Working Papers

Seria wydawnicza WNE WORKING PAPERS prowadzona jest przez WNE UW od 2008 r. i jak dotąd opublikowano w niej ponad 400 prac.

Seria WNE Working Papers służy szybkiemu upowszechnianiu wyników badań prowadzonych na Wydziale Nauk Ekonomicznych UW. Publikowane tu teksty mają charakter wersji roboczych (pre-printów): mogą być uzupełniane lub poprawiane w miarę postępu prac nad tekstem i procesu wydawniczego. Prezentujemy aktualną wersję udostępnioną przez autorów, opatrzoną datą oraz identyfikatorami DOI/ISSN – co ułatwia jej cytowanie i śledzenie kolejnych iteracji. Każdy dokument zachowuje pełne prawa autorskie swoich twórców, a w przypadku późniejszych zmian, autorzy mogą w dowolnym momencie zamieścić zaktualizowany plik lub wskazać miejsce ostatecznego wydania.

Do serii WORKING PAPERS przyjmowane są artykuły pracowników naukowych WNE UW oraz publikacje z konferencji organizowanych na WNE UW. Artykuły powinny dotyczyć ekonomii, mieć charakter oryginalnych prac badawczych, nie być wcześniej publikowane. Przyjmowane są wyłącznie teksty w języku angielskim.

Prace prosimy przesyłać e-mailem na adres: 6*QVC9'm7@eYzkRgUP|[1-wKW}f]#[.tDB&'j^s-KLn'JV7YrS=m\A`nS

Prosimy przesyłać dwa pliki:

(1) główny tekst bez podania tytułu artykułu oraz autorów (plik DOC/DOCX) oraz

(2) stronę tytułową zawierającą: tytuł opracowania, autorów oraz ich afiliację (plik DOC/DOCX). 

Przed przesłaniem tekstu prosimy zapoznać się z szczegółowymi wymogami edycyjnymi.

Redaktorem wydawniczym serii Working Papers jest dr Maciej Bukowski.

Ilość wyników 1

WP(32/2020)338. Fractional differentiation and its use in machine learning

Autorzy: Gajda Janusz, Walasek Rafał
This article covers the implementation of fractional (non-integer order) differentiation on four datasets based on stock prices of main international stock indexes: WIG 20, S&P 500, DAX, Nikkei 225. This concept has been proposed by Lopez de Prad…

WP338. Fractional differentiation and its use in machine learning

This article covers the implementation of fractional (non-integer order) differentiation on four datasets based on stock prices of main international stock indexes: WIG 20, S&P 500, DAX, Nikkei 225. This concept has been proposed by Lopez de Prado to find the most appropriate balance between zero differentiation and fully differentiated time series. The aim is making time series stationary while keeping its memory and predictive power. This paper makes also the comparison between fractional and classical differentiation in terms of the effectiveness of artificial neural networks. This comparison is done in two viewpoints: Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The conclusion of the study is that fractionally differentiated time series performed better in trained ANN.


Gajda Janusz, Walasek Rafał
fractional differentiation financial time series stock exchange artificial neural networks
  • 1