Ключевые теги

Реклама

новости партнёров

Архив сайта

Реклама

Метод прогнозирования финансовых часовых рядов на базе нейросетевого подхода

Добавлено: 18-03-2016, 16:30     Автор: admin     Категория: Индекс ММВБ, Рейтинги регионов

Метод прогнозирования финансовых часовых рядов на базе нейросетевого подходаРазделы: , Размещена 14.06.2014. Последняя правка: 14.06.2014. Под руководством Ляшко Сергея Ивановича, доктора физико-математических наук, профессора Киевского национального университета имени Тараса Шевченка факультета кибернетики, кафедры вычислительной математики Прогнозирование финансовых временных рядов является важной задачей современной экономики. Примерами таких рядов являются: другие. В данной работе изучается принцип работы нейронных сетей как нового метода прогнозирования временных рядов. Основные задачи исследования: рассмотреть структуру нейронных сетей, исследовать их роль в прогнозировании динамики цены акций; разработать и научить нейросеть, с её помощью спрогнозировать временной ряд и исследовать точность полученного результата. Рис.1. Структура нейросети  – вход нейросети,  – вес нейронов,  – сумматор,  – преобразователь,  – выход нейросети. Нейрон в нейросети состоит из элементов трёх типов: умножителей, сумматора и нелинейного преобразователя. Синапсы(множители) осуществляют связь между нейронами, умножают входной сигнал на число, что характеризирует силу связи (вес нейрона). Сумматор выполняет прибавление сигналов, которые поступают по синаптическим связям от других нейронов и внешних входных сигналов.

Преобразователь реализует функцию одного аргумента – выхода сумматора. Эта функция является сжимающей функцией, если необходимо чтобы значения находились в определённом отрезке. Как пример, рассмотрим цену акций компании Apple Inc: Рис. 2. Цена акций Apple Inc. Рассмотрим цену акций в момент закрытия торгов и проведём нормирование временного ряда, получив значения приростов в соотношении цены текущей и цены за предыдущий день (нас интересует прогноз на следующий день): Рис. 3. Нормированные значения На Рис. 3 можно заметить аномальные данные, которые необходимо удалить. Для этого воспользуемся  модифицированным методом Ирвина. Этот метод базируется на сравнении соседних значений ряда и расчета характеристики   ,    `t=bar(2,n)`  – оценка среднеквадратического отклонения ряда.  и удалении аномальных данных, получили нормальный ряд. Для того, чтобы нейросеть дала более точные результаты проведем классификацию данных за  критерием Стерджесса `k=1+3.322*ln(n) `  – количество наблюдений,  – количество интервалов, на которые разбивается множество. Рис. 4. Классификация данных `X=bar(x_(0),x_(n)).` `barX=bar(x_(0),x_(j-1))`  , который с каждой итерацией будет сдвигаться на один элемент.

`bar(w_(1),w_(m))`  в нейронах.  и проверяем или совпало решение с известным заранее элементом временного ряда. Если погрешность оказалась достаточно высокой, возвращаемся к пункту 2. и меняем значения весов  `bar(w_(1),w_(m))`  с помощью  алгоритма Левенберга-Марквардта,  повторяем, пока погрешность не минимизируется. Суть алгоритма Левенберга-Марквардта заключается в последовательном приближении заданных начальных значений параметров к искомому локальному оптимуму. Необходимо установить следующие значения параметров   , которые бы находили локальный минимум функции ошибки задачи наименьших квадратов: `E=sum_(i=1)^n(y_(i)-f(w, x_(i)))^2->min ` , и с каждым шагом итерации меняем его на значение  `f(w+deltaw)~~f(w, x)+Jdeltaw` `f(w, x_(i))` В результате преобразований получаем, что  Используя  параметр регуляризации Марквардта   ,  для того, чтобы можно было найти обратную матрицу, перепишем уравнение в виде: Рис. 5. Отклонение значений при тестировании нейросети Рис. 6. Гистограмма погрешностей По рис. 6 видно, что большая часть найденных значений имеет погрешности в окрестности 0, что является весьма точным результатом. После построения и обучения нейросетей, лучшим результатом прогнозирования на тестовой выборке было  75% точно найденных значений. В данной работе было проведено первичную обработку данных, что включает в себя нормализацию и классификацию данных, было построено и обучено нейросеть, которая смогла предсказать 75% правильных котировок акций компании Apple Inc. Нейросетевой метод универсальный и его можно использовать и для прогнозирования других временных рядов. 1.Бэстенс Д. Э. Нейронные сети и финансовые рынки: принятие решений в торговых операциях / Д. Э. Бэстенс, В. М. ван ден Берг, Д. Вуд. — М. : ТВП, 1997. — 236 с. 2.Бокс Дж. Анализ временных рядов.

