Ανάπτυξη και αξιολόγηση νευρωνικών μεθόδων πρόβλεψης και ταξινόμησης με κύρια έμφαση στις χρηματοοικονομικές εφαρμογές

Abstract

Τα τελευταία χρόνια τα νευρωνικά δίκτυα καθιερώνονται όλο και περισσότερο στο χώρο της ακαδημαϊκής έρευνας αλλά και της εμπορικής εκμετάλλευσης. Το κύριο χαρακτηριστικό τους είναι η ικανότητά τους να προσεγγίζουν μη γραμμικές σχέσεις χωρίς να κάνουν εκ των προτέρων υποθέσεις αναφορικά με τη φύση της διαδικασίας που δημιουργεί το υπό εξέταση φαινόμενο. Κύριος στόχος της διατριβής ήταν η ανάπτυξη ενός συνεκτικού πλαισίου μεθοδολογιών για την ανάπτυξη και αξιολόγηση νευρωνικών μεθόδων πρόβλεψης και ταξινόμησης. Ιδιαίτερα επικεντρωθήκαμε στην εκτίμηση διαστημάτων εμπιστοσύνης και πρόβλεψης για τα νευρωνικά δίκτυα. Μετά από εκτεταμένες προσομοιώσεις καταλήξαμε ότι η εκτίμηση διαστημάτων πρόβλεψης με τη χρήση της μεθόδου των συνόλων νευρωνικών δικτύων είναι κατάλληλη για τις περιπτώσεις μεταβαλλόμενης διακύμανσης και συνεπώς για τις χρηματοοικονομικές εφαρμογές. Αυτό το ασυνεκτικό πλαίσιο το εφαρμόσαμε σε δύο ενδεικτικές χρηματοοικονομικές εφαρμογές με ενθαρρυντικά αποτελέσματα. Η μία εφαρμογή αφορούσε τον προσδιορισμό της τιμής με την οποία θα εισαχθεί μια εταιρεία στο χρηματιστήριο και η δεύτερη τη χρήση πιθανοκρατικών στρατηγικών συναλλαγών με βάση τα νευρωνικά δίκτυα.

Neural networks are a relatively recent development, which they are receiving much attention because of their powerful universal approximation properties. From the statistician’s point of view neural networks can be seen as a consistent example of non parametric estimation. However, a major weakness of neural modeling is the lack of established procedures for testing the statistical significance of the various aspects of the estimated model and the estimation of confidence and predict intervals. The primary aim of our research was to provide a coherent framework for development and evaluation neural network models for forecasting and classification. Also, we examined using synthetic data the most popular methods for confidence and prediction estimation neural networks. The results of the simulations indicate that the ensemble methods work satisfactory versus the algebraic when the noise variance is function of x estimation. Finally, we used our framework on two financial problems and we found that our neural network model improves the accuracy of pricing IPOs and thereby provide substantial economic benefits in the form of reduced underpricing costs. Also, using a trading strategy based on prediction intervals of the S-day return forecasts of a neural network consistently and significantly out performed the buy and hold strategy.