Wzorce w finansowych szeregach czasowych i ich znaczenie predykcyjne

Wielkość: px
Rozpocząć pokaz od strony:

Download "Wzorce w finansowych szeregach czasowych i ich znaczenie predykcyjne"

Transkrypt

1 Wojciech NOWICKI, Kamil GRZEGORZEWICZ, Antoni WILIŃSKI Katedra Systemów Mulitmedialnych, Zachodniopomorski Uniwersytet Technologiczny Wzorce w finansowych szeregach czasowych i ich znaczenie predykcyjne 1. Wprowadzenie Notowania rynków finansowych, takich jak giełdy papierów wartościowych, rynki walutowe, towarowe czy indeksów giełdowych, zaleŝne są od wielu czynników. Czynnikiem wpływającym w róŝnym stopniu na notowania moŝe być praktycznie kaŝde zdarzenie, jednymi z najbardziej wpływowych czynników są: polityka zarówno wewnętrzna jak i międzynarodowa, klęski Ŝywiołowe, sami gracze nadmiernie reagujący na duŝe spadki lub wzrosty [4, 5, 12, 13]. Doświadczeni maklerzy potrafią na podstawie obserwacji aktualnej sytuacji na świecie prognozować zachowania tych rynków. Jednak jest to dość stresujące zajęcie wymagające duŝej uwagi i często nie prowadzące do sukcesu. W tym artykule przedstawia się metodę pozwalającą na przewidywanie zmian na obserwowanym rynku. Wszystkie wydarzenia na świecie wpływają na graczy giełdowych, ci natomiast tym samym wpływają na notowania. Prawdopodobne jest, Ŝe zbliŝone okoliczności będą powodowały określone zachowania kursów. Opisywana tutaj metoda szuka pewnych analogii w reakcjach giełdowych, skupiając się tylko na przebiegu samych notowań, nie rozwaŝając czynników je powodujących. Obserwując pewną liczbę kroków w wstecz, stara się przewidzieć kilka kroków wprzód. Celem artykułu jest wstępne rozpoznanie moŝliwości wykonania prognozy zmian w szeregach czasowych poprzez uŝycie wzorców znalezionych w tym szeregu. Metoda zaliczana jest do tak zwanych metod nieparametrycznych [3, 4, 6, 15], opartych na rozpoznawaniu wzorców i w odróŝnieniu od wielu metod opartych na ekstrakcji pewnych parametrów z wybranych przedziałów tych szeregów. Do metod przewidujących na podstawie parametrów (rozumianych jednak odmiennie od parametrów rozkładu w metodach statystycznnych) nalezą powszechnie uŝywane modele ARMA, GARCH[3], GMDH [1, 4, 15], indykatory np. MACD, Wiliamsa, Lane, RSI i setki innych [4, 9, 13]. Metody parametryczne polegają najczęściej na ustaleniu związku statystycznego pomiędzy wartościami obserwowanego parametru (lub parametrów czy współczynników równania regresyjnego) a prognozą zmiennej objaśnianej najczęściej instrumentem finansowym. Są to więc klasyczne metody ekonometryczne, których celem jest jak najlepszy opis rzeczywistości a celem otrzymanie prognozy, moŝliwie o jak najdłuŝszym horyzoncie czasowym. W odróŝnieniu od metod parametrycznych, metody nieparametryczne nie prowadzą do budowy modeli ekonometrycznych. Metody te bliŝsze są idei strategii growych (opartych na teorii gier), a tym samym bardziej odpowiednich dla strategii inwestycji częstotliwych, polegających na częstym otwieraniu i zamykaniu pozycji. Jest to styl inwestowania zwany scalpingiem, zyskujący ostatnio coraz większa popularność. Staje się, on często jedynym pomysłem na poszukiwanie zysków na internetowych platfor- 147

2 mach brokerskich dla milionów drobnych spekulantów. JeŜeli takie techniki gry wzbogacić teorią metod nieparametrycznych, to mogą się one okazać niezwykle efektywne. Są one teŝ wdzięcznym materiałem wyjściowym do opracowywania nowych metod handlu automatycznego, wymagających często ogromnej sprawności percepcyjnej (reakcji na obserwowane zdarzenie sygnał) czy teŝ ogromnej mocy obliczeniowej. Algorytmy takie realizowane w trybie bezpośrednim, w czasie rzeczywistym pozostają poza zasięgiem moŝliwości wykonawczych człowieka, w sensie zdolności do percepcyjnej oceny wzorca i zdolności do zareagowania w odpowiednio krótkim (mierzonym w sekundach) czasie. Rozpatrywana tu metoda poszukiwania skutecznych wzorców w walutowych szeregach czasowych spełnia wszystkie wyŝej wymienione oczekiwania i jest bliŝsza problematyce klasyfikacji czy klasteryzacji niŝ modelowi parametrycznemu. Oczywiście w metodzie dopuszcza się moŝliwość inwestowania w obu kierunkach zmian obserwowanego instrumentu bazowego zarówno w przypadku przewidywanych wzrostów jak i spadków. Walutowy szereg czasowy jest przedstawiany najczęściej w formie świecy OHLC (wektora czterech wartości Open, High, Low i Close podawanych dla wybranego przedziału czasowego, dla którego oznaczają one kolejno wartość na początku przedziału, wartość największą, najmniejszą i wartość na końcu przedziału). Przedział to pewien wybrany okres t. Okres ten jest umownie standaryzowany i wynosi np. 1 min, 10 min, 15 min, 1 h, 4 h, 1 dobę, 1 tydzień i więcej. W związku z tak róŝnym okresem próbkowania rzeczywistego (w uproszczeniu ciągłego) szeregu uzyskuje się róŝne szeregi czasowe, które mogą róŝnić się pomiędzy sobą pod względem cech statystycznych i swojej przydatności predykcyjnej. W niniejszej pracy, dla uproszczenia rozpatruje się tylko jedną wybraną wartość świecy (np. Close wartość zamknięcia, mierzoną co wybrany okres). W ten sposób przez rozpatrywany tu wzorzec w szeregu czasowym będzie rozumiało się taki jego fragment P i k ={y i, y i+1,... y i+k }, gdzie i oznacza numer wiersza (pomiaru), od którego licząc k wierszy wprzód umieszczony jest rozpatrywany wzorzec. k - to wielkość wzorca (okno) liczone liczbą okresów od chwili bieŝącej wprzód. Przykład wzorca przedstawiony jest na rys. 1. Rys. 1. Przykład wzorca o długości k w szeregu czasowym Fig. 1. Pattern of length k in discrete time 148

3 To pierwszy z wzorców w długim szeregu czasowym rozpoczynający się od pierwszego pomiaru i kończący się na (1+k)-tym (tu k = 7). Zgodnie z przyjętym oznaczeniem będzie to wzorzec P 7 1. Następny rozpoczynający się od drugiego pomiaru będzie oznaczony P 7 2 itd. aŝ do P 7 N-k+1, gdzie N liczba wierszy macierzy danych (liczba obserwacji szeregu czasowego). Na rys. 1 zaznaczona jest część ucząca i część predykcyjna wzorca. Podstawowa koncepcja predykcji polega na postawieniu tezy, Ŝe jeŝeli w przyszłości w wyniku bieŝącej obserwacji zmian w szeregu czasowym wystąpi sekwencja zmian ceny podobna do sekwencji w części uczącej, to prawdopodobnie tuŝ za nią zdarzy się ciąg zmian podobnych do tych w części predykcyjnej. MoŜliwe więc stanie się postawienie prognozy. Wszystkie te wzorce po uwzględnieniu pewnego korytarza tolerancji y, zwane będą bazowymi. Będą to te wzorce, od których rozpocznie się poszukiwanie wzorców podobnych. Wzorcem podobnym do pewnego wzorca bazowego P k k i będzie nazywany wzorzec P j dla którego, P k P k max y, (1) j {1,2,..., N k+ 1} j i gdzie P j k - P i k jest wektorem bezwzględnych wartości róŝnic pomiędzy odpowiednimi wyrazami wektorów P j k i P i k. O wszystkich wzorcach P j k podobnych do P i k będzie się mówiło, Ŝe tworzą zbiór zwany i-klasą wzorców. Przykład wzorca bazowego y oraz dwóch wzorców podobnych y 1 i y 2 spełniających warunek ulokowania w korytarzu przedstawia rys. 2. Rys. 2. Przykład wzorca bazowego i dwóch wzorców do niego podobnych mieszczących się w korytarzu tolerancji Fig. 2. Example of base pattern and two other similar patterns to him which fit in tolerance path 149

4 W pracy rozpatrywano takŝe inny sposób tworzenia klas. Mianowicie do i-tej klasy były zaliczane te P k j, które warunek (1) spełniały dla innych wartości indeksów j. j { i+ 1, i+ 2,..., N k+ 1} (2) RóŜnica pomiędzy obydwoma sposobami klasyfikacji polega na tym, Ŝe w sposobie (1) kaŝdemu wzorcowi bazowemu moŝna przypisać kaŝdy wzorzec podobny, a w sposobie (2) tylko te wzorce podobne, które jeszcze nie były przypisane do Ŝadnej klasy. Oczywiście trudno z góry przewidzieć, który ze sposobów będzie skuteczniejszy, moŝna jednak ocenić róŝnice w liczebnościach klas. JeŜeli klasyfikacja będzie przeprowadzona zgodnie z (2), to kaŝdy rozpatrywany wzorzec moŝe kandydować wyłącznie do jednej klasy. Suma liczności l i wszystkich klas moŝe być więc co najwyŝej równa liczbie pomiarów pomniejszonej o długość wzorca k, czyli N k+ 1 l i. (3) Oczywiście w tym przypadku zdarzy się wiele klas pustych l i = 0 dla i є {1,2,..., N-k+1}. W drugim przypadku (sposobie klasyfikacji) suma liczności będzie zdecydowanie większa, gdyŝ wybrany wzorzec moŝe kandydować i występować równocześnie w wielu klasach tak, Ŝe l N k+ 1, (4) i i= 1,2,..., N k+ 1 gdzie l i liczność i-tej klasy. Sposób pierwszy generacji (tworzenia) klas zawierający wzorce podobne w sensie (1) przedstawiono na rys. 3. KaŜdy wiersz tej macierzy oznacza kolejny, coraz krótszy fragment szeregu czasowego, w którym poszukuje się wzorców podobnych do wzorca bazowego. Pierwszy wiersz przedstawia cały szereg bazowy i jego pierwsze k elementów to pierwszy wzorzec bazowy. Ten wzorzec oznaczono podwójnym koncentrycznym okręgiem. Przesuwając się wzdłuŝ pierwszego wiersza zgodnie z (3) poszukiwane są wg (1) wzorce podobne. Gdy wzorzec jest znaleziony to jego pierwszy wyraz jest zaznaczany. Po przeszukaniu całego szeregu czasowego w poszukiwaniu jego fragmentów podobnych do pierwszego wzorca bazowego przechodzi się do drugiego wyrazu szeregu czasowego. Powstaje w ten sposób drugi wiersz macierzy na rys. 3. Pierwszy wyraz tego wiersza, czyli element połoŝony na przekątnej moŝe być początkiem wzorca bazowego tylko wówczas, gdy wcześniej nie został zakwalifikowany do klasy wzorców podobnych do poprzednich wzorców bazowych. Podobnie z kolejnymi wierszami. WzdłuŜ przekątnej tej macierzy kaŝdy jej element inicjuje wzorzec bazowy tylko wtedy, gdy w danej kolumnie nie ma elementów wcześniej zaznaczonych. Oznacza to bowiem, Ŝe fragment szeregu czasowego pretendujący do roli wzorca bazowego nie był wcześniej uznany za podobny do jednego z juŝ rozpatrywanych wzorców bazowych. Na rys. 4 przedstawiono odmienne podejście do procesu generacji klas. Zakładano, Ŝe kaŝdy element szeregu czasowego moŝe być początkiem wzorca bazowego i znalezione wzorce do niego podobne mogą być jednocześnie wzorcami podobnymi do innych wzorców bazowych. Utworzone w ten sposób klasy C i, i = 1,2,, N-k+1 wzorców podobnych są nierozłączne. Kolumny na rys. 3 i rys. 4 są złoŝone z tych samych (wierszami) wyrazów. Na rys. 3 jest to więc po prostu pierwszy wiersz kolejno zmniejszamy do lewej, a na rys. 4 jest to zawsze ten sam pierwszy wiersz. W obu podejściach wiersz macierzy moŝna więc kojarzyć z klasą wzorca C i (zbiorem wzorców podobnych do wzorca bazowego P i k inicjującego dana klasę). 150

5 Rys. 3. Przykład tworzenia wzorców bazowych tylko wówczas, gdy rozpatrywany fragment szeregu czasowego nie naleŝy do Ŝadnego poprzedniego wzorca bazowego Fig. 3. Example of creating base patterns which doesn t belong to earlier base pattern in discrete time Rys. 4. Alternatywny sposób tworzenia wzorców bazowych kaŝdy kolejny wyraz szeregu czasowego tworzy wzorzec bazowy, a wybrany fragment szeregu moŝe być podobny do wielu wzorców bazowych Fig. 4. Alternative way of creating base patterns every another pattern can be similar to many other base patterns Liczności wzorców w poszczególnych wierszach (klasach wzorców C i ) są przedstawione na obu rysunkach jako pewne przykłady nie mające Ŝadnego związku z rzeczywistością. Te prawdziwe relacje będą rozwaŝane później. Zastanawiając się od czego zaleŝy liczność klasy moŝna dojść do oczywistego wniosku, Ŝe w pierwszym rzędzie od szerokości korytarza z rys. 1 a więc od parametru y. Im szerszy korytarz, tym łatwiej spełnić warunek (1). Po zdefiniowaniu istoty wzorca i sposobu budowania zbioru wzorców podobnych (klasy C i ) naleŝy wyjaśnić aspekt aksjologiczny takiego postępowania. Jaki jest cel i jakie mogą być korzyści z takiej klasyfikacji wzorców. 151

6 OtóŜ zebranie kilku, kilkudziesięciu czy kilkuset wzorców oznacza, Ŝe wszystkie te wzorce opisują pewien fragment rzeczywistości, wielokrotnie powtarzany. MoŜna więc postawić tezę, Ŝe jeŝeli znajduje się podobnie rozpoczynający się odcinek jakiegoś wzorca to moŝna oczekiwać, Ŝe podobnie jak we wzorcu zachowa się przebieg zmiennej obserwowanej. 2. Badania szeregu czasowego W przypadku sposobu drugiego, przedstawionego na rys. 4 w związku z tym, Ŝe szereg czasowy dla kaŝdego potencjalnego wzorca przeszukiwany jest od samego początku poszczególne odcinki mogą być klasyfikowane do więcej niŝ jednej klasy C i zainicjowanej przez kolejny i-ty wzorzec bazowy. Jest to powodem moŝliwości powstawania klas podobnych do siebie, czyli klas posiadających pewną liczbę wspólnych odcinków szeregu czasowego (zbiory wzorców w klasach są nierozłączne). Istnieją róŝne rodzaje takich klas, klasy posiadające pewną liczbę wspólnych odcinków, ale takŝe występują klasy posiadające wyłącznie róŝniące się wzorce, są wreszcie przypadki, w których jednak klasa zawiera się w drugiej. Kolejnym problemem tej metody jest duŝa liczba klas, z których tak naprawdę istotna jest tylko jakaś ich część poniewaŝ reszta to zazwyczaj podzbiory zawarte w innych klasach. W celu usunięcia tych wad algorytmu generacji klas oraz stworzenia zbioru najlepszych wzorców został opracowany proces filtracji klas. Proces filtracji zbioru wzorców zostanie przedstawiony na przykładzie szeregu czasowego pary walutowej EUR/USD zawierającego N = 6688 danych pomiarowych, jest to okres jednego roku z próbkowaniem co 60 minut. Dane dotyczą okresu w 2008 roku, w tym takŝe obejmującego okres końca roku zwany globalnym kryzysem finansowym (pierwszy wiersz w macierzy danych dotyczy dnia a ostatni dnia Wybranie takiego duŝego zakresu jest konieczne, Ŝeby umoŝliwić znalezienie odpowiednio duŝej liczby wzorców. Pierwszy etap rozpatrywanego algorytmu poszukiwania wzorców polega na przeszukaniu całego szeregu czasowego w poszukiwaniu klas wzorców podobnych. Przyjętym załoŝeniami są szerokość korytarza y = 0,0007 od wzorca bazowego oraz minimalna liczba wzorców podobnych potrzebnych do stworzenia klasy równa l min = 5. W wyniku obliczeń (trwających ponad 6 minut na przeciętnym współczesnym amatorskim sprzęcie obliczeniowym) zostały znalezione 1734 klasy wzorców o liczności przekraczającej narzucone l min. Średnia liczność wzorców w tych klasach wynosi l sr = 38,7 a maksymalna l max = 323. Jak widać znaleziono ogromną liczbę wzorców stanowiącą prawie 11% całego szeregu czasowego, gdyby te wszystkie wzorce przedstawiały duŝą wartość predykcyjną sytuacja byłaby idealna dla inwestora. Niestety w istocie jednak tak nie jest, większość z tych wzorców nie przedstawia Ŝadnej wartości, w kolejnych etapach naleŝy dąŝyć do uzyskania zbioru wzorców posiadających najlepsze właściwości predykcyjne. W kolejnym etapie algorytmu zastosowane są dwa filtry (sekwencje operacji algorytmy, których celem jest odrzucenie niektórych wzorców), pierwszy usuwający F1 wzorce zbyt płaskie (zdefiniowane poniŝej) oraz drugi F2 usuwający klasy zbyt podobne. Na tym etapie jakość danej klasy określana jest na podstawie jej liczności, dlatego na początku etapu zbiór wzorców sortowany jest malejąco według liczności. Pierwszy filtr F1 ma za zadanie usunięcie z bazy wzorców te, których średnia wartość w części uczącej nie róŝni się od średniej wartości w części predykcyjnej przynajmniej o y f = 0,0002. Wielkość ta dobrana została doświadczalnie, ale zgodna jest takŝe z intuicją inwestora to przecieŝ przeciętna wartość spreadu na podstawowych parach walutowych. Filtr ten ma na celu usunięcie wzorców powstałych np. w przypadku zawieszenia notowań (próbkowana wtedy jest ostatnia wartość notowania), oraz wzorców 152

7 które mimo duŝej wartości predykcyjnej, nie przedstawiają odpowiednio silnych wzrostów lub spadków, które byłyby opłacalne przy otwieraniu pozycji. Drugi filtr F2 usuwa wzorce podobne. W przypadku tej metody generacji klas wzorców mogą powstać klasy które zawierają się w sobie. Ten filtr zaczyna porównywanie od najbardziej licznych klas wzorców z klasami mniej licznymi. Jeśli taki rozpatrywany wzorzec mniej licznej klasy będzie się zawierał w korytarzu bazowego wzorca liczniejszej klasy, to zostanie usunięty z bazy. Filtr ten powoduje znaczną redukcję liczby klas, zostawiając tylko autonomiczne klasy o największej liczności. Po takiej filtracji zbiór klas wzorców moŝe być podobny do tego uzyskanego w pierwszym algorytmie generacji klas przy przeszukiwania szeregu czasowego, z tą róŝnicą Ŝe w tym wypadku mamy pewność, Ŝe wzorce są najlepsze poniewaŝ nie pomijamy wzorców, które w pierwszym algorytmie mogłyby nie być znalezione poniewaŝ wcześniej trafiłyby do innej klasy. Wyniki badań przedstawiono w tab. 1. Zawiera ona czas wykonania algorytmu dla kaŝdego etapu oraz liczbę wzorców pozostałych po wykonaniu kaŝdych obliczeń. Jak równieŝ średnią i maksymalną liczność wzorca w uzyskanym zbiorze. Tab. 1. Wyniki badań skuteczności filtracji zbioru wzorców Tab. 1. Results of efficiency in pattern class filtration Etap Etap 1 (przed filtracją) Etap 2.1 (po filtracji F1) Etap 2.2 (po filtracji F2) Czas wyk. [s] Liczba wzorców Śr. liczność Max liczność 377, , , , , ,8 314 Kolejnym etapem algorytmu było określenie skuteczności wzorca wyraŝanej w procentach i wyliczanej z wzoru: I I p S =, (5) w gdzie: S skuteczność wzorca, I p liczba prawidłowych predykcji wzorca, I w liczba wystąpień wzorca. Pierwszym krokiem w tym etapie będzie ustalenie wskaźnika jakości dla kaŝdego wzorca. Kolejnym krokiem będzie wyeliminowanie wzorców naleŝących do klas małolicznych, czyli takich których działanie predykcyjne nie jest bardzo potwierdzone. Przyjętym arbitralnie progiem jest minimum 20 wystąpień wzorca. Kolejnym krokiem jest pozostawienie tylko wzorców przewidujących wzrost, jest to zgodne z załoŝeniami badania i ma na celu lepsze zobrazowanie jakości wzorców. Ostatnim etapem jest wybranie określonej liczby najlepszych wzorców które stworzą finalny zbiór. Nie ma sensu przechowywać w nim wzorców poniŝej pewnego progu skuteczności. W tab. 2 przedstawiono przykłady najskuteczniejszych klas. 153

8 Tab. 2. Wyniki badań skuteczności i liczności klas Tab. 2. Results of efficiency and large of class patterns Lp. S I w Idealnym rozwiązaniem dla inwestora jest zbiór finalny składający się z wzorców o bardzo wysokiej skuteczności wzorców, najlepiej dąŝącej do 100%, przy wysokiej liczności klas wzorców. W rzeczywistości co przedstawia rys. 5 skuteczność wzorca nie jest ściśle skorelowana z jego licznością, co moŝe tworzyć kolejne problemy, typu ile wzorców powinno się znajdować w zbiorze finalnym, czy faktycznie mają one szanse wystąpienia, utrzymując swoją skuteczność na stałym poziomie. Jest to problem związany z Ŝywotnością wzorca w czasie, czyli jego skutecznością w przyszłości, która niekoniecznie będzie stała. 154

9 Rys. 5. Związek skuteczności wzorców z licznością klasy wzorca Fig. 5. Relation of efficiency and large of class patterns Na rys. 6 przedstawiony jest rozkład Ŝywotności wzorców dla rozpatrywanego okresu czasu jako trójwymiarowa powierzchnia w układzie kartezjańskim, z odpowiednim doborem kolorów, charakteryzujących skuteczność wzorca. Skrajne kolory, określają kierunek rozwoju wzorca. Kolor niebieski określa przekłamanie wzorca względem przesłanek jak powinien zachować się wzorzec, kolor czerwony podtrzymuje predykcje wzorca. Wszystkie koloru pośrednie między skrajnymi, przedstawiają oscylacje wzorca. Osie kolejno uwzględniają najlepsze wzorce otrzymane w wyniku 3 etapu bez Ŝadnych ograniczeń (oś odciętych w prawo), czas na jakim badano skuteczność wzorca (oś odciętych) oraz samą skuteczność wzorców (oś rzędnych). Dodatkowo uwzględniono liczność klasy wzorca, ponad powierzchnią na osi odciętych. Zachowanie wzorców w czasie nie jest jednolite, moŝna zaobserwować, iŝ niektóre wzorce dopiero z czasem zyskują wartość predykcyjną, będąc przez długi okres czasu mało interesujące z punktu widzenia inwestora. Na rys. 7 przedstawiono podobną powierzchnie Ŝywotności wzorców, których skuteczność mieści się w przedziale 40 60%. Jest o tyle istotne, iŝ większy odsetek uzyskanych wzorców spełnia te ograniczenia, świadczące o ich małej przydatności dla dalszych badań. Skuteczność taka bowiem w przybliŝeniu sprowadza się do rzutu monetą, szanse dobrej jak i złej predykcji są takie same. 155

10 Rys. 6. śywotność najlepszych wzorców w czasie Fig. 6. Liveliness of the best patterns in discrete time Rys. 7. Wzorce o skuteczności z przedziału 40 60% Fig. 7. Patterns with efficiency between 40 and 60 percents Podsumowując, rozpatrywany algorytm składa się z 5 następujących etapów (kroków): Wygenerowanie klas zawierających zbiory wzorców podobnych do wzorca bazowego ustanawiającego klasę. Zastosowania filtru F1 usuwającego wzorce płaskie (takie, które nawet przy dość dobrej przewidywalności zmian kursu nie rokują satysfakcjonującej uŝyteczności). Zastosowania filtru F2 usuwającego klasy zbyt podobne. Ustalenie skuteczności wzorców S i usunięcie wzorców małolicznych I w < 20. Usunięcie wzorców nierosnących oraz posortowanie malejąco względem S. Wybranie arbitralnie ustalonej liczby najlepszych wzorców. 156

11 Po wyborze najlepszych wzorców przystąpiono do testowania ich skuteczności w nowej części przestrzeni danych. W tym celu wybrano kontynuacje szeregu czasowego EUR/USD dla świec 60 minutowych poczynając od dnia i testując szereg do dnia W wyniku testowania wybrano 70 wzorców, które zastosowano do predykcji na jeden krok wprzód. Wyniki przedstawiono na rys. 8. Rys. 8. Zysk skumulowany (w pipsach) po zastosowaniu strategii z wielokrotnym uŝyciem uprzednio przygotowanych wzorców Fig. 8. Accumulate profit (in pips) after using strategy base on multiple trade of preapeared patterns Wyniki zaprezentowane na rys. 8 są obrazem narastającego zysku dla kilkudziesięciu kolejnych zdarzeń (otwarć pozycji), z których kaŝde poprzedzone było procesem poszukiwania wzorca, analizy jego przydatności, gdy został znaleziony, obserwacją i analizą wyniku. Wynik końcowy to zysk rzędu 400 pipsów. MoŜe on oznaczać wysoką wygraną (zaleŝy to oczywiście od zastosowanej i akceptowalnej przez inwestora gracza dźwigni finansowej), przy jednoczesnej jego zgodzie na dopuszczalne duŝe obsuniecie kapitału. Na wykresie ta największa skumulowana przegrana jest rzędu 200 pipsów tj. jest to ok. 50% wygranej. To oczywiście poraŝająco duŝo i zaakceptowanie takiej straty zaleŝy od odporności psychicznej inwestora [13]. 3. Konkluzje NiezaleŜnie od rzeczywistej praktycznej wartości wyników uzyskanych w wyniku zastosowania opisanej metody, naleŝy stwierdzić, Ŝe jest ona obiecująca lub Ŝe nie nale- Ŝy jej odrzucać. Szeroko rozumiany obszar rozpoznawania wzorców [3, 9, 14] był juŝ przez Dudę [3] charakteryzowany jako niezwykle perspektywiczny w jego heurystycznych nieograniczonych horyzontach, jest takŝe współcześnie [14, 15] bardzo interesującym alternatywnym obszarem badań. Wynik przedstawiony w niniejszej pracy to jedynie słaby sygnał moŝliwości zarabiania na zmianach ceny. Słaby, jako odkrywający jedynie nieograniczone moŝliwości dalszych udoskonaleń, słaby takŝe w sensie jakości uzyskanego wyniku. 157

12 Widać jednak wyraźnie moŝliwe kierunku dalszych badań inne rynki (pary walutowe, towary, indeksy), inne okresy predykcyjne i okresy badania historii, inne wzorce inaczej definiowane np. oparte na indykatorach (przetworzonych danych podstawowych). Tych moŝliwości jest wiele. To z pewnością fragment juŝ stosowanej przestrzeni strategii inwestycyjnych sprawdzonych przez największych i najskuteczniejszych traderów we współczesnej historii prognoz finansowych opisanych przez Joe Krutsingera [9]. Literatura 1. Brock W., Lakonishok j., LeBaron B. Simple technical trading rules and stochastic properties of stock returns. Journal of Finance 47(1992), Cai B.M., Cai C.X., Keasey K. Market Efficiency and Returns to Simple Technical Trading Rules: Further Evidence form US, UK, Asian and Cinese Stock Markets. Asia-Pacific Financial Markets, Springer Duda R.O., Hart P.E., Stork D.G., Pattern Classification, John Wiley, New York (2000). 4. Friesen G.C.F, Weller P, Dunham L.M. Price trends and patterns in technical analysis: A theoretical and empirical examination. Journal of Banking & Finance 33(2009) Gencar R. Linear, non-linear and essential foreign exchange rate prediction with simple technical trading rules. Journal of International Economics 47(1999) Jing Dang, Brabazon A., Edelman D., O Neill M. An Introduction to Natural Computing in Finance. LNCS, PublisherSpringer Berlin / Heidelberg Volume 5484/ Kacprzyk J., Wilbik A., ZadroŜny S. A linguistic quantifier based aggregation for a human consistent summarization of time series. In: J. Lawry, E. Miranda, A. Bugarin, S. Li, M. A. Gil, P. Grzegorzewski, O. Hryniewicz (Eds.): Soft Methods for Integrated Uncertainty Modeling. Springer-Verlag, Berlin Heidelberg 2006, ss , Seria: Advances in Soft Computing. 8. Kacprzyk J., Wilbik A., ZadroŜny S. Using a genetic algorithm to derive a linguistic summary of trends in numerical time series. In: Proceedings of 2006 International Symposium on Evolving Fuzzy Systems, Ambleside, UK, September 7-9, 2006, IEEE Press, ss Krutsinger J. Systemy transakcyjne. Sekrety mistrzów. Wig-Press, Warszawa Lemke F., Mueller J.A. Self- Organizing Data Mining A Portfolio Trading System. Journal of Commputational Intelligence in Finance, 1997/05 pp Muriel A., Short-term predictions in forex trading, Physica A 344 (2004) Owens S., Lizotte O. When to trade. FX Engines, Piper J. The Way to Trade, Harriman Modern Classic, Raghuraj R.K., Lakshminarayanan S. Variable Predictive Models A new multivariate classification approach for pattern recognition application. Elsevier, Pattern Recognition vol. 42/1, 2009 p Satchwell Ch. Pattern Recognition and Trading Decisions. McGraw Hill, New York Tak-chung Fu, Fu-lai Chung, Luk R., Chak-man Ng. Representing Financial Time Series based on data point importance. In: Engineering Applications of Artificial Inteligence 21(2008) p

13 17. Wiliński A. Risk Estimation of Consecutive Losses in Automated Currency Trading. Polish Journal of Environmental Studies vol.16 No 4a, 2007, p Wiliński A., Czapiewski P. GMDH-based Multiple Prediction of Financial Markets. Polish Journal of Environmental Studies vol.17 No 3b, 2008 p Yungho Leu, Chien-Pang Lee, Yie-Zu Jou. A distance-based fuzzy time series for exchange rates forecasting. Expert Systems with Applications 36(2009) Streszczenie W artykule rozwaŝane jest pojęcie wzorca w szeregu czasowym wybranego rynku finansowego, jednego z takich jak np. rynek akcji, kursów walut, cen towarów, indeksów giełdowych. Rozpatrywane wzorce są sekwencją kolejnych zmian ceny w wybranym przedziale czasu. JeŜeli chodzi o rynki walutowe, to na kursy kaŝdego rynku wpływa wiele czynników, jeśli te czynniki będą się powtarzać, powtarzać mogą się równieŝ i wzorce w szeregu czasowym. Ta ewentualna powtarzalność zdarzeń (przyczyna) i jej odzwierciedlenie (skutek) w obserwowanym szeregu czasowym moŝe być inspiracją do podjęcia próby opisania własności predykcyjnych takich wzorców. Podejście to umoŝliwia zautomatyzowanie procesu inwestowania (spekulacji) na rynku finansowym. Przy podjęciu tego wyzwania pojawia się szereg problemów, z których kluczowe znaczenie ma znalezienie kryterium porównywania wzorca predykcyjnego z jego nowymi wcieleniami, takiego, Ŝe tworzyłoby klasę obiecującą w sensie predykcyjnym. W artykule analizowane jest takŝe zagadnienia zmienności jakości (uŝyteczności) wzorca w czasie. Patterns in financial discrete time and their predictable mean Summary This articale consider the mean of pattern in discrete time on chosen financial market, like for example stock markets, currency trends, price of goods, stock indexes. Patterns are sequence of following price changes within chosen time. If we consider currency markets, then on currency influence many elements and if this elements repeat, then patterns can also repeat. Such recurrence in happens (cause) and it means in discrete time (result) can be inspiration to attempt to describe predictable properties of such patterns. Such approach enable to automation trading on financial markets, but there is many problem and the most important is compare criterion between predictable pattern and his successors that would create promising class of patterns in predictable way. In articale is also analize variability of pattern quality during period of time. 159

KONCEPCJA STRATEGII INWESTYCYJNEJ DLA KONTRAKTU NA WIG20 OPARTA NA PROSTYCH REGUŁACH INDUKCYJNYCH

KONCEPCJA STRATEGII INWESTYCYJNEJ DLA KONTRAKTU NA WIG20 OPARTA NA PROSTYCH REGUŁACH INDUKCYJNYCH KONCEPCJA STRATEGII INWESTYCYJNEJ DLA KONTRAKTU NA WIG20 OPARTA NA PROSTYCH REGUŁACH INDUKCYJNYCH ANTONI WILI SKI Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Streszczenie W pracy przedstawia

Bardziej szczegółowo

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie

Bardziej szczegółowo

Spekulacja na rynkach finansowych. znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A.

Spekulacja na rynkach finansowych. znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A. Spekulacja na rynkach finansowych znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A. Narzędzia 2 Analiza techniczna Analiza fundamentalna Narzędzia (2) 3 AT astrologia rynków finansowych AF alchemia

Bardziej szczegółowo

Analiza zdarzeń Event studies

Analiza zdarzeń Event studies Analiza zdarzeń Event studies Dobromił Serwa akson.sgh.waw.pl/~dserwa/ef.htm Leratura Campbell J., Lo A., MacKinlay A.C.(997) he Econometrics of Financial Markets. Princeton Universy Press, Rozdział 4.

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

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 4 Admiral Markets Sp. z o.o. ul. Aleje Jerozolimskie 133 lok.34 02-304 Warszawa e-mail: Info@admiralmarkets.pl Tel. +48

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 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

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

Niepewność metody FMEA. Wprowadzenie 2005-12-28

Niepewność metody FMEA. Wprowadzenie 2005-12-28 5-1-8 Niepewność metody FMEA Wprowadzenie Doskonalenie produkcji metodą kolejnych kroków odbywa się na drodze analizowania przyczyn niedociągnięć, znajdowania miejsc powstawania wad, oceny ich skutków,

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

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Sebastian Kokot XXI Krajowa Konferencja Rzeczoznawców Majątkowych, Międzyzdroje 2012 Rzetelnie wykonana analiza rynku nieruchomości

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

ORGANIZACJA ZESPOŁOWEGO PROCESU OPTYMALIZACJI PARAMETRÓW STRATEGII RYNKOWYCH

ORGANIZACJA ZESPOŁOWEGO PROCESU OPTYMALIZACJI PARAMETRÓW STRATEGII RYNKOWYCH WOJCIECH NOWICKI ANETA BERA E-mail: wonowicki@gmail.com, bera.aneta@gmail.com Wydział Informatyki, Zachodniopomorski Uniwersytet Technologiczny ul. Żołnierska 49, 71-210 Szczecin ORGANIZACJA ZESPOŁOWEGO

Bardziej szczegółowo

Strategia Ichimokudla początkujących i zaawansowanych inwestorów. Analiza bieżącej sytuacji na rynkach.

Strategia Ichimokudla początkujących i zaawansowanych inwestorów. Analiza bieżącej sytuacji na rynkach. Strategia Ichimokudla początkujących i zaawansowanych inwestorów. Analiza bieżącej sytuacji na rynkach. Kamil Oziemczuk Analityk Dom Maklerski IDM SA (www.idmtrader.pl) Agenda prezentacji 1) Wprowadzenie

Bardziej szczegółowo

KONSMETAL Zamek elektroniczny NT C496-L250 (RAPTOR)

KONSMETAL Zamek elektroniczny NT C496-L250 (RAPTOR) KONSMETAL Zamek elektroniczny NT C496-L250 (RAPTOR) Instrukcja obsługi Podstawowe cechy zamka: 1 kod główny (Master) moŝliwość zdefiniowania do 8 kodów uŝytkowników długość kodu otwarcia: 6 cyfr długość

Bardziej szczegółowo

Bazy danych Access KWERENDY

Bazy danych Access KWERENDY Bazy danych Access KWERENDY Obiekty baz danych Access tabele kwerendy (zapytania) formularze raporty makra moduły System baz danych MS Access Tabela Kwerenda Formularz Raport Makro Moduł Wyszukiwanie danych

Bardziej szczegółowo

WYKORZYSTANIE ANALIZY TECHNICZNEJ W PROCESIE PODEJMOWANIA DECYZJI INWESTYCYJNYCH NA PRZYKŁADZIE KGHM POLSKA MIEDŹ S.A.

WYKORZYSTANIE ANALIZY TECHNICZNEJ W PROCESIE PODEJMOWANIA DECYZJI INWESTYCYJNYCH NA PRZYKŁADZIE KGHM POLSKA MIEDŹ S.A. Uniwersytet Wrocławski Wydział Prawa, Administracji i Ekonomii Instytut Nauk Ekonomicznych Zakład Zarządzania Finansami Studia Stacjonarne Ekonomii pierwszego stopnia Krzysztof Maruszczak WYKORZYSTANIE

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 12 Admiral Markets Sp. z o.o. ul. Aleje Jerozolimskie 133 lok.34 02-304 Warszawa e-mail: Info@admiralmarkets.pl Tel.

Bardziej szczegółowo

Notowania kontraktów terminowych na pszenicę konsumpcyjną na rynku FOREX jako przykład anomalii rynku kapitałowego

Notowania kontraktów terminowych na pszenicę konsumpcyjną na rynku FOREX jako przykład anomalii rynku kapitałowego Rafał Balina Katedra Ekonomiki i Organizacji Przedsiębiorstw Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Notowania kontraktów terminowych na pszenicę konsumpcyjną na rynku FOREX jako przykład anomalii

Bardziej szczegółowo

Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych

Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo

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 10 Admiral Markets Sp. z o.o. ul. Aleje Jerozolimskie 133 lok.34 02-304 Warszawa e-mail: Info@admiralmarkets.pl Tel.

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

Portfel Globalnego Inwestowania

Portfel Globalnego Inwestowania Portfel Globalnego Inwestowania CEL INWESTYCYJNY Możliwości wzrostu kapitału z giełd globalnych przy stosowaniu strategii minimalizacji ryzyka. W SKRÓCIE Na bieżąco dostosowujemy inwestycję złożoną z 4

Bardziej szczegółowo

Kontrakty terminowe. This presentation or any of its parts cannot be used without prior written permission of Dom Inwestycyjny BRE Banku S..A.

Kontrakty terminowe. This presentation or any of its parts cannot be used without prior written permission of Dom Inwestycyjny BRE Banku S..A. Kontrakty terminowe Slide 1 Podstawowe zagadnienia podstawowe informacje o kontraktach zasady notowania, depozyty zabezpieczające, przykłady wykorzystania kontraktów, ryzyko związane z inwestycjami w kontrakty,

Bardziej szczegółowo

Korelacje krzyżowe kryzysów finansowych w ujęciu korelacji potęgowych. Analiza ewolucji sieci na progu liniowości.

Korelacje krzyżowe kryzysów finansowych w ujęciu korelacji potęgowych. Analiza ewolucji sieci na progu liniowości. Korelacje krzyżowe kryzysów finansowych w ujęciu korelacji potęgowych. Analiza ewolucji sieci na progu liniowości. Cross-correlations of financial crisis analysed by power law classification scheme. Evolving

Bardziej szczegółowo

Popyt rynkowy. Wyprowadzenie funkcji popytu z funkcji uŝyteczności

Popyt rynkowy. Wyprowadzenie funkcji popytu z funkcji uŝyteczności Popyt rynkowy Wyprowadzenie funkcji popytu z funkcji uŝyteczności Zadanie 1 (*) Jak zwykle w tego typu zadaniach darujmy sobie tworzenie sztucznych przykładów i będziemy analizować wybór między dwoma dobrami

Bardziej szczegółowo

Runda 5: zmiana planszy: < < i 6 rzutów.

Runda 5: zmiana planszy: < < i 6 rzutów. 1. Gry dotyczące systemu dziesiętnego Pomoce: kostka dziesięciościenna i/albo karty z cyframi. KaŜdy rywalizuje z kaŝdym. KaŜdy gracz rysuje planszę: Prowadzący rzuca dziesięciościenną kostką albo losuje

Bardziej szczegółowo

Matematyka bankowa 1 1 wykład

Matematyka bankowa 1 1 wykład Matematyka bankowa 1 1 wykład Dorota Klim Department of Nonlinear Analysis, Faculty of Mathematics and Computer Science, University of Łódź, Banacha 22, 90-238 Łódź, Poland E-mail address: klimdr@math.uni.ldz.pl

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

Instalacja i opis podstawowych funkcji programu Dev-C++

Instalacja i opis podstawowych funkcji programu Dev-C++ Instalacja i opis podstawowych funkcji programu Dev-C++ Przed rozpoczęciem programowania musimy zainstalować i przygotować kompilator. Spośród wielu dostępnych kompilatorów polecam aplikację Dev-C++, ze

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

Rynek Forex i kontrakty róŝnic kursowych CFD

Rynek Forex i kontrakty róŝnic kursowych CFD Rynek Forex i kontrakty róŝnic kursowych CFD Teraz wiesz i inwestujesz Rynek Forex i kontrakt CFD wymieniane są często jednym tchem, poniewaŝ są przykładem dynamicznych zmian, które zachodzą w świecie

Bardziej szczegółowo

Światowa Lokata II zarabiaj na szerokim spektrum światowych rynków przy zachowaniu 100% gwarancji kapitału na koniec okresu ubezpieczenia

Światowa Lokata II zarabiaj na szerokim spektrum światowych rynków przy zachowaniu 100% gwarancji kapitału na koniec okresu ubezpieczenia 28 stycznia 2008 Światowa Lokata II zarabiaj na szerokim spektrum światowych rynków przy zachowaniu 100% gwarancji kapitału na koniec okresu ubezpieczenia Charakterystyka ubezpieczenia Światowa Lokata

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

Laboratorium nr 5. Temat: Funkcje agregujące, klauzule GROUP BY, HAVING

Laboratorium nr 5. Temat: Funkcje agregujące, klauzule GROUP BY, HAVING Laboratorium nr 5 Temat: Funkcje agregujące, klauzule GROUP BY, HAVING Celem ćwiczenia jest zaprezentowanie zagadnień dotyczących stosowania w zapytaniach języka SQL predefiniowanych funkcji agregujących.

Bardziej szczegółowo

ANALIZA TRENDÓW NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE WSTĘP

ANALIZA TRENDÓW NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE WSTĘP Andrzej Karpio, Krzysztof Karpio Katedra Ekonometrii i Informatyki SGGW email: andrzej_karpio@sggw.pl, kkarpio@mors.sggw.waw.pl ANALIZA TRENDÓW NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE Streszczenie:

Bardziej szczegółowo

Polsko-Niemiecka Współpraca MłodzieŜy Podręcznik uŝytkownika Oprogramowania do opracowywania wniosków PNWM

Polsko-Niemiecka Współpraca MłodzieŜy Podręcznik uŝytkownika Oprogramowania do opracowywania wniosków PNWM Strona 1 / 10 1.1 Wniosek zbiorczy Moduł Wniosek zbiorczy pomoŝe Państwu zestawić pojedyncze wnioski, by je złoŝyć w PNWM celem otrzymania wstępnej decyzji finansowej wzgl. później do rozliczenia. Proszę

Bardziej szczegółowo

Nowe funkcje w programie SYMFONIA Finanse i Księgowość Premium w wersji 2009

Nowe funkcje w programie SYMFONIA Finanse i Księgowość Premium w wersji 2009 SYMFONIA Finanse i Księgowość Premium Strona 1 z 1 Nowe funkcje w programie SYMFONIA Finanse i Księgowość Premium w wersji 2009 Znaczniki dla podmiotów nowe moŝliwości analizy i grupowania danych Dla podmiotów

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 15 Admiral Markets Sp. z o.o. ul. Aleje Jerozolimskie 133 lok.34 02-304 Warszawa e-mail: Info@admiralmarkets.pl Tel.

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

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 7 Admiral Markets Sp. z o.o. ul. Aleje Jerozolimskie 133 lok.34 02-304 Warszawa e-mail: Info@admiralmarkets.pl Tel. +48

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

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

X-Trade Brokers Dom Maklerski S.A. ArbitraŜ z wykorzystaniem kontraktów terminowych FW20 oraz PLNCASH

X-Trade Brokers Dom Maklerski S.A. ArbitraŜ z wykorzystaniem kontraktów terminowych FW20 oraz PLNCASH X-Trade Brokers Dom Maklerski S.A. ArbitraŜ z wykorzystaniem kontraktów terminowych FW20 oraz PLNCASH Tomasz Uściński, XTB Wall Street, Zakopane 2007 1 ArbitraŜ MoŜliwość osiągania zysków bez ryzyka z

Bardziej szczegółowo

MODELOWANIE POŁĄCZEŃ TYPU SWORZEŃ OTWÓR ZA POMOCĄ MES BEZ UŻYCIA ANALIZY KONTAKTOWEJ

MODELOWANIE POŁĄCZEŃ TYPU SWORZEŃ OTWÓR ZA POMOCĄ MES BEZ UŻYCIA ANALIZY KONTAKTOWEJ Jarosław MAŃKOWSKI * Andrzej ŻABICKI * Piotr ŻACH * MODELOWANIE POŁĄCZEŃ TYPU SWORZEŃ OTWÓR ZA POMOCĄ MES BEZ UŻYCIA ANALIZY KONTAKTOWEJ 1. WSTĘP W analizach MES dużych konstrukcji wykonywanych na skalę

Bardziej szczegółowo

Naszym największym priorytetem jest powodzenie Twojej inwestycji.

Naszym największym priorytetem jest powodzenie Twojej inwestycji. Naszym największym priorytetem jest powodzenie Twojej inwestycji. Możesz być pewien, że będziemy się starać by Twoja inwestycja była zyskowna. Dlaczego? Bo zyskujemy tylko wtedy, kiedy Ty zyskujesz. Twój

Bardziej szczegółowo

Nowe funkcje w Serwisie BRe Brokers

Nowe funkcje w Serwisie BRe Brokers dostępne od września 2008r. Notowania bezpośrednio po zalogowaniu W zakładce Notowania dodano opcję umoŝliwiającą automatyczne otwarcie okienka notowań dla wybranego koszyka, bezpośrednio po zalogowaniu.

Bardziej szczegółowo

SPRAWDZIAN NR 1 ROBERT KOPERCZAK, ID studenta : k4342

SPRAWDZIAN NR 1 ROBERT KOPERCZAK, ID studenta : k4342 TECHNIKI ANALITYCZNE W BIZNESIE SPRAWDZIAN NR 1 Autor pracy ROBERT KOPERCZAK, ID studenta : k4342 Kraków, 22 Grudnia 2009 2 Spis treści 1 Zadanie 1... 3 1.1 Szereg rozdzielczy wag kobiałek.... 4 1.2 Histogram

Bardziej szczegółowo

Klasa I szkoły ponadgimnazjalnej matematyka

Klasa I szkoły ponadgimnazjalnej matematyka Klasa I szkoły ponadgimnazjalnej matematyka. Informacje ogólne Badanie osiągnięć uczniów I klas odbyło się 7 września 2009 r. Wyniki badań nadesłało 2 szkół. Analizie poddano wyniki 992 uczniów z 4 klas

Bardziej szczegółowo

Nazwa przedmiotu: ANALIZA FUNDAMENTALNA ORAZ TECHNICZNA NA RYNKU KAPITAŁOWYM

Nazwa przedmiotu: ANALIZA FUNDAMENTALNA ORAZ TECHNICZNA NA RYNKU KAPITAŁOWYM Nazwa przedmiotu: ANALIZA FUNDAMENTALNA ORAZ TECHNICZNA NA RYNKU KAPITAŁOWYM Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści dodatkowych Fundamental and Technical Analysis on Capital

Bardziej szczegółowo

elektroniczna Platforma Usług Administracji Publicznej

elektroniczna Platforma Usług Administracji Publicznej elektroniczna Platforma Usług Administracji Publicznej Instrukcja użytkownika Katalog Usług Publicznych wersja 1.0 wersja 1.0. 1. WPROWADZENIE...3 1.1. CEL DOKUMENTU...3 1.2. SŁOWNIK POJĘĆ...3 1.3. ELEMENTY

Bardziej szczegółowo

Katedra Technik Wytwarzania i Automatyzacji STATYSTYCZNA KONTROLA PROCESU

Katedra Technik Wytwarzania i Automatyzacji STATYSTYCZNA KONTROLA PROCESU Katedra Technik Wytwarzania i Automatyzacji METROLOGIA I KONTKOLA JAKOŚCI - LABORATORIUM TEMAT: STATYSTYCZNA KONTROLA PROCESU 1. Cel ćwiczenia Zapoznanie studentów z podstawami wdrażania i stosowania metod

Bardziej szczegółowo

Technologia informacyjna

Technologia informacyjna Technologia informacyjna Pracownia nr 9 (studia stacjonarne) - 05.12.2008 - Rok akademicki 2008/2009 2/16 Bazy danych - Plan zajęć Podstawowe pojęcia: baza danych, system zarządzania bazą danych tabela,

Bardziej szczegółowo

Ćwiczenie 3 funkcje agregujące

Ćwiczenie 3 funkcje agregujące Ćwiczenie 3 funkcje agregujące Funkcje agregujące, klauzule GROUP BY, HAVING Ćwiczenie 3 funkcje agregujące Celem ćwiczenia jest zaprezentowanie zagadnień dotyczących stosowania w zapytaniach języka SQL

Bardziej szczegółowo

Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza

Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza Łukasz Kanar UNIWERSYTET WARSZAWSKI WYDZIAŁ NAUK EKONOMICZNYCH WARSZAWA 2008 1. Portfel Markowitza Dany jest pewien portfel n 1 spółek giełdowych.

Bardziej szczegółowo

DMK-Alpha. prawdopodobieństwo umocnienia krajowej waluty w kolejnych godzinach. EURPLN

DMK-Alpha. prawdopodobieństwo umocnienia krajowej waluty w kolejnych godzinach. EURPLN DMK-Alpha 9:00 - Wczoraj zostały wzmocnione pierwsze sygnały kupna PLN w krótkim terminie, a poranek potwierdza presję na kupowanie PLN. Sytuacja na rynkach światowych znów zaczyna sprzyjać kupowaniu ryzyka,

Bardziej szczegółowo

WyŜsza Szkoła Zarządzania Ochroną Pracy MS EXCEL CZ.2

WyŜsza Szkoła Zarządzania Ochroną Pracy MS EXCEL CZ.2 - 1 - MS EXCEL CZ.2 FUNKCJE Program Excel zawiera ok. 200 funkcji, będących predefiniowanymi formułami, słuŝącymi do wykonywania określonych obliczeń. KaŜda funkcja składa się z nazwy funkcji, która określa

Bardziej szczegółowo

DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY PROGRAMU AGREGAT - 2

DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY PROGRAMU AGREGAT - 2 InŜynieria Rolnicza 14/2005 Michał Cupiał, Maciej Kuboń Katedra InŜynierii Rolniczej i Informatyki Akademia Rolnicza im. Hugona Kołłątaja w Krakowie DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY

Bardziej szczegółowo

Inwestor musi wybrać następujące parametry: instrument bazowy, rodzaj opcji (kupna lub sprzedaży, kurs wykonania i termin wygaśnięcia.

Inwestor musi wybrać następujące parametry: instrument bazowy, rodzaj opcji (kupna lub sprzedaży, kurs wykonania i termin wygaśnięcia. Opcje na GPW (II) Wbrew ogólnej opinii, inwestowanie w opcje nie musi być trudne. Na rynku tym można tworzyć strategie dla doświadczonych inwestorów, ale również dla początkujących. Najprostszym sposobem

Bardziej szczegółowo

Psychologia gracza giełdowego

Psychologia gracza giełdowego Psychologia gracza giełdowego Grzegorz Zalewski DM BOŚ S.A. Hipoteza rynku efektywnego 2 Ceny papierów wartościowych w pełni odzwierciedlają wszystkie dostępne informacje. Hipoteza rynku efektywnego (2)

Bardziej szczegółowo

Aby zalogować się do rachunku inwestycyjnego naleŝy wejść na adres strony do logowania http://kbcmakler.pl/v2

Aby zalogować się do rachunku inwestycyjnego naleŝy wejść na adres strony do logowania http://kbcmakler.pl/v2 SPIS TREŚCI LOGOWANIE... 2 STRONA GŁÓWNA... 3 ZNAJDŹ PAPIER... 4 ULUBIONE... 9 ZLECENIA... 10 Szybkie zlecenie... 11 Zlecenie... 12 Modyfikacja i anulacja... 18 PORTFEL... 19 OBSERWOWANE... 21 RACHUNEK

Bardziej szczegółowo

Ćwiczenie 12. Metody eksploracji danych

Ćwiczenie 12. Metody eksploracji danych Ćwiczenie 12. Metody eksploracji danych Modelowanie regresji (Regression modeling) 1. Zadanie regresji Modelowanie regresji jest metodą szacowania wartości ciągłej zmiennej celu. Do najczęściej stosowanych

Bardziej szczegółowo

Analiza fundamentalna oraz techniczna na rynku kapitałowym Fundamental and Technical Analysis on Capital Market

Analiza fundamentalna oraz techniczna na rynku kapitałowym Fundamental and Technical Analysis on Capital Market Nazwa przedmiotu: Analiza fundamentalna oraz techniczna na rynku kapitałowym Fundamental and Technical Analysis on Capital Market Kierunek: Matematyka Rodzaj przedmiotu: obieralny Rodzaj zajęć: wykład,

Bardziej szczegółowo

PORADNIK INWESTOWANIA JEDNOSESYJNEGO. Paweł Pagacz, Bartłomiej Bohdan

PORADNIK INWESTOWANIA JEDNOSESYJNEGO. Paweł Pagacz, Bartłomiej Bohdan PORADNIK INWESTOWANIA JEDNOSESYJNEGO Paweł Pagacz, Bartłomiej Bohdan KRAKÓW 2012 2 Spis treści Wstęp...3 1. Co jest potrzebne do sukcesu?...3 2. Czy inwestowanie jednosesyjne się opłaca?...5 3. System

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

Podstawy przedsiębiorczości kolokwium zakres materiału

Podstawy przedsiębiorczości kolokwium zakres materiału Podstawy przedsiębiorczości kolokwium zakres materiału - zadania obliczeniowe (zgodne z zawartością plików PP_Cw1.pdf, PP_Cw2.pdf i PP_Cw3.pdf) - analiza fundamentalna i techniczna (podstawowe różnice),

Bardziej szczegółowo

Systematyka ryzyka w działalności gospodarczej

Systematyka ryzyka w działalności gospodarczej Systematyka ryzyka w działalności gospodarczej Najbardziej ogólna klasyfikacja kategorii ryzyka EFEKT Całkowite ryzyko dzieli się ze względu na kształtujące je czynniki na: Ryzyko systematyczne Ryzyko

Bardziej szczegółowo

John Bollinger s Forex Letter

John Bollinger s Forex Letter John Bollinger s Forex Letter Tom 1, Numer 5 14 wrzesień 2004 Capital Market Services, LLC 350 Fifth Avenue, Suite 6400 New York, NY 10118 www.cmsfx.com trading@cmsfx.com Łączenie przedziałów czasowych

Bardziej szczegółowo

ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH

ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH Małgorzata Szerszunowicz Uniwersytet Ekonomiczny w Katowicach ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH Wprowadzenie Statystyczna kontrola jakości ma na celu doskonalenie procesu produkcyjnego

Bardziej szczegółowo

Ćwiczenia 1 Wstępne wiadomości

Ćwiczenia 1 Wstępne wiadomości Ćwiczenia 1 Wstępne wiadomości 1.Wyszukaj i uzupełnij brakujące definicje: rynek finansowy (financial market) instrument finansowy (financial instrument) papier wartościowy (security) 2. Na potrzeby analizy

Bardziej szczegółowo

Wprowadzenie do rynków walutowych

Wprowadzenie do rynków walutowych Instytut Informatyki Uniwersytetu Śląskiego Wykład 1 1 Czym jest Forex? 2 Przykład rachunku 3 Jak grać na giełdzie? 4 Trend i średnie kroczące 5 Język MQL Tematyka wykładów: Ogólne informacje o rynkach

Bardziej szczegółowo

Sterowanie wielkością zamówienia w Excelu - cz. 3

Sterowanie wielkością zamówienia w Excelu - cz. 3 Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji

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

Źródła danych: Wyniki pomiarów. Dane technologiczne

Źródła danych: Wyniki pomiarów. Dane technologiczne Przygotowanie danych dotyczących wielkości emisji do modelowania rozprzestrzenia się zanieczyszczeń w atmosferze przy uŝyciu pakietu oprogramowania Operat-2000 Przystępując do modelowania emisji naleŝy

Bardziej szczegółowo

Studenckie Koło Naukowe Rynków Kapitałowych Goldman Sachs Group Inc. (GS) - spółka notowana na giełdzie nowojorskiej (NYSE).

