En los últimos años, la previsión de la dinámica de los mercados financieros ha sido objeto de investigación económica. Para predecir los índices de precios de los mercados bursátiles, desarrollamos una arquitectura que combina redes neuronales recurrentes de Elman con una función efectiva de tiempo estocástica. Analizando el modelo propuesto con los métodos de análisis de regresión lineal, distancia invariante de complejidad (CID) y CID multiescala (MCID) y comparando el modelo con diferentes modelos como la red neuronal de retropropagación (BPNN), la red neuronal efectiva en el tiempo estocástico (STNN) y la red neuronal recurrente de Elman (ERNN), los resultados empíricos muestran que la red neuronal propuesta muestra el mejor rendimiento entre estas redes neuronales en la previsión de series temporales financieras. Además, la investigación empírica se lleva a cabo para probar los efectos de predicción de SSE, TWSE, KOSPI y Nikkei225 con el modelo establecido, y también se exhiben las correspondientes comparaciones estadísticas de los índices de mercado mencionados. Los resultados experimentales muestran que este enfoque ofrece un buen rendimiento en la predicción de los valores de los índices bursátiles.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Neurofeedback de bucle cerrado basado en EEG para la monitorización y el entrenamiento de la atención en adultos jóvenes
Artículo:
Nuevos conocimientos sobre los mecanismos de endurecimiento de las conchas marinas: De la forma de arco a la estructura multicapa
Artículo:
Desarrollo de un cabezal sensor óptico para mediciones de corriente y temperatura en sistemas de potencia
Artículo:
Hemostato de trombina mejorado mediante gelatina reticulada por transglutaminasa microbiana
Artículo:
Fácil formación de películas nanodisco-dendríticas de ZnO mediante un proceso controlado de electrodeposición