摘要：Straipsnyje nagrinėjamos nacionalinės vertybinių popierių biržos (NVPB) indeksų autoregresinio, autoregresinio priežastinio ir priežastinio trendo modelių sudarymo ir jų pritaikymo, naudojant dirbtinių neuroninių tinklų (DNT) metodus, galimybės. Ištirtos dirbtinio neuroninio tinklo aproksimavimo ir prognozavimo galimybės, esant skirtingiems mokymo algoritmams, duomenų pateikimo būdams, neuroninio tinklo konfigūracijoms. DNT mokymas atliekamas remiantis praėjusių periodų atitinkamų nacionalinių indeksų vertėmis, šalies makroekonominių rodiklių bei kitų šalių vertybinių popierių kainų indeksų vertėmis. Tyrimo rezultatai lyginami su multidimensinės tiesinės regresijos rezultatais. Nustatytos optimalios dirbtinio neuroninio tinklo konfigūracijos, leidžiančios gauti geresnius NVPB kainų indeksų aproksimavimo ir prognozavimo rezultatus negu tiesinės regresijos metodu.
其他摘要：The aim of this article is to inform about research. which was done by use of artificial neural networks [ANN] applications for prognoses of Lithuania National Stock Exchange indexes LIT IN, LITIN-A, LITIN-VVP. Analysis for entropy shows the level of chance of tbe variations and correspondingly shows possibilities to find economic factors, which may influence Stock Exchange variations. Correlation analysis shows dependance between some Lithuania macroeconcmic indicators, foreign exchange indexes and LITIN, LITIN-A, LITIN-VVP indexes. It helps to include such indicators in to the autoregression, autoregression with the cause and cause prediction models. ANN learning is executed by weighted values of past period corresponding national indexes, by country’s macroeconomic indicators (like GNP, unemployment, inflation. interest rates and so on) and by other country’s Stock Exchange indexes (USA - Dow Jones and S&P, EU - Eurex, Russia - RTS). Comparison is made with the linear multidimensional regression method.
