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: NIe`_hUSf]yHgLMdw.6EOGi-DrA]#[F5XLIW9DHN_7[cES]7+9X&N}Mc*

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(27/2020)333. Predicting prices of S&P500 index using classical methods and recurrent neural networks

Autorzy: Kijewski Mateusz, Ślepaczuk Robert
This study implements algorithmic investment strategies with buy/sell signals based on classical methods and recurrent neural network model (LSTM). The research compares the performance of investment algorithms on time series of S&P500 index cove…

WP333. Predicting prices of S&P500 index using classical methods and recurrent neural networks

This study implements algorithmic investment strategies with buy/sell signals based on classical methods and recurrent neural network model (LSTM). The research compares the performance of investment algorithms on time series of S&P500 index covering 20 years of data from 2000 to 2020. This paper presents an approach for dynamic optimization of parameters during backtesting process by using rolling training-testing window. Every method was tested in terms of robustness to changes in parameters and evaluated by appropriate performance statistics e.g. Information Ratio, Maximum Drawdown, etc. Combination of signals from different methods was stable and outperformed benchmark of Buy & Hold strategy doubling its returns on the same level of risk. Detailed sensitivity analysis revealed that classical methods which used rolling training-testing window were significantly more robust to changes in parameters than LSTM model in which hyperparameters were selected heuristically.


Kijewski Mateusz, Ślepaczuk Robert
machine learning recurrent neural networks long short-term memory model time series analysis algorithmic investment strategies systematic transactional systems technical analysis ARIMA model
  • 1