Marzec 1998 r. TUTAJ WSPÓŁPRACOWNICZYCH W tym miesiącu wybrano Porady dla handlowców, wnoszone przez różnych programistów oprogramowania do analizy technicznej, aby ułatwić czytelnikom wdrożenie niektórych strategii przedstawionych w tym wydaniu. Możesz skopiować te formuły i programy do łatwego użycia w Twoim arkusz kalkulacyjny lub oprogramowanie do analizy Wystarczy wybrać żądany tekst, zaznaczając dowolny edytor tekstu, a następnie użyj standardowego polecenia klucza, aby skopiować lub wybrać kopię z menu przeglądarki Skopiowany tekst można wkleić do dowolnego otwartego arkusza kalkulacyjnego lub innego oprogramowania przez wybierając punkt wstawiania i wykonując polecenie wklejenia Przełączając się między oknem aplikacji a otwartą stroną internetową, można łatwo przenieść dane. W tym artykule sformułowania i programy. Adaptacyjna średnia ruchoma, która została omówiona w wywiad z Perry'm Kaufmanem w wydaniu bonusowym wydanym w 1998 r. w artykułach oryginalnych wydanym w marcu 1995 r. jest doskonałą alternatywą dla standardowe obliczenia średnie ruchome W tym miesiącu s Poradniki dla handlowców przedstawię dwa łatwe studia językowe i system Easy Language oparty na adaptacyjnej średniej ruchomej. Adiustyczna średnia ruchoma używana w badaniach i systemie w TradeStation lub SuperCharts to wykonywane przede wszystkim przez funkcję zwaną AMA Kolejna funkcja określana jako AMAF służy do obliczania adaptacyjnego filtra średniej ruchomej Jak zawsze należy utworzyć funkcje przed opracowaniem systemu badawczego Typ Funkcja Nazwa AMA. Vars Noise 0, Signal 0, Diff 0, efRatio 0, Gładki 1, Najszybszy 6667, Najmniejszy 0645, AdaptMA 0.Diff AbsValue Zamknij - Zamknij 1.IF Aktualny okres Bazar, a następnie AdaptMA Close. IF Aktualny okres Bazar, a następnie Rozpocznij Sygnał Abs. Zamknij - Zamknij Okres Okresu. Numer, Period. efRatio Signal Noise. Smooth Power EfRatio Najszybszy - Slowest Slowest, 2. AdaptMA AdaptMA 1 Gładki Zamknij - AdaptMA 1 End. Inputs Period Numeric, Pcnt Numeric. Vars Hałas 0, Sygnał 0 , Diff 0, efRatio 0, Smooth 1, Fast 6667, Slowest 0645, AdaptMA 0, AMAFltr 0.Diff AbsValue Close - Zamknij 1.IF CurrentBar Period Then AdaptMA Close. IF Aktualny okres Bazar, a następnie Rozpocznij Sygnał Abs. Zamknij - Zamknij Okres Okresu Diff, Period. efRatio Sygnał Noise. Smooth Power EfRatio Najszybszy - Najdłuższy Slowest, 2.AdaptMA AdaptMA 1 Gładki Zamknij - AdaptMA 1.AMAFltr StdDev AdaptMA-AdaptMA 1, Okres Pcnt End. AMAF AMAFltr Po pomyślnym utworzeniu obu funkcji, możesz a następnie utworzyć dwa badania i system Pierwszy wskaźnik pokazuje adaptacyjne ruchomej średniej linii, z opcjonalnym skrętem Twist jest to, że linia AMA może być wygładzona przy użyciu regresji liniowej W ten sposób znalazłem się w wskaźniku wejście o nazwie gładkie, które pozwala na w celu ustalenia, czy linia AMA powinna być wygładzona, czy nie AY, ponieważ wartość wejściowa wygładza obliczenia An N po prostu skłania surową linię AMA Ten wskaźnik powinien być skalowany na Tak samo jak dane o cenie Typ Wskaźnik Nazwa MovAvg Adaptive. Inpu ts Okres 10, gładki Y. IF Górny grzbiet gładki Y Następnie wykres 1 LinearRegValue Okres AMA, okres, 0, wygładzony fragment AMA Inne 2 Okres AMA, Adaptacyjne MA Drugi wskaźnik Mov Avg Adaptive Fltr przyjmuje koncepcję filtrowania i stosuje ją do wskaźnika Na podstawie na filtrowanej adaptacyjnej średniej ruchomej parametrze AMAF wskaźnik ten będzie wypisywał pionową linię niebieską lub czerwoną, w zależności od spełnionego warunku Wartości odbite przez pionowe linie odzwierciedlają wartość obliczania filtra AMA Niektóre sugerowane ustawienia formatu są podane po kod wskaźnika Typ Nazwa wskaźnika MovAvg Adaptive Fltr. Inputs Okres 10, Pcnt 15.Vars AMAVal 0, AMAFVal 0, AMALs 0, AMAHs 0.AMAFVAL Okres AMAF, Pcnt. IF CurrentBar 1 Następnie rozpocznij AMALs AMAVal. AMAHs AMAVal End Else Rozpocznij IF AMAVal AMAVal 1 Następnie AMALs AMAVal IF AMAVAL AMAVal 1 Następnie AMAHs AMAVal IF AMAVAL - AMALs AMAFVal Następnie rozpocznij działanie 1 AMAFVal, Buy. IF Plot1 1 0 Następnie ostrzegaj przed końcem True AMAHs - AMAFVal AMAVAL następnie rozpocznij działanie 2 AMAFVal, Sell. IF Plo t2 1 0 Następnie Alert True End Plot3 AMAFVal, ekran skalowalny AMAFilter End. Style System Adaptive Fltr MovAvg poniżej jest oparty na regułach dla wpisów opartych na filtrowanej adaptacyjnej średniej ruchomości. Typ System. Name MovAvg Adaptive Fltr. Inputs Period 10 , Pcnt 15.Vars AMAVal 0, AMAFVal 0, AMALs 0, AMAHs 0.AMAFVAL Czas AMAF, Pcnt. IF CurrentBar 1 Następnie rozpocznij AMALs AMAVal. AMAHs AMAVal End Else Rozpocznij, jeśli AMAVAL AMAVAL 1 Następnie AMALs AMAVAL IF AMAVAL AMAVAL 1 Następnie AMAHs AMAVal IF AMAVAL - AMALs przecina powyższe AMAFVal Następnie zrób to pole na zamknięciu Jeśli AMAHs - przecina AMAVal powyżej AMAFVal Następnie Sprzedaj ten pasek na zamknięciu Ten kod jest także dostępny w witrynie Omega Research Sieć jest nazwą pliku Należy pamiętać, że wszystkie wskazówki dla handlowców Techniki analizy opublikowane w witrynie sieci Web Omega Research mogą być używane zarówno przez TradeStation jak i SuperCharts Gdy tylko jest to możliwe, opublikowane techniki analizy obejmie zarówno format Quick Editor, jak i Power Editor .-- Gaston Sanchez, Omega Research 800 422-8587, 305 270-1095 Internet Powrót do listy. W programie MetaStock 6 5 można łatwo utworzyć adaptacyjny system średniej ruchomej, omawiany przez Perry Kaufman w wywiadzie zamieszczonym w wydaniu bonusowym z 1998 r. Z uruchomionym programem MetaStock 6 5 wybierz opcję Budynek wskaźników z menu Narzędzia, a następnie kliknij przycisk Nowy Wprowadź następujące formuły. Adaptive Moving Average Binary Wave. Periods Okresy czasu wejściowego, 1,1000, 10.Direction ZAMKNIJ - Ref ZAMKNIJ, - pery. SSC ER FastSC - SlowSC SlowSC. AMA Jeśli Cum 1 okresy 1, ref Close, -1 stała CLOSE - ref Zamknij, -1, poprzednia stała CLOSE - PREV. FilterPercent Filtr wejściowy procentowy, 0,100,15 100. Filtr filtrującyPercent Std AMA - Ref AMA, -1, Periods. AMALow Jeśli AMA Ref AMA, -1, AMA, PREV. AMAHigh Jeśli AMA Ref AMA, -1, AMA, PREV. Adaptive Moving Average. Periods Okresy czasu wejściowego, 1,1000, 10.Usuwanie ZAMKNIJ - ZAMKNIEJ ZAMKNIĘCIE, - pery. SSC ER FastSC - SlowSC SlowSC. AMA Jeśli Cum 1 okresy 1, ref Close, -1 stała CLOSE - ref Zamknij, -1, poprzednia stała CLOSE - POPRZ. Jeśli chcesz zobaczyć ada średniej ruchomej ptive, wystarczy umieścić ją na dowolnym wykresie w MetaStock Jeśli chcesz zobaczyć sygnały kupna i sprzedaży z adaptacyjnego systemu średniej ruchomej, sporządź adaptacyjną średnią ruchową falę binarną Ta binarna fala wykreśla 1, gdy jest sygnał kupna, 1 dla sygnału sprzedającego i zerowego, gdy nie ma sygnału - Alla J McNichola, EQUIS International 800 882-3040, 801 265-8886 Internet Powrót do listy. TECHNIFILTER PLUS. Na saj TechniFilter Plus, wersja 8, formuła adaptacyjnego średnią ruchową AMA omawianą przez Perry Kaufman w wydaniu bonusowym z 1998 roku. AMA jest średnią wykładniczą, w której masa mnożnika może zmieniać się każdego dnia między wartością maksymalną a minimalną. Ponieważ ceny kształtują się silnie, ta zmienna masa zbliża się do wartości