'

Использование нейронных сетей для прогнозирования изменений на фондовом рынке

Понравилась презентация – покажи это...





Слайд 0

Использование нейронных сетей для прогнозирования изменений на фондовом рынке Михаил Бондаренко 23 December 2015 1


Слайд 1

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 23 December 2015 2


Слайд 2

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 23 December 2015 3


Слайд 3

Свойства Обучение Обобщение Абстрагирование Нейронная сеть – черный ящик, восстановить аппроксимированную функцию невозможно 23 December 2015 4


Слайд 4

Применимость Рекомендуется: Распознавание образов Обработка голоса Быстрый поиск решения Не рекомендуется: Любые области применения с высокой ценой ошибки (человеческие жизни и пр.) 23 December 2015 5


Слайд 5

Биологический прототип 23 December 2015 6 Дендриты – «входы» нейрона Синапсы – «контакты» для соединения с другими клетками Аксон – «выход» нейрона


Слайд 6

Нейронная сеть 23 декабря 2015 г. 7 Рост/Падение P’(n) P’(n-1) P’(n-k) Input layer Hidden layer Output layer ….


Слайд 7

Активационная функция Логистическая функция: Гиперболический тангенс: 23 December 2015 8


Слайд 8

Подготовка данных Нормализация данных – приведение данных к виду, пригодному для обработки сетью 23 декабря 2015 г. 9 Эффективная область определения


Слайд 9

Процесс обучения 23 декабря 2015 г. 10 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


Слайд 10

Процесс обучения 23 декабря 2015 г. 11 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


Слайд 11

Воспроизведение индикатора 23 December 2015 12 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) / /


Слайд 12

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. 23 December 2015 13


Слайд 13

Перспективы развития 23 December 2015 14 Stock prices Oil prices World financial markets Company financial statements Advanced system with neural network Profit


Слайд 14

Выводы Использование нейронных сетей на фондовом рынке является перспективным направлением для исследований Алгоритмы на основе нейронных сетей могут быть использованы на российском фондовом рынке 23 December 2015 15


Слайд 15

Пример Распознавание цифр с помощью нейронной сети 23 December 2015 16


Слайд 16

Принцип работы Считываем входы и подаем на входы нейронов: 23 December 2015 17 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.


Слайд 17

23 December 2015 18 Спасибо за внимание! Вопросы?


×

HTML:





Ссылка: