A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
Prediction risk and the forecasting of stock market indexes
In most of the empirical research on capital markets, stock market indexes are used as proxies for the aggregate market development. In previous work we found that a particular market segment might be less efficient than the whole market and hence easier to forecast. In this paper we extend the focus of this investigation by taking a comprehensive look at the Vienna Stock Exchange. We use feedforward networks and linear models to forecast the all share index WBI as well as various subindexes covering the highly liquid, semi-liquid, and initial public offering (IPO) market segment. In order to shed some light on network construction principles, we compare different models as selected by hold-out crossvalidation (HCV), Akaike's information criterion (AIC), and Schwartz' information criterion (SIC). The forecasts are subsequently evaluated on the basis of hypothetical trading in the out-of-sample period. ; In der empirischen Kapitalmarktforschung werden Aktienindizes oft als Maß für die aggregierte Marktentwicklung herangezogen. Frühere Arbeiten ergaben, daß spezifische Marktsegmente nicht so effizient wie der Gesamtmarkt und daher leichter zu prognostizieren sind. Hier wenden wir diesen Ansatz auf Wiener Aktienkursdaten an. Wir verwenden lineare und feedforward Netzwerke Modelle, um den Gesamtmarktindex WBI sowie verschiedene Subindizes für das hochliquide, semi-liquide und Erstemissionsmarktsegment zu prognostizieren. Um die Transparenz bei der Architekturselektion für neuronale Netzwerke zu erhöhen, vergleichen wir Modelle auf der Basis von Hold-out Kreuzvalidierung (HCV), Akaike Informationskriterium (AIC) und Schwartz Informationskriterium (SIC). Die Güte der Prognosen wird anhand einer Tradingsimulation für die out-of-sample Periode bestimmt.
Prediction risk and the forecasting of stock market indexes
In most of the empirical research on capital markets, stock market indexes are used as proxies for the aggregate market development. In previous work we found that a particular market segment might be less efficient than the whole market and hence easier to forecast. In this paper we extend the focus of this investigation by taking a comprehensive look at the Vienna Stock Exchange. We use feedforward networks and linear models to forecast the all share index WBI as well as various subindexes covering the highly liquid, semi-liquid, and initial public offering (IPO) market segment. In order to shed some light on network construction principles, we compare different models as selected by hold-out crossvalidation (HCV), Akaike's information criterion (AIC), and Schwartz' information criterion (SIC). The forecasts are subsequently evaluated on the basis of hypothetical trading in the out-of-sample period. ; In der empirischen Kapitalmarktforschung werden Aktienindizes oft als Maß für die aggregierte Marktentwicklung herangezogen. Frühere Arbeiten ergaben, daß spezifische Marktsegmente nicht so effizient wie der Gesamtmarkt und daher leichter zu prognostizieren sind. Hier wenden wir diesen Ansatz auf Wiener Aktienkursdaten an. Wir verwenden lineare und feedforward Netzwerke Modelle, um den Gesamtmarktindex WBI sowie verschiedene Subindizes für das hochliquide, semi-liquide und Erstemissionsmarktsegment zu prognostizieren. Um die Transparenz bei der Architekturselektion für neuronale Netzwerke zu erhöhen, vergleichen wir Modelle auf der Basis von Hold-out Kreuzvalidierung (HCV), Akaike Informationskriterium (AIC) und Schwartz Informationskriterium (SIC). Die Güte der Prognosen wird anhand einer Tradingsimulation für die out-of-sample Periode bestimmt.
Prediction risk and the forecasting of stock market indexes
Haefke, Christian (author) / Helmenstein, Christian (author)
1995-01-01
RePEc:ihs:ihsesp:20
Paper
Electronic Resource
English
Stock Market Forecasting Using Computational Intelligence: A Survey
| Springer Verlag | 2021
Stock Market Forecasting Using Computational Intelligence: A Survey
| Online Contents | 2020
Forecasting Palmer Index Using Neural Networks and Climatic Indexes
| British Library Online Contents | 2009
Forecasting Palmer Index Using Neural Networks and Climatic Indexes
| Online Contents | 2009