Studenckie Koło Naukowe Rynków Kapitałowych Goldman Sachs Group Inc. (GS) - spółka notowana na giełdzie nowojorskiej (NYSE). Goldman Sachs Group Inc. (GS) - spółka notowana na giełdzie nowojorskiej (NYSE). Goldman Sachs Group Inc. (GS) jedna z największych ogólnoświatowych firm w branży bankowości inwestycyjnej pełniąca profesjonalne

Bardziej szczegółowo

Rys. 1. Zestawienie rocznych kosztów ogrzewania domów

Rys. 1. Zestawienie rocznych kosztów ogrzewania domów :: Trik 1. Wykres, w którym oś pozioma jest skalą wartości :: Trik 2. Automatyczne uzupełnianie pominiętych komórek :: Trik 3. Niestandardowe sortowanie wg 2 kluczy :: Trik 4. Przeliczanie miar za pomocą

Bardziej szczegółowo

Strategie: sposób na opcje

Strategie: sposób na opcje X-Trade Brokers Dom Maklerski S.A. Strategie: sposób na opcje z wykorzystaniem systemu Option Trader Tomasz Uściński X-Trade Brokers Dom Maklerski S.A. www.xtb.pl 1 Definicja opcji Opcja: Kontrakt finansowy,

Bardziej szczegółowo

Instrukcja użytkownika mforex WEB

Instrukcja użytkownika mforex WEB Instrukcja użytkownika mforex WEB Kontakt: e-mail: info@mforex.pl infolinia: 22 697 4774 www.mforex.pl 1 Spis treści 1. Informacje ogólne... 3 2. Uruchamianie platformy... 3 3. Interfejs użytkownika...

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

Integracja systemów transakcyjnych

Integracja systemów transakcyjnych Integracja systemów transakcyjnych Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Alokacja danych Alokacja danych umieszczanie

Bardziej szczegółowo

Jorge Chan-Lau (2001) Corporate Restructuring in Japan: An Event- Study Analysis IMF Working Paper WP/01/202.

Jorge Chan-Lau (2001) Corporate Restructuring in Japan: An Event- Study Analysis IMF Working Paper WP/01/202. Jorge Chan-Lau (2001) Corporate Restructuring in Japan: An Event- Study Analysis IMF Working Paper WP/01/202. Modelowanie Rynków Finansowych 1 Japoński system bankowo-przemysłowy akcjonariat krzyżowy brak

Bardziej szczegółowo

technologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych.

technologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych. Informatyka Coraz częściej informatykę utoŝsamia się z pojęciem technologii informacyjnych. Za naukową podstawę informatyki uwaŝa się teorię informacji i jej związki z naukami technicznymi, np. elektroniką,

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

oferty kupujących oferty wytwórców

oferty kupujących oferty wytwórców Adam Bober Rybnik, styczeń Autor jest pracownikiem Wydziału Rozwoju Elektrowni Rybnik S.A. Artykuł stanowi wyłącznie własne poglądy autora. Jak praktycznie zwiększyć obrót na giełdzie? Giełda jako jedna

Bardziej szczegółowo

METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA

METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA AMFETAMINY Waldemar S. Krawczyk Centralne Laboratorium Kryminalistyczne Komendy Głównej Policji, Warszawa (praca obroniona na Wydziale Chemii Uniwersytetu

Bardziej szczegółowo

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną

Bardziej szczegółowo

INSTYTUT ELEKTROENERGETYKI POLITECHNIKI ŁÓDZKIEJ BADANIE PRZETWORNIKÓW POMIAROWYCH

INSTYTUT ELEKTROENERGETYKI POLITECHNIKI ŁÓDZKIEJ BADANIE PRZETWORNIKÓW POMIAROWYCH INSTYTUT ELEKTROENERGETYKI POLITECHNIKI ŁÓDZKIEJ ZAKŁAD ELEKTROWNI LABORATORIUM POMIARÓW I AUTOMATYKI W ELEKTROWNIACH BADANIE PRZETWORNIKÓW POMIAROWYCH Instrukcja do ćwiczenia Łódź 1996 1. CEL ĆWICZENIA

Bardziej szczegółowo

STRATEGIA JAGUAR TREND

STRATEGIA JAGUAR TREND STRATEGIA JAGUAR TREND Copyright by Jaguar Trend Forex Team 2010 Żadna częśd tej prezentacji nie może byd kopiowana ani rozpowszechniana bez uprzedniej pisemnej zgody autora. 1 Plan: Strategia Jaguar Trend

Bardziej szczegółowo

Systemy rozgrywek sportowych OGÓLNE ZASADY ORGANIZOWANIA ROZGRYWEK SPORTOWYCH

Systemy rozgrywek sportowych OGÓLNE ZASADY ORGANIZOWANIA ROZGRYWEK SPORTOWYCH Systemy rozgrywek sportowych OGÓLNE ZASADY ORGANIZOWANIA ROZGRYWEK SPORTOWYCH Rozgrywki sportowe moŝna organizować na kilka róŝnych sposobów, w zaleŝności od liczby zgłoszonych druŝyn, czasu, liczby boisk

Bardziej szczegółowo

PYTANIA DOTYCZĄCE NADZORU. 1. Dlaczego w nadzorze pedagogicznym pojawiło się nowe zadanie - prowadzenie ewaluacji wewnętrznej?

PYTANIA DOTYCZĄCE NADZORU. 1. Dlaczego w nadzorze pedagogicznym pojawiło się nowe zadanie - prowadzenie ewaluacji wewnętrznej? PYTANIA DOTYCZĄCE NADZORU 1. Dlaczego w nadzorze pedagogicznym pojawiło się nowe zadanie - prowadzenie ewaluacji wewnętrznej? W rozporządzeniu z dnia 7 października 2009 w sprawie sprawowania nadzoru pedagogicznego

Bardziej szczegółowo

PROCES PRODUKCJI CYKL PRODUKCYJNY SZEREGOWO-RÓWNOLEGŁY RYSOWANIE HARMONOGRAMU

PROCES PRODUKCJI CYKL PRODUKCYJNY SZEREGOWO-RÓWNOLEGŁY RYSOWANIE HARMONOGRAMU PROCES PRODUKCJI CYKL PRODUKCYJNY SZEREGOWO-RÓWNOLEGŁY RYSOWANIE HARMONOGRAMU 1. Proces produkcji Definicja Proces produkcyjny wyrobu zbiór operacji produkcyjnych realizowanych w uporządkowanej kolejności

Bardziej szczegółowo

Metody eliminacji zakłóceń w układach. Wykład Podstawy projektowania A.Korcala

Metody eliminacji zakłóceń w układach. Wykład Podstawy projektowania A.Korcala Metody eliminacji zakłóceń w układach Wykład Podstawy projektowania A.Korcala Ogólne zasady zwalczania zakłóceń Wszystkie metody eliminacji zakłóceń polegają w zasadzie na maksymalnym zwiększaniu stosunku

Bardziej szczegółowo

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH 1. Czym jest eksploracja danych Eksploracja danych definiowana jest jako zbiór technik odkrywania nietrywialnych zależności i schematów w dużych

Bardziej szczegółowo

STATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie

STATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie STATYSTYKA OD PODSTAW Z SYSTEMEM SAS wersja 9.2 i 9.3 Szkoła Główna Handlowa w Warszawie Spis treści Wprowadzenie... 6 1. Podstawowe informacje o systemie SAS... 9 1.1. Informacje ogólne... 9 1.2. Analityka...

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

Interwały. www.efixpolska.com

Interwały. www.efixpolska.com Interwały Dobór odpowiednich ram czasowych na których inwestor zamierza dokonywać transakcji jest podstawowym elementem strategii inwestycyjnej. W żargonie traderów sposób przedstawienia zmian ceny a w

Bardziej szczegółowo

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

ABONAMENT LISTA FUNKCJI / KONFIGURACJA

ABONAMENT LISTA FUNKCJI / KONFIGURACJA ABONAMENT PROFESJONALNY LISTA FUNKCJI / KONFIGURACJA INWESTOWANIE MOŻE BYĆ FASCYNUJĄCE GDY POSIADASZ ODPOWIEDNIE NARZĘDZIA Abonament Profesjonalny to rozwiązanie dla tych wszystkich, którzy na inwestowanie

Bardziej szczegółowo