Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Zoek een winkel

€ 167,95

+ 335 punten

Uitvoering

Levering 1 à 2 weken

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

The foreign exchange market is one of the most complex dynamic markets with the characteristics of high volatility, nonlinearity and irregularity. Since the Bretton Woods System collapsed in 1970s, the fluctuations in the foreign exchange market are more volatile than ever. Furthermore, some important factors, such as economic growth, trade development, interest rates and inflation rates, have significant impacts on the exchange rate fluctuation. Meantime, these characteristics also make it extremely difficult to predict foreign exchange rates. Therefore, exchange rates forecasting has become a very important and challenge research issue for both academic and ind- trial communities. In this monograph, the authors try to apply artificial neural networks (ANNs) to exchange rates forecasting. Selection of the ANN approach for - change rates forecasting is because of ANNs' unique features and powerful pattern recognition capability. Unlike most of the traditional model-based forecasting techniques, ANNs are a class of data-driven, self-adaptive, and nonlinear methods that do not require specific assumptions on the und- lying data generating process. These features are particularly appealing for practical forecasting situations where data are abundant or easily available, even though the theoretical model or the underlying relationship is - known. Furthermore, ANNs have been successfully applied to a wide range of forecasting problems in almost all areas of business, industry and engineering. In addition, ANNs have been proved to be a universal fu- tional approximator that can capture any type of complex relationships.