Entscheidungsunterstützungssystem - DSS DEFINITION des Entscheidungsunterstützungssystems - DSS Ein Entscheidungsunterstützungssystem (DSS) ist ein EDV-gestütztes Informationssystem zur Unterstützung der Entscheidungsfindung in einer Organisation oder einem Unternehmen. Mit einem DSS können Benutzer riesige Datenmengen analysieren und Informationen zusammenstellen, die zur Lösung von Problemen und zur Entscheidungsfindung genutzt werden können. Die Vorteile von Entscheidungsunterstützungssystemen umfassen mehr fundierte Entscheidungsfindung, zeitgemäße Problemlösung und verbesserte Effizienz beim Umgang mit Problemen mit sich schnell ändernden Variablen. BREAKING DOWN Entscheidungsunterstützungssystem - DSS Operations Management und Planungsebenen in einer Organisation können eine DSS verwenden, um Informationen und Daten zu kompilieren und sie in umsetzbare Intelligenz zu synthetisieren. Dies ermöglicht dem Endbenutzer, fundiertere Entscheidungen schneller zu treffen. Was kann eine DSS-Analyse Die DSS ist eine Informationsanwendung, die umfassende Informationen erzeugt. Dies unterscheidet sich von einer Betriebsanwendung, die verwendet werden würde, um die Daten an erster Stelle zu sammeln. Ein DSS wird hauptsächlich von der mittleren bis oberen Verwaltung verwendet und ist der Schlüssel zum Verständnis großer Datenmengen. Zum Beispiel könnte ein DSS verwendet werden, um einen Unternehmensumsatz über die kommenden sechs Monate auf der Grundlage neuer Annahmen über Produktverkäufe zu projizieren. Wegen der großen Anzahl von Variablen, die die geplanten Umsatzzahlen umgeben, ist dies keine einfache Berechnung, die von Hand durchgeführt werden kann. Ein DSS kann mehrere Variablen integrieren und ein Ergebnis und alternative Ergebnisse generieren, die alle auf den vergangenen Produktverkaufsdaten und aktuellen Variablen basieren. Wie kann ein DSS die Information präsentieren? Der primäre Zweck eines DSS ist es, dem Kunden in einer leicht verständlichen Weise Informationen zu präsentieren. Der Vorteil für ein DSS-System ist, dass es programmiert werden kann, um viele Arten von Berichten zu generieren, die alle auf Benutzerspezifikationen basieren. Ein DSS kann Informationen generieren und grafisch ausgeben, z. B. ein Balkendiagramm, das den geplanten Umsatz repräsentiert, oder als schriftlicher Bericht. Wo kann ein DSS verwendet werden Da die Technologie weiter voranschreitet, ist die Datenanalyse nicht mehr auf große sperrige Mainframes beschränkt. Da ein DSS im Wesentlichen eine Anwendung ist, kann es auf den meisten Computersystemen, einschließlich Laptops geladen werden. Bestimmte DSS-Anwendungen sind auch über mobile Geräte verfügbar. Die Flexibilität des DSS ist äußerst vorteilhaft für Kunden, die häufig reisen. Dies gibt ihnen die Möglichkeit, gut informiert zu allen Zeiten, die wiederum bietet ihnen die Möglichkeit, die besten Entscheidungen für ihr Unternehmen und Kunden zu jeder Zeit zu treffen. Adaptive Aktienindex Trading Decision Support-System Wen-Chyuan Chiang a. David Enke b. Tong Wu c. Renzhong Wang d. University of Tulsa, 800 South Tucker Drive, Helmerich Hall 118B, Tulsa, OK, 74104, Vereinigte Staaten b Institut für Ingenieurwesen und Systemtechnik, Labor für Investitions - und Finanzwesen, Intelligent Systems Center, Universität Missouri (USA), USA (USA), USA (USA), USA (USA), USA, Großbritannien und Nordirland , Bellevue, WA, 98004, USA Empfangen 11. Februar 2016. Überarbeitet 19. April 2016. Akzeptiert 20. April 2016. Verfügbar online 25. April 2016. Highlights Das System bietet eine automatisierte und adaptive Modellauswahl. Das System prognostiziert die Kursentwicklung und nicht das prognostizierte Niveau. Partikelschwarm-Optimierung wird verwendet, um die Rechenzeit zu reduzieren. Denoising wird verwendet, um Börsenvolatilität zu bewältigen. Vorhersage der Richtung und Bewegung der Aktienindex Preise ist schwierig, oft zu übermäßigen Handel, Transaktionskosten und verpasste Chancen. Häufig brauchen Trader eine systematische Methode, um nicht nur Handelschancen zu erkennen, sondern auch einen einheitlichen Ansatz zu schaffen, wodurch Handelsfehler und Kosten minimiert werden. Während mechanische Handelssysteme existieren, sind sie üblicherweise für eine bestimmte Aktie, einen Aktienindex oder andere finanzielle Vermögenswerte ausgelegt und sind oft stark von vorgewählten Inputs und Modellparametern abhängig, von denen erwartet wird, dass sie weiterhin Handelsinformationen nach dem ersten Training oder Back - Getestet Modell Entwicklung Zeitraum. Die folgende Forschung führt zu einem detaillierten Handelsmodell, das eine effektivere und intelligentere Möglichkeit zur Erkennung von Handelssignalen und zur Unterstützung von Investoren mit Handelsentscheidungen bietet, indem ein System verwendet wird, das sowohl die Eingänge als auch das Vorhersagemodell auf der Grundlage der gewünschten Leistung anpasst. Um den adaptiven Ansatz zu veranschaulichen, werden mehrere Eingaben und Modellierungstechniken verwendet, einschließlich neuronaler Netze, Partikelschwarmoptimierung und Denoing. Simulationen mit Aktienindizes verdeutlichen, wie Händler mit dem entwickelten System der adaptiven Entscheidungsunterstützung höhere Renditen erzielen können. Die Vorzüge des Hinzufügens einer adaptiven und intelligenten Entscheidungsfindung zu Prognosen werden ebenfalls diskutiert. Entscheidungsunterstützungssystem Neuronale Netze Partikelschwarmoptimierung Auslöschung Adaptive Bestandsauswahl Richtungsvorhersage Abb. Fig. Fig. Fig. 4.Evolutionäres Entscheidungsunterstützungssystem für Börsenhandel Brabazon, A. ONeill, M. Biologisch inspirierte Algorithmen für die Finanzmodellierung. Springer, Heidelberg (2006) MATH Korczak, J. Lipinski, P. Roger, P. Evolution Strategie in der Portfolio-Optimierung. In: Collet, P. Fonlupt, C. Hao, J.-K. Lutton, E. Schoenauer, M. (Hrsg.) EA 2001. LNCS, vol. 2310, S. 156167. Springer, Heidelberg (2002) CrossRef Lipinski, P. Dependency Mining in großen Sätzen der Börsenhandel Regeln. In: Pejas, J. Piegat, A. (Hrsg.) Enhanced Methods in Computersicherheit, Biometrische und Intelligente Systeme, S. 329336. Kluwer Academic Publishers, Dordrecht (2005) CrossRef Lipinski, P. ECGA vs. Handelsexperten. In: Verfahren der genetischen und evolutionären Berechnungskonferenz, GECCO 2007, pp. 531538. ACM, New York (2007) CrossRef Lipinski, P. Korczak, J. Leistungsmessung in einem evolutionären Börsenexperten-System. In: Bubak, M. van Albada, G. D. Sloot, P. M.A. Dongarra, J. (Hrsg.) ICCS 2004. LNCS, vol. 3039, S. 835842. Springer, Heidelberg (2004) Murphy, J. Technische Analyse der Finanzmärkte, NUIF (1998) Schwefel, H.-P. Evolution und optimale Suche. John Wiley und Sons, Chichester (1995)
No comments:
Post a Comment