Использование нейронных сетей для прогнозирования изменений на фондовом рынке

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

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

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

Применимость
Рекомендуется:
Распознавание образов
Обработка голоса
Быстрый поиск решения
Не рекомендуется:
Любые области применения с высокой ценой ошибки (человеческие жизни и пр.)
10 March 2012

Биологический прототип
10 March 2012
Дендриты – «входы» нейрона
Синапсы – «контакты» для соединения с другими клетками
Аксон – «выход» нейрона

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

Активационная функция
Логистическая функция:
Гиперболический тангенс:
10 March 2012

Подготовка данных
Нормализация данных – приведение данных к виду, пригодному для обработки сетью
10 марта 2012 г.
Эффективная область определения

Процесс обучения
10 марта 2012 г.
Вычисление выхода сети
Приращения
цен
Сравнение выхода с откликом
OUT
Желаемый отклик
Верная
рекомендация
Корректировка весов
Ошибка
На следующую
итерацию
Эпоха в обучении ИНС – предъявление сети всей обучающей выборки

Процесс обучения
10 марта 2012 г.
Присваиваем весам случайные значения
На вход сети подаем обучающий 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

Воспроизведение индикатора
10 March 2012
Close(n)
Close(n - 1)
Close(n - m)
. . . .
Moving
average 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)
/
/

Теханализ vs. Нейросеть
Нейронные сети могут быть более эффективны, т.к:
Сеть обучается так, чтобы минимизировать отклонение предсказаний от движения реальной цены
Нелинейная функция активации обеспечивает ей большую устойчивость.
10 March 2012

Перспективы развития
10 March 2012
Stock prices
Oil prices
World financial markets
Company financial statements
Advanced system with neural network
Profit

Выводы
Использование нейронных сетей на фондовом рынке является перспективным направлением для исследований
Алгоритмы на основе нейронных сетей могут быть использованы на российском фондовом рынке
10 March 2012

Пример
Распознавание цифр с помощью нейронной сети
10 March 2012

Принцип работы
Считываем входы и подаем на входы нейронов:
10 March 2012
Сеть состоит из 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.