Grey relational grades and neural networks : empirical evidence on vice funds

Abstract

This research examines time-series predictability of Vice Funds Indices through the Grey Relational Analysis (GRA), and also applies three types of Artificial Neural Networks (ANN) model, namely, Back- propagation Perception Network (BPN), Recurrent Neural Network (RNN), and Radial Basis Function Neural Network (RBFNN) to capture nonlinear tendencies of Vice Funds indices. The study finds that among the three ANN models, BPN has the best predicting power. When the data is separated into 10%, 33% and 50% testing data sets to test the proficiency of the available forecasting information in the time- series of the predictors, the predictive power of the BPN model again dominated the findings 60% of the time. Traders, investors and fund manager can rely on BPN predicting power with large or even small data set. Nevertheless, the result also suggests the predicting power of both RNN and RBFNN model with smaller data sets. Overall, it is suggested that traders and fund managers have stronger chance of achieving more accurate forecasting using the BPN model in Vice Funds indices. Findings of this research have policy implications in the creation of forecasting and investing strategies by examining models that minimize errors in predicting Vice Funds indices.

Cette recherche examine la prévisibilité des séries chronologiques des indices Vice Funds par le biais de l'analyse relationnelle grise (GRA), et applique également trois types de modèle de réseaux de neurones artificiels (ANN), à savoir le réseau de perception à propagation arrière (BPN), le réseau de neurones récurrents (RNN) ) et le Radial Basis Function Neural Network (RBFNN) pour capter les tendances non linéaires des indices Vice Funds. L'étude révèle que parmi les trois modèles ANN, BPN a le meilleur pouvoir de prédiction. Lorsque les données sont séparées en 10%, 33% et 50% de jeux de données pour tester la compétence des informations de prévision disponibles dans la série chronologique des prédicteurs, le pouvoir prédictif du modèle BPN de nouveau domine les résultats 60% du temps. Les traders, les investisseurs et le gestionnaire de fonds peuvent compter sur la puissance de prédiction de BPN avec des ensembles de données volumineux ou même petits. Néanmoins, le résultat suggère également la puissance de prédiction des modèles RNN et RBFNN avec des ensembles de données plus petits. Dans l'ensemble, il est suggéré que les traders et les gestionnaires de fonds ont plus de chances d'obtenir des prévisions plus précises en utilisant le modèle BPN dans les indices Vice Funds. Les résultats de cette recherche ont des implications politiques dans la création de stratégies de prévision et d'investissement en examinant des modèles qui minimisent les erreurs de prédiction des indices Vice Funds.