Cel przedmiotu: Celem przedmiotu jest zaprezentowanie studentom podstawowych pojęć z zakresu ryzyka w działalności

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

MATLAB Neural Network Toolbox przegląd MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

Algorytmy sztucznej inteligencji Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia

Bardziej szczegółowo

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)

Bardziej szczegółowo

Sieci neuronowe - dokumentacja projektu

Sieci neuronowe - dokumentacja projektu Sieci neuronowe - dokumentacja projektu Predykcja finansowa, modelowanie wskaźnika kursu spółki KGHM. Piotr Jakubas Artur Kosztyła Marcin Krzych Kraków 2009 1. Sieci neuronowe - dokumentacja projektu...

Bardziej szczegółowo

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 50 2012 ANALIZA WŁASNOŚCI OPCJI SUPERSHARE

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 50 2012 ANALIZA WŁASNOŚCI OPCJI SUPERSHARE ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 5 212 EWA DZIAWGO ANALIZA WŁASNOŚCI OPCJI SUPERSHARE Wprowadzenie Proces globalizacji rynków finansowych stwarza

Bardziej szczegółowo

Poziom przedmiotu: II stopnia. Liczba godzin/tydzień: 2W E, 2L PRZEWODNIK PO PRZEDMIOCIE

Poziom przedmiotu: II stopnia. Liczba godzin/tydzień: 2W E, 2L PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z podstawowymi metodami i technikami analizy finansowej na podstawie nowoczesnych instrumentów finansowych

Bardziej szczegółowo

Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji

Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody

Bardziej szczegółowo

Gospodarcze zastosowania algorytmów genetycznych

Gospodarcze zastosowania algorytmów genetycznych Marta Woźniak Gospodarcze zastosowania algorytmów genetycznych 1. Wstęp Ekonometria jako nauka zajmująca się ustalaniem za pomocą metod statystycznych ilościowych prawidłowości zachodzących w życiu gospodarczym

Bardziej szczegółowo

Dynamiczne metody oceny opłacalności inwestycji tonażowych

Dynamiczne metody oceny opłacalności inwestycji tonażowych Dynamiczne metody oceny opłacalności inwestycji tonażowych Dynamiczne formuły oceny opłacalności inwestycji tonażowych są oparte na założeniu zmiennej (malejącej z upływem czasu) wartości pieniądza. Im

Bardziej szczegółowo

OBLICZANIE WYMOGU KAPITAŁOWEGO Z TYTUŁU RYZYKA CEN KAPITAŁOWYCH PAPIERÓW WARTOŚCIOWYCH

OBLICZANIE WYMOGU KAPITAŁOWEGO Z TYTUŁU RYZYKA CEN KAPITAŁOWYCH PAPIERÓW WARTOŚCIOWYCH DZIENNIK URZĘDOWY NBP NR 2-83 - poz. 3 Załącznik nr 8 do uchwały nr 1/2007 Komisji Nadzoru Bankowego z dnia 13 marca 2007 r. (poz. 3) OBLICZANIE WYMOGU KAPITAŁOWEGO Z TYTUŁU RYZYKA CEN KAPITAŁOWYCH PAPIERÓW

Bardziej szczegółowo

INSTRUMENTY ZARZĄDZANIA RYZYKIEM NOTOWANE NA WARSZAWSKIEJ GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH. Streszczenie

INSTRUMENTY ZARZĄDZANIA RYZYKIEM NOTOWANE NA WARSZAWSKIEJ GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH. Streszczenie Karol Klimczak Studenckie Koło Naukowe Stosunków Międzynarodowych TIAL przy Katedrze Stosunków Międzynarodowych Wydziału Ekonomiczno-Socjologicznego Uniwersytetu Łódzkiego INSTRUMENTY ZARZĄDZANIA RYZYKIEM

Bardziej szczegółowo

Projektowanie systemu krok po kroku

Projektowanie systemu krok po kroku Rozdział jedenast y Projektowanie systemu krok po kroku Projektowanie systemu transakcyjnego jest ciągłym szeregiem wzajemnie powiązanych decyzji, z których każda oferuje pewien zysk i pewien koszt. Twórca

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Inżynieria Rolnicza 1(99)/2008 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Marta Kiljańska, Marek Klimkiewicz Katedra Organizacji i Inżynierii

Bardziej szczegółowo

Kondycja ekonomiczna drzewnych spółek giełdowych na tle innych branż

Kondycja ekonomiczna drzewnych spółek giełdowych na tle innych branż Annals of Warsaw Agricultural University SGGW Forestry and Wood Technology No 56, 25: Kondycja ekonomiczna drzewnych spółek giełdowych na tle innych branż SEBASTIAN SZYMAŃSKI Abstract: Kondycja ekonomiczna

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

Sposoby prezentacji problemów w statystyce

Sposoby prezentacji problemów w statystyce S t r o n a 1 Dr Anna Rybak Instytut Informatyki Uniwersytet w Białymstoku Sposoby prezentacji problemów w statystyce Wprowadzenie W artykule zostaną zaprezentowane podstawowe zagadnienia z zakresu statystyki

Bardziej szczegółowo

ZASADY WYCENY AKTYWÓW FUNDUSZU WPROWADZONE ZE WZGLĘDU NA ZMIANĘ NORM PRAWNYCH. Wycena aktywów Funduszu, ustalenie zobowiązań i wyniku z operacji

ZASADY WYCENY AKTYWÓW FUNDUSZU WPROWADZONE ZE WZGLĘDU NA ZMIANĘ NORM PRAWNYCH. Wycena aktywów Funduszu, ustalenie zobowiązań i wyniku z operacji ZASADY WYCENY AKTYWÓW FUNDUSZU WPROWADZONE ZE WZGLĘDU NA ZMIANĘ NORM PRAWNYCH Wycena aktywów Funduszu, ustalenie zobowiązań i wyniku z operacji 1. Wycena Aktywów Funduszu oraz ustalenie Wartości Aktywów

Bardziej szczegółowo

6. Klasyczny algorytm genetyczny. 1

6. Klasyczny algorytm genetyczny. 1 6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu

Bardziej szczegółowo

WSTĘP ZAŁOŻENIA DO PROJEKTU

WSTĘP ZAŁOŻENIA DO PROJEKTU UNIWERSYTET ZIELONOGÓRSKI WYDZIAŁ ZARZĄDZANIA Przykład analizy opłacalności przedsięwzięcia inwestycyjnego WSTĘP Teoria i praktyka wypracowały wiele metod oceny efektywności przedsięwzięć inwestycyjnych.

Bardziej szczegółowo

System transakcyjny oparty na średnich ruchomych. ś h = + + + + gdzie, C cena danego okresu, n liczba okresów uwzględnianych przy kalkulacji.

System transakcyjny oparty na średnich ruchomych. ś h = + + + + gdzie, C cena danego okresu, n liczba okresów uwzględnianych przy kalkulacji. Średnie ruchome Do jednych z najbardziej znanych oraz powszechnie wykorzystywanych wskaźników analizy technicznej, umożliwiających analizę trendu zaliczyć należy średnie ruchome (ang. moving averages).

Bardziej szczegółowo

EV/EBITDA. Dług netto = Zobowiązania oprocentowane (Środki pieniężne + Ekwiwalenty)

EV/EBITDA. Dług netto = Zobowiązania oprocentowane (Środki pieniężne + Ekwiwalenty) EV/EBITDA EV/EBITDA jest wskaźnikiem porównawczym stosowanym przez wielu analityków, w celu znalezienia odpowiedniej spółki pod kątem potencjalnej inwestycji długoterminowej. Jest on trudniejszy do obliczenia

Bardziej szczegółowo

OGŁOSZENIE O ZMIANIE STATUTU UNIOBLIGACJE HIGH YIELD FUNDUSZU INWESTYCYJNEGO ZAMKNIĘTEGO Z DNIA 23 CZERWCA 2016 R.

OGŁOSZENIE O ZMIANIE STATUTU UNIOBLIGACJE HIGH YIELD FUNDUSZU INWESTYCYJNEGO ZAMKNIĘTEGO Z DNIA 23 CZERWCA 2016 R. OGŁOSZENIE O ZMIANIE STATUTU UNIOBLIGACJE HIGH YIELD FUNDUSZU INWESTYCYJNEGO ZAMKNIĘTEGO Z DNIA 23 CZERWCA 2016 R. Niniejszym, Union Investment Towarzystwo Funduszy Inwestycyjnych S.A. ogłasza o zmianie

Bardziej szczegółowo

WYKORZYSTANIE WYBRANYCH MODELI ANALIZY FINANSOWEJ DLA OCENY MOŻLIWOŚCI AKTYWIZOWANIA SIĘ ORGANIZACJI POZARZĄDOWYCH W SEKTORZE TRANSPORTU

WYKORZYSTANIE WYBRANYCH MODELI ANALIZY FINANSOWEJ DLA OCENY MOŻLIWOŚCI AKTYWIZOWANIA SIĘ ORGANIZACJI POZARZĄDOWYCH W SEKTORZE TRANSPORTU Mirosław rajewski Uniwersytet Gdański WYORZYSTANIE WYBRANYCH MODELI ANALIZY FINANSOWEJ DLA OCENY MOŻLIWOŚCI ATYWIZOWANIA SIĘ ORGANIZACJI POZARZĄDOWYCH W SETORZE TRANSPORTU Wprowadzenie Problemy związane

Bardziej szczegółowo

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu. SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu

Bardziej szczegółowo

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi

Bardziej szczegółowo

Zmienność. Co z niej wynika?

Zmienność. Co z niej wynika? Zmienność. Co z niej wynika? Dla inwestora bardzo ważnym aspektem systemu inwestycyjnego jest moment wejścia na rynek (moment dokonania transakcji) oraz moment wyjścia z rynku (moment zamknięcia pozycji).

Bardziej szczegółowo

Test wskaźnika C/Z (P/E)

Test wskaźnika C/Z (P/E) % Test wskaźnika C/Z (P/E) W poprzednim materiale przedstawiliśmy Państwu teoretyczny zarys informacji dotyczący wskaźnika Cena/Zysk. W tym artykule zwrócimy uwagę na praktyczne zastosowania tego wskaźnika,

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą

Bardziej szczegółowo

Definicje. Algorytm to:

Definicje. Algorytm to: Algorytmy Definicje Algorytm to: skończony ciąg operacji na obiektach, ze ściśle ustalonym porządkiem wykonania, dający możliwość realizacji zadania określonej klasy pewien ciąg czynności, który prowadzi

Bardziej szczegółowo

Analiza praktyk zarządczych i ich efektów w zakładach opieki zdrowotnej Województwa Opolskiego ROK 2008 STRESZCZENIE.

Analiza praktyk zarządczych i ich efektów w zakładach opieki zdrowotnej Województwa Opolskiego ROK 2008 STRESZCZENIE. Analiza praktyk zarządczych i ich efektów w zakładach opieki zdrowotnej Województwa Opolskiego ROK 2008 STRESZCZENIE Marcin Kautsch Opracowanie dla Urzędu Marszałkowskiego Województwa Opolskiego Kraków,

Bardziej szczegółowo

KARTA MODUŁU KSZTAŁCENIA

KARTA MODUŁU KSZTAŁCENIA KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia

Bardziej szczegółowo

Systemy transakcyjne

Systemy transakcyjne Inteligentne modele ekonometryczne generują sygnały inwestycyjne Systemy transakcyjne Sygnały inwestycyjne na EUR/USD i FW20 każdego dnia Szybka selekcja najskuteczniejszych strategii Porównanie skuteczności

Bardziej szczegółowo

Etapy modelowania ekonometrycznego

Etapy modelowania ekonometrycznego Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,

Bardziej szczegółowo

Wspomaganie Zarządzania Przedsiębiorstwem Laboratorium 02

Wspomaganie Zarządzania Przedsiębiorstwem Laboratorium 02 Optymalizacja całkowitoliczbowa Przykład. Wspomaganie Zarządzania Przedsiębiorstwem Laboratorium 02 Firma stolarska produkuje dwa rodzaje stołów Modern i Classic, cieszących się na rynku dużym zainteresowaniem,

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Launch. przygotowanie i wprowadzanie nowych produktów na rynek

Launch. przygotowanie i wprowadzanie nowych produktów na rynek Z przyjemnością odpowiemy na wszystkie pytania. Prosimy o kontakt: e-mail: kontakt@mr-db.pl tel. +48 606 356 999 www.mr-db.pl MRDB Szkolenie otwarte: Launch przygotowanie i wprowadzanie nowych produktów

Bardziej szczegółowo

Event-driven trading. Reaktywność rynku i potencjał inwestycyjny zjawiska

Event-driven trading. Reaktywność rynku i potencjał inwestycyjny zjawiska Working paper 1/2014 Event-driven trading. Reaktywność rynku i potencjał inwestycyjny zjawiska autorzy: Dawid Tarłowski Patryk Pagacz Sławomir Śmiarowski INIME Instytut nauk informatycznych i matematycznych

Bardziej szczegółowo

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO STATYSTYCZNA ANALIZA ZMIAN LICZBY HOTELI W POLSCE W LATACH 1995-2004

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO STATYSTYCZNA ANALIZA ZMIAN LICZBY HOTELI W POLSCE W LATACH 1995-2004 ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 429 EKONOMICZNE PROBLEMY TURYSTYKI NR 7 2006 RAFAŁ CZYŻYCKI, MARCIN HUNDERT, RAFAŁ KLÓSKA STATYSTYCZNA ANALIZA ZMIAN LICZBY HOTELI W POLSCE W LATACH 1995-2004

Bardziej szczegółowo

Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli?

Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli? Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli? : Proces zmieniania wartości w komórkach w celu sprawdzenia, jak

Bardziej szczegółowo

OGŁOSZENIE Z DNIA 23 GRUDNIA 2015 r. O ZMIANIE STATUTU UNIFUNDUSZE SPECJALISTYCZNEGO FUNDUSZU INWESTYCYJNEGO OTWARTEGO

OGŁOSZENIE Z DNIA 23 GRUDNIA 2015 r. O ZMIANIE STATUTU UNIFUNDUSZE SPECJALISTYCZNEGO FUNDUSZU INWESTYCYJNEGO OTWARTEGO OGŁOSZENIE Z DNIA 23 GRUDNIA 2015 r. O ZMIANIE STATUTU UNIFUNDUSZE SPECJALISTYCZNEGO FUNDUSZU INWESTYCYJNEGO OTWARTEGO Niniejszym, Union Investment Towarzystwo Funduszy Inwestycyjnych S.A. ogłasza o zmianie

Bardziej szczegółowo

Wycena opcji. Dr inż. Bożena Mielczarek

Wycena opcji. Dr inż. Bożena Mielczarek Wycena opcji Dr inż. Bożena Mielczarek Stock Price Wahania ceny akcji Cena jednostki podlega niewielkim wahaniom dziennym (miesięcznym) wykazując jednak stały trend wznoszący. Cena może się doraźnie obniżać,

Bardziej szczegółowo

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej,

Bardziej szczegółowo

Testy popularnych wskaźników - RSI

Testy popularnych wskaźników - RSI Testy popularnych wskaźników - RSI Wskaźniki analizy technicznej generują wskazania kupna albo sprzedaży pomagając przy tym inwestorom podjąć odpowiednie decyzje. Chociaż przeważnie patrzy się na co najmniej

Bardziej szczegółowo

MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH

MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH 1. Przedmiot nie wymaga przedmiotów poprzedzających 2. Treść przedmiotu Proces i cykl decyzyjny. Rola modelowania matematycznego w procesach decyzyjnych.

Bardziej szczegółowo

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Seminarium magisterskie Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Plan wystąpienia Ogólnie o sztucznych sieciach neuronowych Temat pracy magisterskiej

Bardziej szczegółowo

Inteligentne Multimedialne Systemy Uczące

Inteligentne Multimedialne Systemy Uczące Działanie realizowane w ramach projektu Absolwent informatyki lub matematyki specjalistą na rynku pracy Matematyka i informatyka może i trudne, ale nie nudne Inteligentne Multimedialne Systemy Uczące dr

Bardziej szczegółowo

Spis treści: Wstęp. ROZDZIAŁ 1. Istota i funkcje systemu finansowego Adam Dmowski

Spis treści: Wstęp. ROZDZIAŁ 1. Istota i funkcje systemu finansowego Adam Dmowski Rynki finansowe., Książka stanowi kontynuację rozważań nad problematyką zawartą we wcześniejszych publikacjach autorów: Podstawy finansów i bankowości oraz Finanse i bankowość wydanych odpowiednio w 2005

Bardziej szczegółowo

M. Dąbrowska. K. Grabowska. Wroclaw University of Economics

M. Dąbrowska. K. Grabowska. Wroclaw University of Economics M. Dąbrowska K. Grabowska Wroclaw University of Economics Zarządzanie wartością przedsiębiorstwa na przykładzie przedsiębiorstw z branży produkującej napoje JEL Classification: A 10 Słowa kluczowe: Zarządzanie

Bardziej szczegółowo

System transakcyjny oparty na wskaźnikach technicznych

System transakcyjny oparty na wskaźnikach technicznych Druga połowa ubiegłego stulecia upłynęła pod znakiem dynamicznego rozwoju rynków finansowych oraz postępującej informatyzacji społeczeństwa w skali globalnej. W tym okresie, znacząco wrosła liczba narzędzi

Bardziej szczegółowo

Controlling operacyjny i strategiczny

Controlling operacyjny i strategiczny Controlling operacyjny i strategiczny dr Piotr Modzelewski Katedra Bankowości, Finansów i Rachunkowości Wydziału Nauk Ekonomicznych Uniwersytetu Warszawskiego Plan zajęć 1, 2. Wprowadzenie do zagadnień

Bardziej szczegółowo

Forward Rate Agreement

Forward Rate Agreement Forward Rate Agreement Nowoczesne rynki finansowe oferują wiele instrumentów pochodnych. Należą do nich: opcje i warranty, kontrakty futures i forward, kontrakty FRA (Forward Rate Agreement) oraz swapy.

Bardziej szczegółowo

K.Pieńkosz Badania Operacyjne Wprowadzenie 1. Badania Operacyjne. dr inż. Krzysztof Pieńkosz

K.Pieńkosz Badania Operacyjne Wprowadzenie 1. Badania Operacyjne. dr inż. Krzysztof Pieńkosz K.Pieńkosz Wprowadzenie 1 dr inż. Krzysztof Pieńkosz Instytut Automatyki i Informatyki Stosowanej Politechniki Warszawskiej pok. 560 A tel.: 234-78-64 e-mail: K.Pienkosz@ia.pw.edu.pl K.Pieńkosz Wprowadzenie

Bardziej szczegółowo

Analiza korespondencji

Analiza korespondencji Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy

Bardziej szczegółowo

ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII

ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII Scientific Bulletin of Che lm Section of Mathematics and Computer Science No. 1/2008 ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII WACŁAW FRYDRYCHOWICZ, KATARZYNA

Bardziej szczegółowo

Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie

Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie dr hab. Grzegorz Bartoszewicz, prof. nadzw. UEP Katedra Informatyki Ekonomicznej Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie Tematyka seminarium związana jest z wykorzystaniem

Bardziej szczegółowo

PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY

PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY Joanna Chrabołowska Joanicjusz Nazarko PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY NA PRZYKŁADZIE PRZEDSIĘBIORSTWA HANDLOWEGO TYPU CASH & CARRY Wprowadzenie Wśród wielu prognoz szczególną rolę w zarządzaniu

Bardziej szczegółowo

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega

Bardziej szczegółowo

Podstawy inwestowania na rynku Forex, rynku towarowym oraz kontraktów CFD

Podstawy inwestowania na rynku Forex, rynku towarowym oraz kontraktów CFD Podstawy inwestowania na rynku Forex, rynku towarowym oraz Poradnik Inwestora Numer 1 Admiral Markets Sp. z o.o. ul. Aleje Jerozolimskie 133 lok.34 02-304 Warszawa e-mail: Info@admiralmarkets.pl Tel. +48

Bardziej szczegółowo

INWESTYCJE ALTERNATYWNE NA POLSKIM RYNKU KAPITAŁOWYM

INWESTYCJE ALTERNATYWNE NA POLSKIM RYNKU KAPITAŁOWYM Monika Hadaś-Dyduch Uniwersytet Ekonomiczny w Katowicach INWESTYCJE ALTERNATYWNE NA POLSKIM RYNKU KAPITAŁOWYM 1. Inwestycje alternatywne Inwestycje alternatywne to inwestycje, których pozytywny wynik nie

Bardziej szczegółowo

Streszczenie pracy doktorskiej Autor: mgr Wojciech Wojaczek Tytuł: Czynniki poznawcze a kryteria oceny przedsiębiorczych szans Wstęp W ciągu

Streszczenie pracy doktorskiej Autor: mgr Wojciech Wojaczek Tytuł: Czynniki poznawcze a kryteria oceny przedsiębiorczych szans Wstęp W ciągu Streszczenie pracy doktorskiej Autor: mgr Wojciech Wojaczek Tytuł: Czynniki poznawcze a kryteria oceny przedsiębiorczych szans Wstęp W ciągu ostatnich kilku dekad diametralnie zmienił się charakter prowadzonej

Bardziej szczegółowo

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Kamil Figura Krzysztof Kaliński Bartek Kutera METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Porównanie metod uczenia z rodziny TD z algorytmem Layered Learning na przykładzie gry w warcaby i gry w anty-warcaby

Bardziej szczegółowo

NOTY OBJAŚNIAJĄCE NOTA NR 1 POLITYKA RACHUNKOWOŚCI FUNDUSZU

NOTY OBJAŚNIAJĄCE NOTA NR 1 POLITYKA RACHUNKOWOŚCI FUNDUSZU NOTY OBJAŚNIAJĄCE NOTA NR 1 POLITYKA RACHUNKOWOŚCI FUNDUSZU 1. Opis przyjętych zasad rachunkowości W okresie sprawozdawczym rachunkowość Funduszu prowadzona była zgodnie z przepisami ustawy o rachunkowości

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE TRANSPORTOWE ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Metody niedyskontowe. Metody dyskontowe

Metody niedyskontowe. Metody dyskontowe Metody oceny projektów inwestycyjnych TEORIA DECYZJE DŁUGOOKRESOWE Budżetowanie kapitałów to proces, który ma za zadanie określenie potrzeb inwestycyjnych przedsiębiorstwa. Jest to proces identyfikacji

Bardziej szczegółowo

Załącznik nr 1WZORCOWE EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW PEDAGOGIKA STUDIA PIERWSZEGO STOPNIA PROFIL OGÓLNOAKADEMICKI

Załącznik nr 1WZORCOWE EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW PEDAGOGIKA STUDIA PIERWSZEGO STOPNIA PROFIL OGÓLNOAKADEMICKI Dz.U. z 2013 poz. 1273 Brzmienie od 31 października 2013 Załącznik nr 1WZORCOWE EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW PEDAGOGIKA STUDIA PIERWSZEGO STOPNIA PROFIL OGÓLNOAKADEMICKI Umiejscowienie kierunku

Bardziej szczegółowo

METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH

METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH PREZENTACJA SEPCJALNOŚCI: METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH WYDZIAŁ INFORMATYKI I KOMUNIKACJI KIERUNEK INFORMATYKA I EKONOMETRIA SEKRETARIAT KATEDRY BADAŃ OPERACYJNYCH Budynek D, pok. 621 e-mail

Bardziej szczegółowo

SUPERMAKLER FX INSTRUKCJA OBSŁUGI TERMINALA TRANSAKCYJNEGO

SUPERMAKLER FX INSTRUKCJA OBSŁUGI TERMINALA TRANSAKCYJNEGO SUPERMAKLER FX INSTRUKCJA OBSŁUGI TERMINALA TRANSAKCYJNEGO 1. Menu główne... 2 1.1 Logo... 2 1.2 Dane rachunku... 2 1.3 Filtry... 2 1.4 Menu... 2 1.5 Ustawienia... 3 1.6 Pomoc... 6 1.7 Wyloguj... 6 2.

Bardziej szczegółowo

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74 3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15

Bardziej szczegółowo

PORÓWNANIE PODEJŚCIA APROKSYMUJĄCEGO I KLASYFIKUJĄCEGO W PROGNOZOWANIU KURSÓW WYBRANYCH AKCJI NA GPW W WARSZAWIE S.A

PORÓWNANIE PODEJŚCIA APROKSYMUJĄCEGO I KLASYFIKUJĄCEGO W PROGNOZOWANIU KURSÓW WYBRANYCH AKCJI NA GPW W WARSZAWIE S.A Anna Kasznia Uniwersytet Ekonomiczny w Katowicach PORÓWNANIE PODEJŚCIA APROKSYMUJĄCEGO I KLASYFIKUJĄCEGO W PROGNOZOWANIU KURSÓW WYBRANYCH AKCJI NA GPW W WARSZAWIE S.A. Z UŻYCIEM JEDNOKIERUNKOWYCH SIECI

Bardziej szczegółowo

MATRYCA EFEKTÓW KSZTAŁCENIA

MATRYCA EFEKTÓW KSZTAŁCENIA ZAŁĄCZNIK NR 2 MATRYCA EFEKTÓW KSZTAŁCENIA Studia podyplomowe ZARZĄDZANIE FINANSAMI I MARKETING Przedmioty OPIS EFEKTÓW KSZTAŁCENIA Absolwent studiów podyplomowych - ZARZĄDZANIE FINANSAMI I MARKETING:

Bardziej szczegółowo

ANALIZA OPCJI ANALIZA OPCJI - WYCENA. Krzysztof Jajuga Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Uniwersytet Ekonomiczny we Wrocławiu

ANALIZA OPCJI ANALIZA OPCJI - WYCENA. Krzysztof Jajuga Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Uniwersytet Ekonomiczny we Wrocławiu Krzysztof Jajuga Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Uniwersytet Ekonomiczny we Wrocławiu Podstawowe pojęcia Opcja: in-the-money (ITM call: wartość instrumentu podstawowego > cena wykonania

Bardziej szczegółowo

Zarządzanie Kapitałem

Zarządzanie Kapitałem Zarządzanie kapitałem kluczem do sukcesu W trakcie prac nad tworzeniem profesjonalnego systemu transakcyjnego niezbędne jest, aby uwzględnić w nim odpowiedni model zarządzania kapitałem (ang. money management).

Bardziej szczegółowo

PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA. CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe

PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA. CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe 1. Cele i przydatność ujęcia modelowego w ekonomii 2.

Bardziej szczegółowo

NOTY OBJAŚNIAJĄCE NOTA NR 1 POLITYKA RACHUNKOWOŚCI FUNDUSZU

NOTY OBJAŚNIAJĄCE NOTA NR 1 POLITYKA RACHUNKOWOŚCI FUNDUSZU NOTY OBJAŚNIAJĄCE NOTA NR 1 POLITYKA RACHUNKOWOŚCI FUNDUSZU 1. Opis przyjętych zasad rachunkowości W okresie sprawozdawczym rachunkowość Funduszu prowadzona była zgodnie z przepisami ustawy o rachunkowości

Bardziej szczegółowo