Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "funkcje wypukłe" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
The real and complex convexity
Autorzy:
Jamel, A.
Powiązania:
https://bibliotekanauki.pl/articles/2052492.pdf
Data publikacji:
2018
Wydawca:
Politechnika Rzeszowska im. Ignacego Łukasiewicza. Oficyna Wydawnicza
Tematy:
analytic functions
convex functions
plurisubharmonic functions
harmonic function
inequalities
holomorphic differential equation
strictly
polynomials
funkcje analityczne
funkcje wypukłe
funkcje plurisubharmoniczne
funkcje harmoniczne
nierówności
równanie różniczkowe holomorficzne
wielomiany
Opis:
We prove that the holomorphic differential equation $\varphi^{\prime \prime}(\varphi+c) = \gamma(\varphi^{\prime})^{2} (\varphi:\mathbb{C}\rightarrow \mathbb{C}$ be a holomorphic function and $(\gamma, c) \in \mathbb{C}^{2})$ plays a classical role on many problems of real and complex convexity. The condition exactly $\gamma \in \{1, \frac{s-1}{s} \/ s \in \mathbb{N} \backslash \{0\}\}$ (independently of the constant c) is of great importance in this paper. On the other hand, let $n \geq 1, (A_{1}, A_{2}) \in \mathbb{C}^{2}$ and $g_{1}, g_{2} : \mathbb{C}^{n} \rightarrow \mathbb{C}$ be two analytic functions. Put $u(z, w) = \| A_{1}w - g_{1}(z) \|^{2} + \| A_{2}w - g_{2}(z) \| ^{2}v(z,w) = \| A_{1}w - \overline{g_{1}}(z) \| ^{2} + \| A_{2}w - \overline{g_{2}}(z) \|^{2}$, for $(z,w) \in \mathbb{C}^{n} \times \mathbb{C}$. We prove that $u$ is strictly plurisubharmonic and convex on $\mathbb{C}^{n} \times \mathbb{C}$ if and only if $n = 1, (A_{1}, A_{2}) \in \mathbb{C}^{2} \backslash \{0\}$ and the functions $g_{1}$ and $g_{2}$ have a classical representation form described in the present paper. Now $v$ is convex and strictly psh on $\mathbb{C}^{n} \times \mathbb{C}$ if and only if $(A_{1}, A_{2}) \in \mathbb{C}^{2} \backslash \{0\}, n \in \{1,2\}$ and and $g_{1}, g_{2}$ have several representations investigated in this paper.
Źródło:
Journal of Mathematics and Applications; 2018, 41; 123-156
1733-6775
2300-9926
Pojawia się w:
Journal of Mathematics and Applications
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Forecasting stock index movement direction with CPL linear classifier
Prognozowanie kierunku zmiany indeksów giełdowych za pomocą klasyfikatora liniowego typu CPL
Autorzy:
Krawczuk, J.
Powiązania:
https://bibliotekanauki.pl/articles/341077.pdf
Data publikacji:
2011
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
klasyfikator liniowy
prognozowanie giełdy
funkcje wypukłe
funkcje odcinkowo-liniowe
market forecast
market prediction
linear classifier
Opis:
Stocks, indexes, commodities, and precious metals price prediction is a difficult task where many approaches are used: traditional technical analysis, econometric time series or modern data mining techniques. One particular data mining technique - linear classifier is described in this article. Prediction based on linear classifier is done using current market state, which can be described by various data sets (attributes, features). The simplest form of this model could use data from yesterday’s price movement. Advanced models are using more historical price movements. Very advanced models include various historical price movements for indexes from other countries and other instruments like currencies, commodities, etc. Using more features requires extended time to estimate model parameters.We build the linear classifier models by the minimisation of a convex and piecewise-linear function which is very efficient comparing to other functions. Computational costs for building the model are similar to linear programming. We also use feature selection method called RLS. Those techniques allow us to explore data with many features. Four scenarios are considered, in each scenario a different amount of market data is used to create a model. In the simplest scenario only one day’s change in price is taken, in the most complicated one 421 historical prices of 43 different instruments are taken. Best results were achieved by using middle range of 52 attributes. In this scenario, the model was right 53.19% times. Meaning the directions of daily change in S&P500 index (up or down) were predicted correctly. This doesn’t seem a lot, but if those predictions would have been used for investing, they could produce a total profit of 77% in the tested time period from November 2008 to March 2011 (2 years 4 months), or an average of 28% per year.
Prognozowanie cen akcji i wartośsci indeksów giełdowych jest zadaniem trudnym, dla którego użzywanych jest wiele różnych podejść. Artykuł ten przedstawia wprowadzenie do pewnych standardowych technik. Przedstawiona została tradycyjna analiza techniczna, ekonometryczne modele szeregów czasowych oraz współczesne metody eksploracji danych. Jedna z metod eksploracji danych, klasyfikator liniowy został przedstawiony bardziej szczegółowo. Został on użyty w przeprowadzonym eksperymencie do prognozowania wartości indeksu giełdy amerykańskiej. Prognozowanie takie oparte jest o dane opisujące obecny stan giełdy. Stan giełdy można opisać różną ilością danych (atrybutów, cech). W najprostszym przypadku może to być tylko jednodniowa zmiana ceny prognozowanego indeksu. W bardziej rozbudowanym modelu można użyć wielu cen historycznych. W modelu jeszcze bardziej rozbudowanym można użyć danych z innych giełd, kursów walut, cen towarów jak np. ropa. Użycie dużej ilości danych wymaga dłuższego czasu obliczeń parametrów modelu. W prezentowanym podejściu klasyfikator liniowy budowany jest w oparciu o minimalizację wypukłej i odcinkowo-liniowej funkcji kryterialnej. Metoda ta jest bardzo wydajna o koszcie zbliżonym do programowania liniowego. Dodatkowo użyta została metoda selekcji cech RLS. Techniki te pozwoliły na efektywną eksplorację danych o wielu wymiarach. W artykule przedstawiono cztery scenariusze o różnej ilości danych opisujących giełdę. W najprostszym użyto tylko jednej danej, w najbardziej rozbudowanym 421 danych o 43 instrumentach finansowych. Najlepsze wyniki uzyskano dla pośredniego modelu o 52 cechach, w którym model przewidział prawidłowo 53.19% kierunków dziennych zmian indeksu S&P500. Otrzymany wynik nie wydaje się być wysoki, jednak gdyby inwestowano w indeks zgodnie z modelem zysk z takich inwestycji wyniósłby 77% w okresie od października 2008 do marca 2011, dając średnio 28% zysku rocznie.
Źródło:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2011, 7; 47-58
1644-0331
Pojawia się w:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies