Pusiau empirinių robastinių algoritmų taikymas investicinio portfelio sudarymui

Čerkasova, Natalja; Raudys, Šarūnas; Denisov, Vitalij

Use this url to cite publication: https://hdl.handle.net/20.500.14172/2202

Pusiau empirinių robastinių algoritmų taikymas investicinio portfelio sudarymui

Type of publication

Straipsnis kitoje duomenų bazėje / Article in other database (S4)

Type of document

type::text::journal::journal article::research article

Author(s)

Author	Affiliation
Čerkasova, Natalja	Informatikos ir statistikos katedra / Department of Informatics and Statistics	LT
Raudys, Šarūnas	Vilniaus universitetas	LT
Denisov, Vitalij	Informatikos ir statistikos katedra / Department of Informatics and Statistics	LT

Title

Pusiau empirinių robastinių algoritmų taikymas investicinio portfelio sudarymui

[lt]

Other Title

Semiempirical robust algorithm for investment portfolio formation

[en]

Publisher

Klaipėda : Klaipėda University

Date Issued

Date	Volume	Issue	Start Page	End Page
2013	1	1	30	35

Is part of

Computational science and techniques: Special issue for research innovations fundamentals

Description

This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/3.0/)

Research Area

Field of Science

Keywords (lt)

Keywords (en)

Abstract (lt)

Analizuojant finansų rinkos duomenis dažnai susiduriama su stebėjimais, kurie yra nukrypę nuo stebimo dėsningumo. Tai vadinama didelių nuokrypių arba robastiškumo problema. Šiame straipsnyje analizuojami būdai mažinti didelių nuokrypių įtaką ir pateikiama pusiau empirinė nuokrypių šalinimo procedūra, skirta naudoti vertybinių popierių prekybinių sistemų optimizacijos procese.

Abstract (en)

When analyzing stock market data, it is common to encounter observations that differ from the overall pattern. It is known as the problem of robustness. Presence of outlying observations in different data sets may strongly influence the result of classical (mean and standard deviation based) analysis methods or models based on this data. The problem of outliers can be handled by using robust estimators, therefore making aberrations less influential or ignoring them completely. An example of applying such procedures for outlier elimination in stock trading system optimization process is presented.