maksymalnej, powodując AMA śledzić krzywą cenową bardziej Gdy ceny są zygzakujące, zmienna masa zbliża się do wartości minimalnej, powodując spłaszczenie AMA, stosuje stosunek zmiany ceny do wahań cen do skali wagi zmiennej. Wzór wykorzystuje trzy parametry 2, 30 i 10 Pierwszy parametr 2 wskazuje, że dwudniowa średnia wykładnicza jest najszybszą średnią dla średniej zmiennej Drugi parametr 30 wskazuje, że średnica 30-dniowa jest najmniejszą średnią dla zmiennej średnio Trzeci parametr, 10, wskazuje okres zwrotu do obliczania, w jaki sposób masa ulegnie zmianie. Przeniesienie Adaptive Moving Average Formula. SWITCHES multiline rekursywnej. Wartość transakcji C. FORMULA Ta strategia TechniFilter Plus oraz raporty, strategie i wzory wcześniejszych Handlowców Porady można pobrać ze strony internetowej RTR --Clay Burch, RTR Software 919 510-0608, E-mail Internet Powrót do listy. WAVEWI E MARKET SPREADSHEET. Jest to wdrożenie programu WAVE WI E adaptacyjnej średniej ruchomej Perry Kaufman AMA , omówione w prezentacji wywiadu dotyczącego emisji bonusowej w 1998 r. --Peter Di Girolamo, Jerome Technology 908 369-7503, poczta elektroniczna Powrót do listy. Perry Kaufman s adaptive moving average PRZEDMIOTY STOCZKOWE, 1 998 Bonus Issue jest dobrym przykładem zastosowania umiejętności formułowania użytkowników w programie SMARTrader Kluczem do stworzenia adaptacyjnej średniej ruchowej AMA jest możliwość pisania rekurencyjnych lub samouczących się formuł, które zwracam uwagę na postępowanie. oznaczone offsetem, używane jest w połączeniu z wierszem 15 w celu zaszczekiwania wartości wprowadzonych ręcznie w arkuszu kalkulacyjnym w komórkach od I5 do I14 Kierunek wyznacza się w rzędzie 5 przy użyciu 10-etapowego badania Momentu Rzędne 6, 7 i 8 obliczają zmienność przy pierwszym obliczeniu jednokrotny pęd, a następnie przyjąć bezwzględną wartość pędu i wreszcie zsumować serię 10-wierszy rzędów 9 i 10 obliczyć wartość ER i jego wartość bezwzględną rzędy 11 i 12 to współczynniki zawierające wartości eksponentów reprezentujące odpowiednio dwa i 30 okresów Wiersz 13 oblicza wartość ssc wiersz 14 kwadratów ssc, dając c. Row 16 oblicza rzeczywiste AMA i jest pierwszym wierszem, który jest rekurencyjny wiersz 17, także rekurencyjny, oblicza różnicę bieżącego i poprzedniego veed AMA Row 18, AMAdiff używa instrukcji if, aby uniknąć zgłaszania nieprawidłowego wyniku w kolumnie 1, ponieważ przed kolumną 1 nic nie daje prawidłowego obliczenia. Row 19 oblicza 10-krotne odchylenie standardowe AMAdiff Row 20 to współczynnik zawierający wartość procentową wiersz 21 oblicza wartość filtra Rzędy 22 i 23 to rekursywne wiersze użytkownika, które śledzą niski poziom AMA i AMA. Rows 23 i 24 są odpowiednio regułami kupna sprzedaży. Ilustracja 1 SMARTRADER Ten Specjalny arkusz SMARTrader implementuje Perry Kaufman s adaptacyjnej średniej ruchomej od wydania bonusu z 1998 r. Ten arkusz jest również dostępny na stronie internetowej Stratagem --Jim Ritter, Stratagem Software International 504 885-7353, E-mail Internet Powrót do listy. Bollinger Bands. Bollinger Bands - Expert System. CCI 100 -100 Crossover. Chande Oscylator Momentum - System ekspercki. Classic MA Penetracja z optymalizacją. Ruch ruchu jednokierunkowy z optymalizacją. kierunkowy ruch - Expert System. MACD z optymalizacją. MACD - Expert System. Mome Wskaźniki ntum - system ekspercki. Moving przeciętne przecięcia z optymalizacją. Negatywny indeks woluminu z optymalizacją. Relatywny indeks siły - Expert System. Relative Strength Index 70 30 z Optimization. Stochastic 20 80 z Optimization. Stochastic Oscylator - Expert System. Trend Analysis - Expert System Analiza wibracji - system ekspercki System punktowy i system wzoru rysunku System punktowy i system wzorcowy z optymalizacją. Pivots Bollinger Bands Modified. Power Pivots CCI Modified. Power Pivot Momentum Pivot Pivot Pivot Rotation. Power Pivot Frame Frame Convergence. Performance Adaptacyjne ruchy średnie. Performance Systems Bull Power Bear Power 1.Performance Systems Bull Moc Power Bear 2.Performance Systems Bull Moc Power Bear 3.Performance Systems Commodity Channel Index. Performance Systems Chande prognozy Oscylator. Performance Systems CMO Odwrócenie. Performance Systems Breakout Konsolidacja. Systemy Performance Systems Cooper 1234. Procesy cyklu produkcyjnego on. Performance Systems Momentum Dynamiczny Index 1.Performance Systems Exponential Moving Average. Performance Systems Fractal Trading System 1.Performance Systems Fractal Trading System 2.Performance Systems Długie sprzedaży krótkiej sprzedaży - 5 Day. Performance Systems Histogram MACD 1.Performance Systems MACD Histogram 2.Performance Systems Meisels Overbought Oversold. Performance Systems MESA Sine Wave. Performance Systems System handlu wzorami. Performance Systems Percentage Crossover 3.Performance Systems Projection Oscillator 1.Performance Systems Stochastic Relative Strength Index. Performance Systems Swing Index. Performance Systems Pionowy poziomy Filter. Performance System Zmienność Breakout Chaikin. Profitunity - Bill Williams. Momentum Filtr - Robert Deel. ODDS Option Analyst - Don Fishback1 Dzień Wysokie Volume.1 Dzień High Volume Price.1 Day Surge Volume.5 Dzień High Volume.5 Day High Volume Price. 5 dniowa objętość objętościowa.90 Dzień Średniowa objętość.90 Dnia Wysokie Objętość Cena brutto. Bands Waves. Bollinger Bands. Bollin ger Zespoły - Expert System. Chande Oscylator Momentum - Expert System. Ruch ruchu jednokierunkowy - Expert System. Indicators, 5 Popular. Long-term Bearish. Long-term Bullish. MACD - Expert system. MACD Kup Signal. MACD porównawczej względnej Strength. Momentum Wskaźniki - system ekspercki. Performance, Daily. Performance, Monthly. Price i Volume Breakout. Relative Strength Index - Expert System. Stochastic Oscylator - Ekspert System. Trend Analysis - Expert System. Volatility Analiza - Expert System. Volume Powyżej Average. Wilder s Directional RuchMarketSpace Stock System - Gill Raff. Point Rysunek Wzór Search. Point Rysunek Najnowsze Patterns. Point Rysunek Status Report. Point Rysunek Watchlist Maker. Power Pivots Bollinger Bands Modified. Power Pivots CCI Modified. Power Pivot Pivot Momentum. Power obrotowy Pivot Rotation. Układy konwergencji ramek czasowych mocy. Układy dopasowania ruchu Adaptacyjne ruchy średnie sygnały. Systemy mocy Bull Power Bear Power 1 Signal. Performance Systems Bull Power Bear Power 2 Wydajność. Performance Systems Power Bull Bear Power 2 Signal. Performance Systems Moc Bull Bear Power 3 Systemy Signal. Performance Commodity Channel Index Signal. Performance Systems Chande Prognoza oscylatora Performance. Performance Systems Chande Prognoza Oscylator Signal. Performance Systems CMO Odwrócenie Signal. Performance Systems Breakout Konsolidacja Signal. Performance Systems Cooper 1234 Signal. Performance Systems Signal. Performance Systems Progresywność cyklu Procentowy dynamiczny system dynamiczny Dynamika dynamiczna Przeprowadzenie Średnia wydajność Przeprowadzanie średnich sygnałów Przepływowe systemy transakcyjne Fractal Trading System 1 Signal. Performance Systems Fractal Trading System 2 Signal. Performance