Skip to content
Veröffentlichen & Verteilen
Verlagslösungen
Vertriebslösungen
Bibliotheksdienste
Themen
Allgemein
Altertumswissenschaften
Architektur und Design
Bibliotheks- und Informationswissenschaft, Buchwissenschaft
Biologie
Chemie
Geowissenschaften
Geschichte
Industrielle Chemie
Informatik
Jüdische Studien
Kulturwissenschaften
Kunst
Linguistik und Semiotik
Literaturwissenschaft
Materialwissenschaft
Mathematik
Medizin
Musik
Pharmazie
Philosophie
Physik
Rechtswissenschaften
Sozialwissenschaften
Sport und Freizeit
Technik
Theologie und Religion
Wirtschaftswissenschaften
Veröffentlichungen
Zeitschriften
Bücher
Konferenzberichte
Verlage
Journal Matcher
Blog
Kontakt
Suche
Deutsch
English
Deutsch
Polski
Español
Français
Italiano
Warenkorb
Home
Zeitschriften
Studia Universitatis „Vasile Goldis” Arad – Economics Series
Band 28 (2018): Heft 3 (September 2018)
Uneingeschränkter Zugang
Market Forecasts and Client Behavioral Data: Towards Finding Adequate Model Complexity
Dan Stelian Deac
Dan Stelian Deac
Faculty of Economics, Engineering and Informatics, “Vasile Goldiș” Western University of Arad,
Arad, Romania
Suche nach diesem Autor auf
Sciendo
|
Google Scholar
Deac, Dan Stelian
und
Klaus Bruno Schebesch
Klaus Bruno Schebesch
Faculty of Economics, Engineering and Informatics, “Vasile Goldiș” Western University of Arad,
Arad, Romania
Suche nach diesem Autor auf
Sciendo
|
Google Scholar
Schebesch, Klaus Bruno
15. Sept. 2018
Studia Universitatis „Vasile Goldis” Arad – Economics Series
Band 28 (2018): Heft 3 (September 2018)
Über diesen Artikel
Vorheriger Artikel
Nächster Artikel
Zusammenfassung
Referenzen
Autoren
Artikel in dieser Ausgabe
Vorschau
PDF
Zitieren
Teilen
COVER HERUNTERLADEN
Online veröffentlicht:
15. Sept. 2018
Seitenbereich:
50 - 75
Eingereicht:
01. Juli 2018
Akzeptiert:
01. Aug. 2018
DOI:
https://doi.org/10.2478/sues-2018-0015
Schlüsselwörter
Aggregate market reaction
,
individual client behavior
,
data modeling
,
deep neural networks
,
overtraining
© 2018 Dan Stelian Deac, published by Sciendo
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 License.