Ústav teorie informace a automatizace

Jste zde

Bibliografie

Conference Paper (international conference)

Adaptive Control Applied to Financial Market Data

Šindelář Jan, Kárný Miroslav

: Advanced Mathematical Methods for Finance 2007, p. 1-6

: Advanced Mathematical Methods for Finance, (Vídeň, AT, 17.09.2007-22.09.2007)

: CEZ:AV0Z10750506

: 2C06001, GA MŠk

: bayesian statistics, portfolio optimization, finance, adaptive control

: http://library.utia.cas.cz/separaty/2007/si/sindelar-adaptive control applied to financial market data.pdf

(eng): Our research aim is to plan an optimal decision strategy in trading commodity futures markets. At a given time, we have to decide to buy or sell a commodity contract or stay out of the market. The decision is made using dynamic programming using many different quantities - previous price maxima and minima or variance, commitment of traders information or own engineered quantities taken out of trading experience. As a loss function we take the negative profit measured in money, where the probability density functions(PDF) are estimated using Bayesian learning. For computational solvability, we need to implement a series of approximations: predictive PDFs are computed using parametric models from an exponential family, giving us easy to adapt systems. We use point estimates to overcome the curse of dimensionality and we are trying to lower the number of dimensions (main components analysis etc.).

(cze): Prováděný výzkum se zabývá navrhováním optimální strategie pro obchodování na komoditních trzích. V daném čase se musíme rozhodnout, zda koupit nebo prodat komoditní kontrakt nebo zda zůstat mimo trh. Optima je dosahováno za pomoci dynamického programování s použitím rozličných vstupních veličin - maxim a minim předchozích cen, commitment of traders a dalších veličnin navržených podle dosavadních zkušeností s obchodováním. Jako ztrátová funkce se bere záporná hodnota zisku měřená v penězích. Hustoty pravděpodobnosti jednotlivých možných pohybů cen jsou odhadovány za pomoci techniky Bayesovského učení. Pro snížení složitosti výpočtů je použita řada přiblížení: hustoty pravděpodobnosti jsou parametrizovány jednoduchými modely z exponenciální rodiny, používáme pouze bodové odhady parametrů namísto celých hustot a snažíme se snížit počet rozměrů jednotlivých modelů. V modelech používáme zapomínání pro lepší souhlas s realitou, kde stará data nemají stejný vliv, jako data nová.

: BB

07.01.2019 - 08:39