Systems Długie sprzedawanie krótkiej sprzedaży - 5-dniowe systemy wydajności. Performance Long Sell Short Sale - 5-dniowe systemy Signal. Performance MACD Histogram 1 Signal. Performance Systems MACD Histogram 2 Signal. Performance Systems Meisels Overbought Overprodukcja Performance. Performance Syste ms Meisels Overbought Oversold Signal. Performance Systems MESA Sine Wave Performance. Performance Systems MESA Sygnał Sygnału Sygnałowego. Performance Systems System obrotu wzorcem Performance. Performance Systems System Trading Pattern Signal. Performance Systems Percentage Crossover 3 Signal. Performance Systems Projection Oscillator 1 Performance. Performance Systems Oscylator projekcji 1 Systemy sygnałowe. Performance Stochastyczny wskaźnik wytrzymałości względnej Wskaźnik. Systemy wydajnościowe Swing Index Performance. Performance Systems Rekordowe sygnały rentgenowskie. Systemy sygnałów pionowych Pionowe poziomy filtrów Signal. Performance Systems Zmienność rozkładu Chaikin Performance. Performance Systems Zmienność rozkładu Chaikin Signal. Forecasting of exchange wskaźniki przy użyciu adaptacyjnego modelu ARMA z różnicą w ewolucyjnym szkoleniu. Minakhi Rout a. Babita Majhi b, c. Ritanjali Majhi d. Ganapati Panda ea Dział CSE, ITER, Siksha O Anusandhan Wyznany na Uniwersytet, Bhubaneswar, Indie. b Dział Automatyczna kontrola i Sy inżynieria, Uniwersytet w Sheffield, UK. c Dział CSIT, GG Uniwersytet Centralny Vishwavidyalaya, Bilaspur, Indie. d Szkoła Zarządzania, Narodowy Instytut Technologii, Warangal, Indie. e Szkoła Nauk Elektrycznych, Indyjski Instytut Technologii, Bhubaneswar , Indie. Received 20 lipca 2017 r. Aktualizacja 4 grudnia 2017 r. Zatwierdzona 2 stycznia 2017 r. Dostępny online 8 stycznia 2017 r. Aby złagodzić ograniczenia statystycznych metod prognozowania kursów walutowych, wprowadzono w literaturze miękkie i ewolucyjne techniki obliczeniowe. badania w tym kierunku Niniejsza praca przedstawia prosty, ale obiecujący model predykcji hybrydowej, odpowiednio łącząc adaptacyjną, autoregresywną średnią ruchomą architekturę ARiMR i różną ewolucję ewolucję opartą na DE jego parametrów przekazywania informacji zwrotnych i odczytywania danych Proste cechy statystyczne są wyodrębniane dla każdego kursu wymiany przy użyciu okno przesuwne przeszłych danych i jest wykorzystywane jako dane wejściowe do modelu przewidywania szkolenie własnych współczynników wewnętrznych za pomocą strategii optymalizacji DE Efektywność predykcji jest walidowana przy użyciu przeszłych kursów walut, które nie są wykorzystywane do celów szkoleniowych Wyniki symulacji z wykorzystaniem danych rzeczywistych są prezentowane na trzy różne kursy wymiany przez prognozy wyprzedzające co najmniej piętnaście miesięcy Wyniki opracowanego modelu są porównywane z inne cztery konkurencyjne metody, takie jak optymalizacja roju ARMA-cząstek PSO, ARMA-cat optymalizacji CSO, optymalizacja bakteryjnego ARMA BFO i ARMA-forward najmniej średnio kwadratowy FBLMS Model prognozowania ARMA-FBLMS pochodnych wykazuje najgorsze wyniki przewidywania wymiany kursy Porównanie różnych wskaźników skuteczności, w tym czas szkolenia wszystkich trzech modeli ewolucyjnych obliczeń wykazuje, że proponowany model predykcyjny kursów ARMA-DE charakteryzuje się lepszym potencjałem predykcyjnym krótko i długoterminowym w porównaniu do innych. Prognozowanie kursów walutowych. Automatyczna regresywna ruchoma zmienna e model ARMA. Wsteczny wstecz LMS. Particle roamingowa optymalizacja PSO. Różna ewolucja DE. Cat optymalizacja roju CSO i optymalizacja bakterii BFO.1 Wprowadzenie. Precyzyjne przewidywanie różnych kursów walutowych jest ważne, ponieważ znaczna ilość transakcji odbywa się za pośrednictwem rynku walutowego Przewidywanie ma wpływ czynniki ekonomiczne i polityczne, a także niepewność i nieliniowość. Dokładne prognozowanie kursów walut jest złożonym zadaniem. W literaturze opisano tutaj wiele interesujących publikacji dotyczących przewidywania kursów walutowych. W takich warunkach dane oparte są na podejściu prognozowanego podejścia okazał się skuteczny w przypadku różnych serii czasowych finansowych W niedawnym artykule Yu i wsp. 2005 autorzy zaproponowali ulepszony model prognozowania kursów walutowych poprzez integrację uogólnionej autoregresji liniowej i sztucznej sieci neuronowej W innej książce Zhang and Wan, 2007 autorzy mieć develo Prace nad nowatorskim, ziarnistym podejściem do prognozowania kursu walutowego Wyniki badań eksperymentalnych wykazują, że sieć neuronowa rozmytych sieci może zapewnić bardziej niezawodne przewidywania. Stosując pojedynczą warstwową, nieliniową adaptacyjny model Majhi i wsp., autorzy zaproponowali skuteczny system przewidywania kursów wymiany między dolarem amerykańskim a funtem brytyjskim, rupiami indyjskimi i japońskim jenem Zaproponowali również inny skuteczny model przewidywania poprzez kaskadowanie dwóch etapów jednowarstwowej sieci nieliniowej W innym badaniu zastosowano zarówno metody parametryczne, jak i nieparametryczne samoorganizujące metody modelowania codzienne przewidywania dolara amerykańskiego i znaku Deutche przeciwko brytyjskim funtom Anastasakis i Mort, 2009 Zgłoszono, że podejście połączone daje obiecujące rezultaty Model hybrydowy wykorzystujący teorię przybliżonej teorii RST i sterowany wektorowo wektor graficzny DAGSVM zostały odpowiednio połączone do analizy kursów wymiany Pai i wsp. 2017 Okazało się, że proponowana metoda jest obiecującą alternatywą dla analizy kursów walutowych Inne struktury, które zostały wykorzystane do celów prognozowania są omawiane w dalszej części. Metoda Boxa Jenkinsa używająca autoregresywnej średniej ruchomej ARMA Box i Jenkins, 1976 modele liniowe były szeroko stosowane w wielu dziedzinach prognozowania szeregów czasowych Typowy model ARMA składa się z trzech etapów identyfikacji, estymacji parametrów i prognozowania Wśród tych trzech kroków etap identyfikacji polega na określeniu kolejności części AR i MA Istotny jest model ARMA Ten krok wymaga informacji statystycznych, takich jak autokorelacja i częściowa autokorelacja Box i Jenkins, 1976 Problem estymacji kolejności i parametrów modelu ARMA jest wciąż aktywnym obszarem badań Rojasa i in. 2008Rejestracje modelu ARMA takich jak wektory ARiMR dla prognozowania stawek bonów skarbowych i zmian w dostawach pieniężnych Aks u, 1991 i sezonowy zróżnicowany ułamkowo model ARMA w prognozowaniu długoterminowych dochodów firmy IBM Ray, 1993 przedstawiono w piśmiennictwie Model ARMA wielokrotności został zastosowany do modelowania kanadyjskich prognoz pieniężnych, prognoz dochodów i stóp procentowych Boudjellaba i wsp. 1994 Oprócz klastrowania dane z serii szeregowej zostały przeprowadzone przy użyciu modelu ARMA Xiong i Yeung, 2004. Chociaż podejście stochastyczne podejścia do szeregów czasowych w Box Jenkins może dostarczyć dokładnych wyników prognozowanych, modele te oparte są na stałym projekcie parametrów Na podstawie zestawu danych historycznych, struktury modelu a także jego parametry są określane i szacowane Dostarczony model jest następnie wykorzystywany do prognozowania przyszłości W sytuacjach praktycznych, w których dodawane są nowe dane, parametry wymagają ponownej oceny, a zatem takie podejście zapewnia ograniczoną dokładność prognozowania Chen i wsp. 1995 Jednym z głównych wymagań modelu ARMA jest taki, że szereg czasowy musi być liniowy i stacjonarny Wu i Chan, 2017 Ale dane z serii danych rzeczywistych są nieliniowe i niestacjonarne W literaturze zaproponowano różne metody hybrydowe ARMA dla celów prognozowania Zastosowanie hybrydyzacji autoregresji z egzogennym wejściem NARX z ARMA dla stanu maszyn Pham et al 2017, ARMA i sieci neuronowych dla numerów plam słonecznych i tendencji Chattopadhyay i wsp. 2017, szary i ARMA dla dryfu żyroskopu Zhou i Hu, 2008 oraz ARMA i TDNN dla promieniowania słonecznego Wu i Chan, prognoza z 2017 r. Sugerowano logikę rozmyte, sztuczne sieci neuronowe ANN i modele ARMA zostały odpowiednio połączone w celu prognozowania szeregów czasowych Rojasa et al 2008 W marcu da Silva, 2008 r., zaproponowano prognozowanie szeregowej sieci neuronowej z ARMA dla prognozowania szeregów czasowych. McDonald, 1989 r. opracowano częściowo adaptacyjny estymator modeli ARMA, w tym kryteria najmniejszych bezwzględnych i najmniejszych kwadratów. Adaptacyjny model ARMA dla krótkich w Chen i wsp. 1995 r. próbka szeregów czasowych zależy od obecnego jak również w przeszłości, odpowiednia seria czasowa może być lepiej modelowana przez pole zero-zero lub model ARMA Takie szeregy czasowe mogą być modelowane za pomocą konwencjonalnych zerowych lub skończonych impulsów odpowiedzi FIR lub modeli nie rekurencyjnych Ale kolejność odpowiadających model byłby duży, a zatem bardziej złożona złożoność obliczeniowa byłaby zaangażowana w szkolenie i prowadzenie modelu W przypadku dynamicznych i nieliniowych danych, stały model ARMA daje złe wyniki przewidywania, ponieważ wcześniej oszacowane parametry nie działają dobrze w nowych sytuacjach W ten sposób adaptacyjna ARiMR, w której parametry mogą być przekwalifikowane lepiej dostosować do przewidywanej serii czasowej W literaturze zaproponowano różne modele adaptacyjnych modeli ARMA. Algorytm w przód i wstecznie najmniej kwadratowy algorytm FBLMS i rekurencyjny najmniejszy kwadratowy widły i widma RLS, 1985 zastosowano do uzyskiwanie modelu ARMA w sposób iteracyjny Ale te algorytmy są oparte na pochodnych i stąd jego parametry mają tendencję cy do upadku w lokalnym rozwiązaniu minima Rozwój i Strean, 1985 Aby uniknąć takiej sytuacji zaproponowano dostosowanie modeli ARMA do adaptacji za pomocą algorytmów swobodnego nauczania pochodnego W niedawnej przeszłości Algorytm genetyczny GA został wykorzystany do oszacowania struktury i parametrów ARiMR model prognozowania szeregów czasowych Flores i wsp. 2017 oraz model PSO-ARMA zaproponowano w prognozach sprzedaży Majhi i wsp. 2009a Wykorzystanie GA w szkoleniu parametrów ma pewne niedociągnięcia Pierwszą z nich jest trudność w wyborze właściwej krzywej rozbieżności i prawdopodobieństwa mutacji Wzrost wielkości populacji w pokoleniu wymaga większej liczby obliczeń W binarnym GA, konwersja wartości chromosomowych z binarnego do dziesiętnego w celu oceny kondycji wymaga także więcej czasu. Ostatnio wiele technik obliczeniowych ewolucyjnych, takich jak optymalizacja roju cząstek PSO Kennedy i wsp. 2001, Ewolucja różniczkowa DE Storn and Price, 1995, Bakteryjna optymalizacja paszowa BFO Passino, 2002 a d Założenie CSO Chu i Tsai z 2007 roku zostało z powodzeniem zastosowane w wielu dziedzinach Z tych algorytmów DE okazał się prostą i użyteczną alternatywą dla GA i zaobserwowano, że są lepsze dla różnych zastosowań, takich jak identyfikacja parametrów Ursem i Vadstrup, 2003, przetwarzanie obrazu Falco i wsp. 2006 i Omran i wsp. 2005, klastrowanie danych Paterlini i Krink, 2005, optymalne projektowanie Babu i Munawara w 2007 r., Planowanie Nearchou i Omirou w 2006 r. Oraz prognozy na giełdzie Rout et al 2017 W niniejszym artykule dogłębnie zbadano prognozowanie różnych kursów walut za pomocą adaptacyjnej ARiMR jako podstawowej architektury, a DE jako narzędzia szkoleniowego do aktualizacji parametrów modelu Algorytm DE obejmuje mniej obliczeń w porównaniu do algorytmów GA, CSO i BFO Ponadto wymaga on wyboru tylko dwóch parametrów, które są relatywnie łatwiejsze do ustalenia. W związku z tym uaktualnienie ciężaru modelu ARMA przez DE jest korzystne w porównaniu do wykonanego z wykorzystaniem innych metod bioinspekcyjnych W modelach ARMA adaptacyjnych porównywano również algorytmy FBLMS, PSO, BFO i CSO w podobnych warunkach. W artykule przedstawiono obiecujący model prognozowania przewidywania kursów walutowych przy użyciu adaptacyjnej struktury ARMA oparty na DE Model ten został udowodniony w porównaniu z konwencjonalnymi FBLMS, jak również bioinspektywnymi narzędziami, takimi jak modele prognozowania PSO, BFO i CSO. Pozostała część dokumentu została zorganizowana w następujący sposób Część 1 dotyczy przeglądu literatury, sformułowania problemu badawczego i motywacja proponowanych prac Model adaptacyjnego modelu prognozowania opartego na ARiM został opracowany w sekcji 2 Wprowadzenie do ewolucji różnicowej jako algorytmu uczenia się omawiane jest w sekcji 3 Model adaptacyjny ARMA prognozowania opartego na DE został zaprojektowany w sekcji 4 Projekt danych rzeczywistych wejść modelu i szczegółów badań symulacyjnych zostały przedstawione w sekcji 5 do oceny w porównaniu do wyników uzyskanych za pomocą algorytmów FBLMS, BFO i CSO Ostateczny wniosek zawiera sekcja 6.2 Adaptacyjny model prognozowania ARMA opartego na automatycznym regresywnym ruchu. Proponowany adaptacyjny model ARMA do przewidywania cyklu finansów, w szczególności różnych prognoz kursu walutowego, przedstawiono na rys. 1 na trzech etapach. Pierwszym etapem rozwoju jest etap szkolenia, w którym modelowane parametry ARiI są szkolone przy użyciu algorytmu optymalizacji różnicowej ewolucji DE. Szczegółowe informacje na temat strategii szkoleniowej przedstawiony na rys. 1 a Model przewidywania ARiMR składa się zasadniczo z przestawnych i zwrotnych liniowych zespołów kombinacyjnych Część przesuwu działa jako ruchoma średnia sieć MA lub całkowicie zerowa, podczas gdy część sprzężenia zwrotnego działa jako autoregresywny AR lub cały biegun sieć W ten sposób model ARMA zawiera zarówno współczynniki przekazywania do przodu, jak i sprzężenia zwrotnego, które muszą być odpowiednio przeszkolone przy użyciu odpowiednich z wykształceniem algorytm uczenia się Zwykle w szkoleniu modelu adaptacyjnego dane o surowych szeregach czasowych są bezpośrednio wykorzystywane jako dane wejściowe do modelu W wielu przypadkach surowe dane zajmują więcej czasu na szkolenie modelu, ponieważ istnieje redundancja w danych Po drugie właściwe szkolenie modelu nie jest osiągnięty, gdy surowe dane są wykorzystywane jako dane wejściowe, a zatem wydajność przewidywania staje się słaba. Rejestracja 1 Etapy rozwoju modelu predykcyjnego ARMA dla przewidywania szeregów czasowych. Aby złagodzić te problemy, funkcje są pobierane z serii czasowych finansowych i są używane jako dane wejściowe do model ARiMR Dalsze przyszłe kursy wymiany nie tylko zależą od cech przeszłych danych, ale również od przewidywanych wartości W związku z tym wybrany został model przekazywania informacji i przekazywania informacji, taki jak ARMA, jako wymagana sieć, która posiada taką cechę ilość opóźnień na tylnej stronie podajnika jest dobierana tak, aby zapewnić jak najlepszą wydajność przewidywania Próbkę treningową dobiera się od czasu przeszłego w zależności od liczby dni, w których przewidywany jest kurs walutowy Przewidywany kurs wymiany jest porównany z próbką treningową w celu wytworzenia błędu lub niezgodności. Dane dotyczące przesuwania i przekazywania danych są uaktualniane odpowiednią zasadą uczenia się, tak że w nielicznych iteracja funkcji kosztowej, która jest średnim kwadratem w tym przypadku stopniowo maleje i osiąga możliwie najmniej wartości. Różne zasady uczenia się zostały opisane w literaturze Można je szeroko zaklasyfikować do dwóch rodzajów pochodnych i wolnych od pochodnych Klasa algorytmu uczenia się pochodną jak FBLMS Widrow i Strearns, 1985 Majhi i Panda, 2009 ma tę wadę, że uwięziono w lokalnym rozwiązaniu minima W niedawnej przeszłości opisywano wiele ewolucyjnych algorytmów uczenia się komputerów, takich jak algorytm genetyczny GA, ewolucja różnicowa DE itd. wykorzystywane w celach optymalizacji pojedynczych i wieloprojektowych Poza klasą ewolucyjną c algorytmów omputingu, DE jest wybierany, ponieważ jest prosty, ale wydajny i jest szybszy obliczeniowo niż model GA Model predykcyjny ARMA jest uważany za adaptacyjny optymalizator, w którym współczynniki przekazywania kanału i posuwu są odpowiednio zmieniane, aby zminimalizować kwadratowy błąd modelu Wtedy DE jest używany jako skuteczny optymalizator w celu zmniejszenia średniego kwadratu błąd do możliwie najmniej wartości. Po zakończeniu szkolenia wagi są zamrożone do ich wartości końcowych, a model DE ARMA jest gotowy do prognozowania przyszłości gdy oczekiwane cechy obecnego kursu walutowego są stosowane jako dane wejściowe Zanim jednak zostanie użyty jako wskaźnik predykcyjny kursów walutowych, jego skuteczność zostanie zweryfikowana. Na rys. 1b zastosowano cechy pozostałych 20 dawnych kursów wymiany jako dane wejściowe i model przewiduje przyszły kurs wymiany Ponieważ są to ostatnie dane, pożądane kursy wymiany są znane, a zatem procent błędu jest uzyskiwany w przypadku każdego wejścia Fina W celu uzyskania spójnego porównania wyników przewidywania różnych modeli oblicza się konwencjonalną średnią średnią procentową błędu MAPE Oblicza się MAPE modelu przewidywania. MAPE jest rzetelnym wskaźnikiem modelu predykcyjnego Kiedy projektant jest zadowolony z obliczony model MAPE modelu wówczas jest poddawany przewidywaniu różnych kursów walutowych Ta sytuacja jest przedstawiona na rys. 1 c Zaletą adaptacyjnego modelu predykcyjnego jest jego elastyczność Z niewielkim wysiłkiem można przełożyć ten sam model w celu przewidzenia innego kursu walutowego as well as can be used for predicting exchange rate values for different days in future This can be achieved by providing suitable input or desired values to the model during the training phase.2 1 Actual ARMA model used for exchange rate prediction. In the previous subsection the basis of selection of the adaptive model and the evolutionary learning rules are discussed Further it has dealt with the phases invol ved in achieving the final prediction model In this subsection the details of the actual prediction model employed in this paper is dealt. The block diagram of an adaptive ARMA based prediction model is shown in Fig 2 The model is an adaptive pole-zero structure and is described by the recursive difference equation given in 1.where x n and y n represent the n th input pattern and output of the model respectively The current estimated output y n depends on the past estimated output samples y n m , m 1, 2 N 1 and the features x n m of the current financial input The coefficients a m n , b m n are adjusted using some learning rules until the appropriate model is developed d n is the desired or target financial value The pole and zero parameters of the ARMA model are a m and b m respectively Referring to Fig 2 the predicted output, y n is given by. The output error is computed as e n d n y n and is generated by subtracting the model output in 1 from the true value, d n The weights of the ARM A model are updated iteratively using some learning algorithm to minimize the squared error value The minimization process leads to optimum weights of the ARMA based prediction model The feed forward and backward weights of the ARMA model are usually updated by the FBLMS algorithm given by 10 The aggregate coefficient vector is given as. The corresponding data vector is represented as. The output of the ARMA model at the n th iteration is. Finally the forward backward LMS FBLMS update algorithm is given by. This update algorithm very often leads to non-optimum solution of weights Hence in this paper, population based DE is employed to overcome this difficulty in proper training of the ARMA model To compare the prediction performance of the proposed model particle swarm optimization PSO , bacterial foraging optimization BFO and cat swarm optimization CSO algorithms based training schemes have been employed and the corresponding results have been obtained through simulation In the next secti on a brief overview of DE is presented. Figure 2 Adaptive ARMA based prediction model.3 Introduction to differential evolution. Differential evolution DE Storn and Price, 1995 is a population based stochastic meta-heuristic global optimization tool in continuous domains Due to its simplicity, effectiveness and robustness, the DE has been successfully applied for solving complex optimization problems arising in different practical applications A population in DE consists of P vectors represented as , where G is the number of generations To keep the population within some bounds it is randomly initialized from a uniform distribution between the lower and the upper bounds defined for respective variables These bounds are problem dependent The possible solutions known as target vectors are represented with D - dimensional vectors as. The initial population is changed in each generation using sub-processes such as mutation, crossover and selection operators In a simple DE algorithm mutant vecto r for every target vector is computed as. where F is a mutation control parameter with its value between 0 and 2 and r 1 r 2 and r 3 are randomly chosen numbers within the population size After mutation, the crossover operator generates a trial vector, using 6.where j dim ension number 1, 2 D rand j a random number between 0 and 1 rn j a randomly chosen index from 1, 2 D and CR the crossover constant between 0 and 1.Differential evolution uses a greedy selection operator as. where is the fitness value of the trial vector and fitness value of the target vector. The number of generations is continued until the cost function almost remains constant and decreases further.4 Development of DE based ARMA forecasting model. This section deals with the designing of DE based ARMA forecasting model The ARMA model is constructed by considering it as a DE based optimization model in which