Hybrid GMDH deep learning networks – analysis, optimization and applications in forecasting at financial sphere

Скорочена інформація про документ
dc.contributor.authorZaychenko, Yuriy P.
dc.contributor.authorZaychenko, Helen Yu.
dc.contributor.authorHamidov, Galib
dc.date.accessioned2022-11-10T12:49:58Z
dc.date.available2022-11-10T12:49:58Z
dc.date.issued2022
dc.description.abstractenIn this paper, the new class of deep learning (DL) neural networks is considered and investigated — so-called hybrid DL networks based on self-organization method Group Method of Data Handling (GDMH). The application of GMDH enables not only to train neural weights, but also to construct the network structure as well. Different elementary neurons with two inputs may be used as nodes of this structure. So the advantage of such a structure is the small number of tuning parameters. In this paper, the optimization of parameters and the structure of hybrid neo-fuzzy networks was performed. The application of hybrid Dl networks for forecasting market indices was considered with various forecasting intervals: one day, one week, and one month. The experimental investigations of hybrid GMDH neofuzzy networks were carried out and comparison of its efficiency with FNN ANFIS in the forecasting problem was performed which enabled to estimate their efficiency and advantages.uk
dc.description.abstractukРозглянуто та досліджено новий клас мереж глибокого навчання — гібридні мережі глибокого навчання на основі методу самоорганізації МГУА. Застосування МГУА дозволяє навчати не тільки ваги зв’язків, але і конструювати структуру мережі. Як вузли мережі можуть бути використані елементарні нейрони з двома входами. Перевага такої структури — мала кількість налаштовуваних параметрів. Виконано оптимізацію параметрів та структури гібридних неофаззі мереж. Розглянуто застосування гібридних мереж глибокого навчання з оптимізованими параметрами для прогнозування біржових індексів з різними інтервалами упередження — один день, тиждень та місяць. Проведено експериментальні дослідження гібридних МГУА неофаззі мереж та порівняння їх з нечіткою нейронною мережею ANFIS, що дозволило оцінити ефективність та переваги гібридних мереж порівняно звичайними мережами глибокого навчання.uk
dc.format.pagerangeС. 73-86uk
dc.identifier.citationZaychenko, Yu. Hybrid GMDH deep learning networks – analysis, optimization and applications in forecasting at financial sphere / Yu. Zaychenko, He. Zaichenko, G. Hamidov // Системні дослідження та інформаційні технології : міжнародний науково-технічний журнал. – 2022. – № 1. – С. 73-86. – Бібліогр.: 18 назв.uk
dc.identifier.doihttps://doi.org/10.20535/SRIT.2308-8893.2022.1.06
dc.identifier.orcid0000-0001-9662-3269uk
dc.identifier.orcid0000-0002-4546-0428uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/51019
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceСистемні дослідження та інформаційні технології : міжнародний науково-технічний журнал, № 1uk
dc.subjecthybrid deep learning networksuk
dc.subjectself-organizationuk
dc.subjectparameters and structure optimizationuk
dc.subjectforecastinguk
dc.subjectгібридні мережі глибокого навчанняuk
dc.subjectсамоорганізаціяuk
dc.subjectоптимізація параметрів і структуриuk
dc.subjectпрогнозуванняuk
dc.subject.udc519.925.51uk
dc.titleHybrid GMDH deep learning networks – analysis, optimization and applications in forecasting at financial sphereuk
dc.title.alternativeГибридні МГУА-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сферіuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
2022_1_73-86.pdf
Розмір:
585.16 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Системні дослідження та інформаційні технології: міжнародний науково-технічний журнал, № 1