Papierów Wartościowych w Warszawie i na jej przykładzie opisano przebieg sesji giełdowej. W rozdziale trzecim opisano standardowe techniki prognozy notowań tj. analizę fundamentalną, analizę techniczną, ekonometryczne szeregi czasowe oraz metody eksploracji danych. Szerzej przedstawiono analizę techniczną, która posłużyła w tej pracy do obliczeń współczynników opisujących stan giełdy, np. panujący trend. W rozdziale czwartym dokładnie opisano wykorzystane w pracy dane, wraz z ich przekształceniami. Dokonano też analizy statystycznej zmiennej prognozowanej. Rozdział piąty i szósty przedstawia dwie bardzo popularne techniki eksploracji danych, odpowiednio klasyfikację i regresję. W obu rozdziałach opisano najpopularniejsze stosowane obecnie modele, oraz modele liniowe oparte o wypukłe i odcinkowo liniowe funkcje kryterialne CPL. Wszystkie opisane w tych rozdziałach modele posłużyły do eksperymentu, którego wyniki omówiono w rozdziale siódmym. Rozdział ósmy poświęcono krótkiemu opisowi zaimplementowanego systemu do analizy i prognozy notowań giełdowych. Rozdział dziewiąty zawiera wnioski końcowe i podsumowanie pracy.
Klasyfikator typu CPL jest klasyfikatorem liniowym, który separuje dwa zbiory danych za pomocą hiperpłapszczyzny. Poszukiwanie hiperpłaszczyzny separującej zbiory danych z dwóch klas jest problemem od dawna pojawiającym się w eksploracji danych czy też sztucznej inteligencji. Prace te zapoczątkował Frank Rosenblatt [38], którego uważa się za twórcę idei Perceptronu oraz sztucznej sieci neuronowej. Idea Perceptronu bazuje na neuronie formalnym, który rozwiązuje problem klasyfikacji binarnej za pomocą funkcji liniowej:
{1 jeżeli wTx + 9 > 0
0 w przeciwnym wypadku
gdzie x jest n wymiarowym wektorem cech opisującym klasyfikowany obiekt, w oraz 9 są parametrami hiperpłaszczyzny.
Klasyfikator liniowy typu CPL oparty jest na minimalizacji wypukłej i odcinkowo liniowej funkcji kryterialnej [5] postaci:
4