the mean square error is minimized Since ARMA model has a feedback path, it has a tendency to become unstable duri ng training by conventional method However, the DE based training overcomes this difficulty The stepwise DE based weight update rule proceeds as follows. The target vectors of DE are assumed to be the weights of the ARMA model Let there be M target vectors each with D dimensions Each time one vector is used as the initial value of the pole zero parameters of the model. The prediction model is fed with K input patterns successively Each pattern has three independent values i e the mean, variance and actual exchange rate value corresponding to a month. Each input component of input pattern is weighted with the zero-parameters, b m n to provide the output of the feed forward path The output of the model, y n is delayed, weighted with the pole parameters, a m n and added with the output of the feed forward path to give the final output of the ARMA model. Each output, y n is compared with the target value, d n to give error value, e n In this way after the application of all patterns K number o f errors is obtained. The fitness function which is the mean of squared error MSE of the pole-zero prediction model corresponding to n th target vector is calculated using 15.The steps 2 5 are repeated for all target vectors and M numbers of MSE are generated This completes one experiment and the Mean of MSE MMSE is calculated and used as the cost function to be optimized. The elements of the target vector are then changed following mutation, crossover and selection processes as described in the previous section. At the end of each generation the mean of MSE MMSE and the corresponding target vector are chosen The relation between the number of generations and the MMSE is plotted to show the training characteristics of the model. When the MMSE reaches the possible minimum value the training process is stopped. The pole-zero parameters attained after training represent the coefficients of the ARMA based prediction model.5 Simulation study. For simulation purpose real life data of three differe nt exchange rates, Indian Rupees, British Pound and Japanese Yen have been collected for the period of 1-1-1973 1-10-2005, 1-1-1971 1-1-2005 and 1-1-1971 1-1-2005, respectively from the website The data show the average of daily figures noon buying rates in New York City on the 1st day of each month The numbers of data are 393, 418 and 418 for Rupees, Pound and Yen, respectively Each set of data is normalized to lie between 0 and 1 by dividing each value of a set by the maximum value of the corresponding set An initial window of size 12 containing the present and previous 11 data is used The normalized value of 12th number data, the mean and variance of each group of 12 data are calculated and used as first input pattern of features Subsequently the sliding window is shifted by one position to extract the second input pattern A window size of 12 is chosen as it provides the best performance in the simulation experiment This process is then repeated until all features are extracted In t his way a total of 382 feature patterns for Rupees and 407 patterns for each of Pound and Yen are extracted Out of these patterns 80 are used for the training purpose and the remaining are used for validation of the model The ARMA prediction model shown in Fig 2 is used for simulation to assess its prediction performance. The target vectors are initialized as the random numbers lie between 0 and 1 Since each input pattern has three features the number of weights of MA part is three The number of weights of AR part is also taken as three after various trials as this combination provides the best possible prediction results Each target vector of DE based ARMA has a total of six dimensions and its population size is 30 The other simulation parameters used for DE, PSO, BFO and CSO algorithms are given in Table 1 The convergence coefficient used in the FBLMS model is set at 0 05.Table 1 Value of different parameters of algorithms used in simulation. Population size 30 F 0 9 CR 0 9 Max Iterati ons 500Ensample average 10.Population size 30 c 1 1 042 c 2 1 042 Inertia weight, w linearly decreases between 0 9 and 0 4 v max 1 Max Iterations 500 Ensample average 10.Population size 8 16 Probability of elimination dispersion 0 25 Run length unit 0 0075 Swimming length 3 No of chemotactic loops 5 No of reproduction loops 100 140 No of elimination-dispersion loops 5 Max Iterations 500 Ensample average 10.Population size 30 Seeking memory pool SMP 5 Seeking range of selected dimension SRD 0 2 Counts of dimensions to change CDC 0 8 Mixture ratio MR 0 1 c 1 2 0 v max 3 0 Inertia weight, w linearly decreases between 0 9 and 0 4 Max Iterations 500 Ensample average 10.The training patterns are applied in sequence as input to the ARMA model, the corresponding outputs are obtained from the model and the resulting error values are recorded The weights of the model are updated using the DE rule described in Section 4 until the minimum MMSE is reached The MMSE obtained from all the four evoluti onary computing based models are given in Table 4 Table 7 and Table 10 for rupees, pound and yen exchange rates, respectively for 1, 3, 6, 9, 12 and 15 months ahead prediction Figure 3a and Figure 3b show the convergence characteristics of ARMA-FBLMS forecasting models for rupees and pound exchange rate prediction for 12 months ahead respectively The identical convergence characteristics for ARMA-DE model are depicted in Figure 4a and Figure 4b From these plots it is observed that the FBLMS based training model shows divergence of the mean square error Thus such model cannot be used for the purpose of exchange rate prediction On the other hand the proposed DE training based ARMA prediction model exhibits excellent and fast convergence characteristics even for 12 months ahead prediction To assess the training behavior of the ARMA-DE model, the matching performance is obtained during simulation and is plotted in Figure 5a Figure 5b and Figure 5c for rupees, pound and yen exchange rates, respectively Excellent agreement is observed in both cases even for 12 months ahead prediction After the MMSE reached its prefixed minimum value the training process is stopped and the test patterns are then applied for the validation of the ARMA prediction model The performance of the model is evaluated by calculating few performance measures such as the Mean average percentage error MAPE and Root mean square error RMSE These are defined as. where A n actual exchange rate, P n predicted exchange rate and N No of patterns applied for validation. Figure 3a Convergence characteristics of ARMA-LMS for Rupees Exchange rate for 12 months ahead prediction. Figure 3b Convergence characteristics of ARMA-LMS for Pound Exchange rate for 12 months ahead prediction. Figure 4a Convergence characteristics of ARMA-DE for Rupees Exchange rate for 12 months ahead prediction. Figure 4b Convergence characteristics of ARMA-DE for Pound Exchange rate for 12 months ahead prediction. Figure 5a Comparison of actual and predicted values of Rupees exchange rate for 12 months ahead prediction using ARMA-DE during training. Figure 5b Comparison of actual and predicted values of Pound exchange rate for 12 months ahead prediction using ARMA-DE during training. Figure 5c Comparison of actual and predicted values of Yen exchange rate for 12 months ahead prediction using ARMA-DE during trainingparison of the MAPE value of ARMA-DE and ARMA-LMS models for different exchange rates for various months ahead predictions is given in Table 2 Comparison of the MAPE and RMSE of different models using derivative free algorithms for various months ahead predictions is given in Table 3 Table 6 and Table 9 for rupees, pound and yen respectively The comparison of computation times is also presented in Table 5 Table 8 and Table 11 respectively From these tables it is observed that the proposed DE-ARMA model outperforms all other models based on PSO, BFO and CSO algorithms. Table 2 Comparison of MAPE value of different exch ange rates between ARMA-LMS and ARMA-DE. Some critical observations on the simulation results are presented to assess the efficiency of DE-ARMA based exchange rate predictor Results obtained from four different models for test data for rupee, pound and yen are shown in Figure 6 Figure 7 and Figure 8 indicate that the DE based predictors offer more accurate exchange rates compared to that of others Further the proposed model predicts better exchange rates of rupees and pound compared to that of yen Therefore to achieve improved performance of yen exchange rate alternative features need to be extracted from the time series and then applied to the model Analyzing Table 3 Table 4 Table 5 Table 6 Table 7 Table 8 Table 9 Table 10 and Table 11 it is observed that in terms of all three measures the DE-ARMA shows a superior performance compared to those achieved by other three models Thus considering all aspects the exchange rate prediction models can be ranked in sequence as ARMA-DE, ARMA-CSO, ARMA-BFO and ARMA-PSO Another interesting observation marked is on the computational time required for the training of various models The results presented in Table 5 Table 8 and Table 11 show that the proposed DE based ARMA takes the least time for training followed by ARMA-PSO, ARMA-BFO and finally ARMA-CSO Thus through various simulation studies it is demonstrated that the proposed ARMA-DE combination based prediction model outperforms all other similar hybrid models studied in this paper. Figure 6 Comparison of actual and predicted values for dollar to rupees exchange rates for 3 months ahead prediction during testing. Figure 7 Comparison of actual and predicted values for dollar to pound exchange rates for 9 months ahead prediction during testing. Figure 8 Comparison of actual and predicted values for dollar to yen exchange rates for 6 months ahead prediction during testing.6 Conclusion. The paper has developed an efficient exchange rate prediction scheme using an ARMA structure and D E based adaptive parameter update strategy The prediction performance of rupees, yen and pound exchange rates with respect to US dollar of the new model has been evaluated It is shown that the proposed model offers the best performance for predicting exchange rates compared to those offered by other three similar models studied The FBLMS based model is observed to show worst prediction performance as the corresponding weight update mechanism is unstable and results in divergent learning characteristics To further enhance the forecasting performance, particularly for a long range prediction it is suggested to use other additional hidden features of the financial time series as input to the model as well as to explore the use of other promising adaptive models To enable satisfactory prediction when abrupt fluctuations of exchange rate take place due to political turmoil of a country, natural hazards or such unforeseen reasons, more in-depth investigation is required in terms of selection of features, model and learning algorithm Our future study will focus on these critical issues in developing the prediction models. Forecasting with vector ARMA and state space methods. International Journal of Forecasting Volume 7 1991 pp 17 30.Anastasakis and Mort, 2009.L Anastasakis N Mort. Exchange rate forecasting using a combined parametric and nonparametric self-organising modelling approach. Expert systems with applications Volume 36 2009 pp 12001 12017.Andrawis et al 2017.Robert R Andrawis Amir F Atiyaa Hisham El-Shishinybination of long term and short term forecasts with application to tourism demand forecasting. International Journal of Forecasting Volume 27 2017 pp 870 886.Babu and Munawar, 2007.B V Babu S A Munawar. Differential evolution strategies for optimal design of shell-and-tube heat exchangers. Chemical Engineering Science Volume 62 Issue 14 2007 pp 2739 3720.Boudjellaba et al 1994.Hafida Boudjellaba Jean-Marie Dufour Roth Roy. Simplified conditions for noncausality betwe en vectors in multivariate ARMA models. Journal of Econometrics Volume 63 1994 pp 271 287.Box and Jenkins, 1976.G E P Box G M Jenkins. Time Series Analysis Forecasting and Control.1976 Holden-Day Inc San Francisco. Chattopadhyay et al 2017.Surajit Chattopadhyay Deepak Jhajharia Goutami Chattopadhyay. Trend estimation and univariate forecast of the sunspot numbers development and comparison of ARMA, ARIMA and autoregressive neural network modelsptes Rendus Geoscience Volume 343 2017 pp 433 442.Chen et al 1995.Jiann-Fuh Chen Wei-Ming Wang Chao-Ming Huang. Analysis of an adaptive time series auto regressive moving average ARMA model for short term load forecasting. Electric Power Systems Research Volume 34 1995 pp 187 196.Chib and Greenberg, 1994.S Chib E Greenberg. Bays inference in regression models with ARMA p, q errors. Journal of Econometrics Volume 64 1994 pp 183 206.Fong-Lin Chu. A fractionally integrated autoregressive moving average approach to forecasting tourism demand. Tourism Managemen t Volume 29 2008 pp 79 88.Fong-Lin Chu. Forecasting tourism demand with ARMA-based methods. Tourism Management Volume 30 2009 pp 740 751.Chu and Tsai, 2007.S C Chu P W Tsaiputational intelligence based on the behavior of cats. International Journal of Innovative Computing, Information and Control Volume 3 2007 pp 163 173.Cuaresma et al 2004.Jess Crespo Cuaresma Jaroslava Hlouskova Stephan Kossmeier Michael Obersteiner. Forecasting electricity spot-prices using linear univariate time-series models. Applied Energy Volume 77 2004 pp 87 106.da Silva, 2008.Carlos Gomes da Silva. Time series forecasting with a non-linear model and the scatter search meta-heuristic. Information Sciences Volume 178 2008 pp 3288 3299.Erdem and Shi, 2017.Ergin Erdem Jing Shi. ARMA based approaches for forecasting the tuple of wind speed and direction. Applied Energy Volume 88 2017 pp 1405 1414.Falco et al 2006.Falco, I De, Cioppa, A Della and Tarantino, A 2006 Automatic classification of hand segmented image parts with d ifferential evolution In Rothlauf F et al Eds , Evo Workshops, LNCS 3907, pp 403-414.Flores et al 2017.Juan J Flores