Прогноз и управление / Дж. Бокс, Г. Дженкинс — М. : Мир, 1974. — 288 с. 3.Владимирова Л. П. Прогнозирование и планирование в условиях рынка. Учебное пособие / Л. П. Владимирова. — М. : Дашков и К, 2000. — 308 с. 4.Горбань А. Н. Обучение нейронных сетей. / Александр Николаевич Горбань. — М. : ПараГраф, 1991. — 160 с. 5.Демиденко Е. З. Оптимизация и регрессия / Е. З. Демиденко — М. : Наука, 1989. — 296 с. 6.Дьяконов В. П. MATLAB 6.5. Инструменты искусственного интеллекта и биоинформатики / В. П. Дьяконов, В. В Круглов.

— М. : СОЛОН-ПРЕСС, 2006. — 456 с. 7.Ефимова М. Р. Общая теория статистики. Учебник для вузов / М. Р. Ефимова, Е. В. Петрова, В. Н. Румянцев. — М. : ИНФРА-М, 1998. — 416 с. 8.Прогнозирование и планирование в условиях рынка. Учебное пособие для вузов / [Т. Г. Морозова, А. В. Пикулькин, В. Ф. Тихонов и др.]. — М. : ЮНИТИ-ДАНА, 1999.

— 318 с. 9.Руденко О. Г. Штучні нейронні мережі / О. Г. Руденко, Є. В. Бодянський. — Харків : СМІТ, 2006. — 404 с. 10. Смирнов Н. В. Курс теории вероятностей и математической статистики для технических приложений / Н. В. Смирнов, И. В. Дунин-Барковский. — М. : Наука, 1969.

— 512 с. 11. Твардовский В. Секреты биржевой торговли. Торговля акциями на фондовых биржах / В. Твардовский, С. Паршиков. — М. : Альпина Паблишер, 2006. — 552 с. 12. Тихонов Э. Е. Методы прогнозирования в условиях рынка / Э. Е. Тихонов. — Невинномысск., 2006.

— 221 с. 13. Круг П. Г. Нейронные сети и нейрокомпьютеры: учебное пособие по курсу “Микропроцессоры” / П. Г. Круг — М. : МЭИ, 2002. — 176 с. 14. Круглов В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. — М. : Телеком, 2001. — 382 с. 15. Медведев В. С. Нейронные сети. Matlab 6 / В. С. Медведев, В. Г. Потемкин.

— М. : Диалог МИФИ, 2002. — 496 с. 16. Носко В. П. Эконометрика. Введение в регрессионный анализ временных рядов / В. П. Носко. — М. : Москва, 2002. — 273 с. 17. Хенан Э. Анализ временных рядов / Эдвард Хеннан. — М. : Статистика, 1964. — 215 с. 18. Holland J. H. Adaptation in Natural and Artificial Systems / J. H. Holland.

— Cambridge, Massachusetts, The USA : The MIT Press, 1992. — 211 p. 19. Marquardt D. An Algorithm for Least-Squares Estimation of Nonlinear Parameters / Donald W. Marquardt. — SIAM : Journal Applied Math, 1963. — 431 - 441 p. 20. Philip Gill. Practical optimization / Philip Gill, Walter Murray, Margaret Wright.

— London, UK : Academic Press, 1981. — 401 p. Рецензии: 14.06.2014, 11:42 Рецензия : Задумка очень интересная, не хватает описательной части, после доработки рекомендуется к печати 14.06.2014, 13:04 Рецензия : Предложенный метод дает слишком высокую погрешность в прогнозировании. А это означает непредсказуемость финансовых операций на фондовом рынке, невозможность прогнозирования динамики ВВП и т. д. в случае применения этой нейронной сети. Фактически в каждом четвертом случае метод дает неверный прогнозный результат. Поэтому метод необходимо доработать и значительно снизить уровень погрешности. Кроме того в статье много грамматических ошибок, которые необходимо исправить. 15.06.2014, 13:07 Рецензия : не хватает описания принципа работы нейросети, статья это законченное научное изыскание, у Вас прекрасная основная часть, в конце немного оборвано заключение 2.07.2014, 10:19 Рецензия : Статья написана на актуальную тему. Работ по нейрономическому моделированию крайне мало.

Работа содержит результаты самостоятельно проведённых исследований, соответствует установленным требованиям и может быть опубликована в открытой печати. д. э.н., вольный нейрономимст, частный трейдер С. М.Ягуткин 11.07.2014, 4:08 Рецензия : Статья интересна, однако не выделено: отличие в точности прогноза для существующих методов (МНК). Доработать. 31.07.2014, 11:01 Рецензия Комментарии пользователей:

Комментариев: 0   Просмотров: 34
[rating]
[/rating]

Видео-бонус:

Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.
rss
Карта