Использование нейронных сетей для прогнозирования изменений на фондовом рынке

Содержание

Слайд 2

Определение

Нейронная сеть – математическая модель, построенная по принципу организации и функционирования сетей

Определение Нейронная сеть – математическая модель, построенная по принципу организации и функционирования
нервных клеток живого организма.
Функционирование искусственных нейросетей часто напоминает человеческое познание
Искусственные нейронные сети невозможны в живой материи
Сравнение ИНС с мозгом приводит к неоправданным ожиданиям

10 March 2012

Слайд 3

История возникновения

1943 г. – появления понятия нейронной сети
1949 г. – разработан первый

История возникновения 1943 г. – появления понятия нейронной сети 1949 г. –
алгоритм обучения
1958 – изобретен однослойный перспептрон
1974 г. – изобретение алгоритма обратного распространения ошибки
Настоящее время – есть множество успешных реализаций, но существующие ограничения так и не были преодолены

10 March 2012

Слайд 4

Свойства

Обучение
Обобщение
Абстрагирование
Нейронная сеть – черный ящик, восстановить аппроксимированную функцию невозможно

10 March 2012

Свойства Обучение Обобщение Абстрагирование Нейронная сеть – черный ящик, восстановить аппроксимированную функцию невозможно 10 March 2012

Слайд 5

Применимость

Рекомендуется:
Распознавание образов
Обработка голоса
Быстрый поиск решения
Не рекомендуется:
Любые области применения с высокой ценой

Применимость Рекомендуется: Распознавание образов Обработка голоса Быстрый поиск решения Не рекомендуется: Любые
ошибки (человеческие жизни и пр.)

10 March 2012

Слайд 6

Биологический прототип

10 March 2012

Дендриты – «входы» нейрона

Синапсы – «контакты» для соединения с

Биологический прототип 10 March 2012 Дендриты – «входы» нейрона Синапсы – «контакты»
другими клетками

Аксон – «выход» нейрона

Слайд 7

Нейронная сеть

10 марта 2012 г.

Рост/Падение

P’(n)

P’(n-1)

P’(n-k)

Input layer

Hidden layer

Output layer

….

Нейронная сеть 10 марта 2012 г. Рост/Падение P’(n) P’(n-1) P’(n-k) Input layer

Слайд 8

Активационная функция

Логистическая функция:
Гиперболический тангенс:

10 March 2012

Активационная функция Логистическая функция: Гиперболический тангенс: 10 March 2012

Слайд 9

Подготовка данных

Нормализация данных – приведение данных к виду, пригодному для обработки сетью

10

Подготовка данных Нормализация данных – приведение данных к виду, пригодному для обработки
марта 2012 г.

Эффективная область определения

Слайд 10

Процесс обучения

10 марта 2012 г.

Вычисление выхода сети

Приращения
цен

Сравнение выхода с откликом

OUT

Желаемый отклик

Верная
рекомендация

Корректировка

Процесс обучения 10 марта 2012 г. Вычисление выхода сети Приращения цен Сравнение
весов

Ошибка

На следующую
итерацию

Эпоха в обучении ИНС – предъявление сети всей обучающей выборки

Слайд 11

Процесс обучения

10 марта 2012 г.

Присваиваем весам случайные значения
На вход сети подаем обучающий

Процесс обучения 10 марта 2012 г. Присваиваем весам случайные значения На вход
вектор X и вычисляем сигнал NET от каждого нейрона:
Вычисляем значение пороговой функции активации:
Вычисляем ошибку для каждого нейрона:
Корректируем веса:
Повторяем шаги со 2 по 5 пока ошибка не станет достаточно малой

Слайд 12

Воспроизведение индикатора

10 March 2012

Close(n)

Close(n - 1)

Close(n - m)

. . . .

Moving
average

Воспроизведение индикатора 10 March 2012 Close(n) Close(n - 1) Close(n - m)
1

Moving
average 2

Weight 1

Weight 2

+1

-1

Out (Buy/Sell)

CMA* indicator reproduced
by neural network

* CMA – Crossing Moving Averages

F(N)

/

/

Слайд 13

Теханализ vs. Нейросеть

Нейронные сети могут быть более эффективны, т.к:
Сеть обучается так, чтобы

Теханализ vs. Нейросеть Нейронные сети могут быть более эффективны, т.к: Сеть обучается
минимизировать отклонение предсказаний от движения реальной цены
Нелинейная функция активации обеспечивает ей большую устойчивость.

10 March 2012

Слайд 14

Перспективы развития

10 March 2012

Stock prices

Oil prices

World financial markets

Company financial statements

Advanced system with

Перспективы развития 10 March 2012 Stock prices Oil prices World financial markets
neural network

Profit

Слайд 15

Выводы

Использование нейронных сетей на фондовом рынке является перспективным направлением для исследований
Алгоритмы на

Выводы Использование нейронных сетей на фондовом рынке является перспективным направлением для исследований
основе нейронных сетей могут быть использованы на российском фондовом рынке

10 March 2012

Слайд 16

Пример

Распознавание цифр с помощью нейронной сети

10 March 2012

Пример Распознавание цифр с помощью нейронной сети 10 March 2012

Слайд 17

Принцип работы

Считываем входы и подаем на входы нейронов:

10 March 2012

Сеть состоит из

Принцип работы Считываем входы и подаем на входы нейронов: 10 March 2012
4 нейронов.
Интерпретация выходов сети:
0,0,0,0 – 0;
0,0,0,1 – 1;
0,0,1,0 – 2;
0,0,1,1 – 3;
и т.д.
Имя файла: Использование-нейронных-сетей-для-прогнозирования-изменений-на-фондовом-рынке.pptx
Количество просмотров: 216
Количество скачиваний: 0