Mario Graff Hector Rodriguez. Evolutive design of ARMA and ANN models for time series forecasting. Renewable Energy Volume 44 2017 pp 225 230.Fung and Chung, 1999.Eric H K Fung Allison P L Chung. Using ARMA models to forecast work piece roundness error in a turning operation. Applied Mathematical Modelling Volume 23 1999 pp 567 585.Kennedy et al 2001.J Kennedy R C Eberhart Y Shi. Swarm Intelligence.2001 Morgan Kaufmann Publishers, San Francisco. Wavelet regression model for short term stream flow forecasting. Journal of Hydrology Volume 389 2017 pp 344 353.Koutroumanidis et al 2009.T Koutroumanidis G Sylaios E Zafeiriou V A Tsihrintzis. Genetic modelling for the optimal forecasting of hydrologic time series application in Nestos river. Journal of Hydrology Volume 368 2009 pp 156 164.Lees and Matheson, 2007.K Lees T Matheson. Mind your ps and qs improving ARMA forecasts with RBC pr iors. Economics Letter Volume 96 2007 pp 275 281.Liu et al 2017.Zhi-guo Liu Zeng-jie Cai Xiao-ming Tan. Forecasting research of Aero-engine rotate speed signal based on ARMA model. Procedia Engineering Volume 15 2017 pp 115 121.Majhi and Panda, 2009.B Majhi G Panda. Identification of IIR systems using comprehensive learning particle swarm optimization. International Journal of Power and Energy Conversion Volume 1 Issue 1 2009 pp 105 124.Majhi et al 2009a. Majhi, R Majhi, B Rout, M Mishra, S Panda, G 2009 Efficient sales forecasting using ARMA-PSO model In Proc of IEEE International Conference on Nature and Biologically Inspired, Computing, pp 1333 1337.Majhi et al 2009b. R Majhi G Panda G Sahoo. Efficient prediction of exchange rates with low complexity artificial neural network models. Expert systems with applications Volume 36 2009 pp 181 189.McDonald, 1989.James B McDonald. Partially adaptive estimation of ARMA time series models. International Journal of Forecasting Volume 5 1989 pp 217 230.M ohammadi et al 2006.K Mohammadi H R Eslami R Kahawita. Parameter estimation of ARMA model for river flow forecasting using goal programming. Journal of Hydrology Volume 331 2006 pp 293 299.Nearchou and Omirou, 2006.A C Nearchou S L Omirou. Differential evolution for sequencing and scheduling optimization. Journal of Heuristics Volume 12 2006 pp 395 411.Nowicka-Zagrajek and Weron, 2000.J Nowicka-Zagrajek R Weron. Modeling electricity loads in California ARMA models with hyperbolic noise. Signal Processing Volume 82 2000 pp 1903 1915.Omran et al 2005.M G H Omran A P Engelbrecht A Salman. Differential evolution methods for unsupervised image classification. Proceedings of IEEE Congress on Evolutionary Computation Volume 2 2005 pp 966 973.Pai et al 2017.P Pai S Chen C Huang Y Chang. Analysing foreign exchange rates by rough set theory and directed acyclic graph support vector machines. Expert systems with applications Volume 37 2017 pp 5993 5998.Pappas et al 2008.S S P Pappas L Ekonomou Karamousanta s G E Chatzarakis S K Katsikas P Liatsis. Electricity demand loads modeling using autoregressive moving average ARMA models. Energy Volume 33 2008 pp 1353 1360.Passino, 2002.Biomimicry of bacterial foraging for distributed optimization and control. IEEE control system magazine Volume 22 Issue 3 2002 pp 52 67.Paterlini and Krink, 2005.S Paterlini T Krink. Differential evolution and particle swarm optimization in partitional clusteringputational Statistics Data Analysis Volume 50 Issue 5 2005 pp 1220 1247.Pham and Yang, 2017.Hong Thom Pham Bo-Suk Yang. Estimation and forecasting of machine health condition using ARMA GARCH model. Mechanical Systems and Signal Processing Volume 24 2017 pp 546 558.Pham et al 2017.Hong Thom Pham Van Tung Tran Bo-Suk Yang. A hybrid of nonlinear autoregressive model with exogenous input and autoregressive moving average model for long-term machine state forecasting. Expert Systems with Applications Volume 37 2017 pp 3310 3317.Popescu and Demetriu, 1990.T H D Popescu S Demetriu. Analysis and simulation of strong earthquake ground motions using ARMA models. Automatica Volume 26 Issue 4 1990 pp 721 737.Poskitt, 2003.On the specification of co-integrated autoregressive moving-average forecasting systems. Journal of Forecasting Volume 19 2003 pp 503 519.Bonnie K Ray. Long range forecasting of IBM product revenues using a seasonal fractionally differenced ARMA model. International Journal of Forecasting Volume 9 1993 pp 255 269.Rojasa et al 2008.I Rojasa O Valenzuelab F Rojasa A Guillena L J Herreraa H Pomaresa L Marquezb M Pasadas. Soft-computing techniques and ARMA model for time series prediction. Neurocomputing Volume 71 2008 pp 519 537.Rout et al 2017.Rout, M Majhi, B Majhi, R Panda, G 2017 Novel stock market prediction using a hybrid model of adaptive linear combiner and differential evolution In Proceeding of 2nd International Conference on Recent Trends in Information, Telecommunication and Computing, pp 187 191 partial autocorrelation. Stoica, 1984.Uni queness of estimated K-step prediction models of ARMA processes. Systems and Control Letters Volume 4 1984 pp 325 331.Storn and Price, 1995.R Storn K Price. Differential Evolution A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces.1995 International Computer Science Institute, Berkeley TR-95 012.Taylor, 2006.James W Taylor. Density forecasting for the efficient balancing of the generation and consumption of electricity. International Journal of Forecasting Volume 22 2006 pp 707 724.Ursem and Vadstrup, 2003.K Ursem P Vadstrup. Parameter identification of induction motors using differential evolution. Proceedings of IEEE Congress on Evolutionary Computation Volume 2 2003 pp 790 796.Voyant et al 2017.Cyril Voyant Marc Muselli Christophe Paoli Marie-Laure Nivet. Numerical weather prediction NWP and hybrid ARMA ANN model to predict global radiation. Energy Volume 39 2017 pp 341 355.Widrow and Strearns, 1985.B Widrow S D Strearns. Adaptive Signal Processing.1985 Eng lewood Cliffs, NJ, NJ, Prentice-Hall. Wu and Chan, 2017.Ji Wu Chee Keong Chan. Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN. Solar Energy Volume 85 2017 pp 808 817.Xiong and Yeung, 2004.Yimin Xiong Dit-Yan Yeung. Time series clustering with ARMA mixtures. Pattern Recognition Volume 37 2004 pp 1675 1689.Yu et al 2005.L Yu S Wang K K Lai. A novel nonlinear ensemble forecasting model incorporating GLAR and ANN for foreign exchange ratesputers Operations Research Volume 32 2005 pp 2523 2541.Zhang and Wan, 2007.Y Zhang X Wan. Statistical fuzzy interval neural networks for currency exchange rate time series prediction. Applied Soft Computing Volume 7 2007 pp 1149 1156.Zhou and Hu, 2008.Zhi-Jie Zhou Chang-Hua Hu. An effective hybrid approach based on grey and ARMA for forecasting gyro drift. Chaos, Solitons and Fractals Volume 35 2008 pp 525 529.Peer review under responsibility of King Saud University. Corresponding author at Dept of Automatic Control and Systems Engi neering, The University of Sheffield, UK Mobile 44 7778380647 91 9437048906 Cell fax 91 674 2306203.Copyright 2017 Production and hosting by Elsevier B V. Open access funded by King Saud University. Citing articles.
No comments:
Post a Comment