Генетични размити системи и едно приложение във финансовото инвестиране

Пенка Вълкова Георгиева

Анотация


Финансовите мениджъри са изправени пред необходимостта да вземат решения в реално време в условия с много ограничения и понякога с неясна и неточна информация. Друга трудност възниква от огромното количество финансови данни. Съществуват различни и разнообразни софтуерни системи за подпомагане на процеса на вземане на инвестиционни решения, някои базирани на фундаментален анализ и други - на техническия анализ. Размити, базирани на правила системи, с техните уникални характеристики, като например прилагане на човешкото познание; грешка толерантност; способността сравнително лесно да се създадат модели на сложни динамични и не-детерминирани системи с нестабилни и несигурни параметри, са една технология, която предоставя средствата за преодоляване на посочените по-горе трудности. Основен недостатък на всяка размита система е липсата на гъвкавост. В тази работа са представени основни изисквания за създаване на хибридни системи, както и реализацията на хибридна генетична размита система за управление на финансови активи.


Ключови думи


генетични размити системи, софт компютинг, финансово инвестиране, математическо моделиране, вземане на решения

Източници


Bailey, D. H., J. M. Borwein, M. López de Prado, Q. Zhu. (2014). Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance. Notices of the AMS , 61(5), pp. pp. 458- 471.

Georgieva P. V., I. P. Popchev. (2013). Fuzzy Q-measure Model for Managing Financial Investments. Comptes Rendus de l'Academie Bulgare des Sciences, 66(5).

Georgieva P. V., I. P. Popchev and S. N. Stoyanov. (2015). A Multi-step procedure for asset allocation in case of limited resources. Cybernetics and information technologies, 15(3).

Herrera F. and M. Lozano. ( 1996). Adaptive Genetic Algorithms Based on Fuzzy Techniques. IPMU'96, (pp. pp. 775-780). Granada.

Herrera H., О. Cordon and M. Lozano. (1995). A classified review on the combination fuzzy logic-genetic algorithms bibliography. Granada: Universidad de Granada. Retrieved from http://decsai.ugr.s/~he

Jang, R.; C. Sun; E. Mizutani. (1997). Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall.

Karr C.L. (1991). Design of an Adaptive Fuzzy Logic Controller using Genetic Algorithms. Int. Conf. on Genetic Algorithms (ICGA'91), (pp. pp. 450-456). San Diego, CA.

Kendel A. (1991). Fuzzy Expert Systems. Florida, USA: CRC Press.

Kinzel J., F. Klawoon, and R. Kruse. (1994). Modifications of Genetic Algorithms for Designing and Optimizing Fuzzy controllers. First IEEE Conf. on Evolutionary Computing (ICEC'94), (pp. pp. 28-33). Orlando, FL.

Konar A. (2000). Artificial Intelligence and Soft Computing Behavioral and Cognitive Modeling of the Human brain. CRC Press.

Lee M.A., and H. Tagaki. (1993). Dynamic control of genetic algorithm using fuzzy logic techniques. Fifth Int. Conf. on Genetic Algorithms (pp. pp. 76-83). Morgan Kaufmann, CA.

Magdalena, L; F. Monasterio Huelin. (Volume: 16 Issue: 3-4, APR-MAY 1997). A fuzzy logic controller with learning through the evolution of its knowledge base. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING .

Mamdani, E. a. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, Vol. 7( No. 1).

Mechgoug R., Titaouine. (2014). Forecasting US Dollar/Euro Rate with Genetic Fuzzy Predictor. Engineering and Technology International Journal of Social Education.

Sugeno, M. (1985). Industrial applications of fuzzy control. Elsevier Science Pub. Co.

Surmann H., A. Kanstein and K. Goser. (1993). Self-Organizing and Genetic Algorithms for an Automatic Design of Fuzzy Control and Decision Systems. EUFIT'93, (pp. pp. 1097-1104). Aachen, Germany.

Web of Science. (n.d.). Retrieved 09 04, 2015, from Web of Science: http://apps.webofknowledge.com/

Ye. Z., L.Gu. (1994). A Fuzzy System for Trading the Shanghai Stock Market in Trading on the Edge (Vols. Neural, Genetic, and Fuzzy Systems for Chaotic Financial Markets). (G. Deboeck, Ed.) New Yor: Wiley.

Zafari, A. (2014). Developing a fuzzy inference system by using genetic algorithm and expert knowledge. The Netherlands: Enschede.

Георгиева П. (2013). Изследване на модели на софт компютинг за управление в реално време. София: АИ " проф. Марин Дринов".




##submission.copyrightStatement##

##submission.license.cc.by-nc-nd4.footer##