Главная » Просмотр файлов » Диссертация

Диссертация (1138079), страница 6

Файл №1138079 Диссертация (Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей) 6 страницаДиссертация (1138079) страница 62019-05-20СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 6)

Мы рассмотрим такой пример в Главе 3.После того, как минимально необходимая архитектура искусственнойнейронной сети (количество слоёв, количество нейронов в них, функцияактивации всех нейронов) определена, необходимо задать способ обучения сети –третий и, пожалуй, самый важный шаг построения.31Подобучениемискусственнойнейроннойсетиподразумеваетсяитеративный процесс оптимизации значений весов (вектор w на рис. 2), которыеопределяют связи между нейронами и общую эффективность работы сети(некоторые базовые принципы обучения раскрываются в работе [129]).Итеративный процесс означает, что существует определённая процедура,которая позволяет пошагово двигаться от начального (иногда случайного)значения к оптимуму.

При этом, как показывает практика, выбор начальногозначения далеко не формальный нюанс, а важный фактор, который можетсущественно повлиять на результаты работы всей нейросетевой модели. Мыболее подробно обратимся к этой проблеме в Главе 3.Принципиально искусственные нейронные сети можно разделить на дватипа: обучающиеся с учителем (supervised learning) и самообучающиеся(unsupervised learning). Обучение сети с учителем означает, что нейронной сетисначала предъявляется некоторый набор обучающих примеров, на которых онатренируется, – таким образом программируются потенциальные выходныезначения модели, которые должны быть максимально близки к эталонным. Еслиперед такой искусственной нейронной сетью ставится задача прогнозирования, тотрадиционно сеть сначала «натаскивают» на обучающем массиве (in-the-sample), апотом, на основе оптимизированных значений принимают решение уже надругом, реальном массиве данных (out-of-sample).5 К сетям, обучающимися сучителем, можно отнести сети прямого и обратного прохода, рекурретные сети идр.

Мы будем работать с такими сетями в Главе 2.Самообучающиеся искусственные нейронные сети не имеют никакихэталонных примеров и обучаются, задействуя механизмы самоорганизации иконкуренции. Это означает, что мы изначально не можем задать общеепространство выходных значений сети. К самообучающимся сетям относятся,например, сети Кохонена (самоорганизующиеся карты), сети Хопфилда, «машиныБольцмана» и др. Мы будем работать с самообучающимися сети в Главе 3.5Заметим, что при прогнозировании финансовых рынков в рамках данной работы мы в большинстве случаевбудем действовать иным образом – постоянно переучивать сеть на вновь поступающих данных.

Это связано с тем,что информация на финансовых рынках очень быстро устаревает и становится нерелевантной.32Можно задаться вопросом о том, какой тип искусственных нейронныхсетей, обучающиеся с учителем или самообучающиеся, являются наиболееэффективным, однако такой спор будет непродуктивен. Дело в том, чтоискусственные нейронные сети, в виду своей гибкости, как правило, создаютсяпод решение конкретной задачи.

Это означает, что в одних случаях эффективнееможет оказаться один тип сетей, в других – иной. Можно также утверждать, что вопределённых условиях можно соединять два типа обучения искусственныхнейронных сетей. Мы построим такую модель в Главе 3, где сначала отдельныенейронные сети прямого прохода будут обучаться на эталонной выборке, а наследующем этапе оптимизация их весов будет происходить уже путёмконкурентной самоорганизации. Рискнём также предположить, что это непротиворечит и фундаментальным законам биологии.

В действительности,человеческое мышление гармонично соединяет в себе, как механическоеобучение, основанное на подражании (обучение с учителем), так и такие сложныеи мало предсказуемые процессы, как творческая деятельность (что отсылает нас ксамоорганизации).Что касается сферы применения искусственных нейронных сетей (помимопрогнозирования финансовых рынков), то на сегодняшний день она достаточноразнообразна.

К важной области применения искусственных нейронных сетейотносится прогнозирование макроэкономических рядов. В частности, в работе[163] показана несложная нейросетевая модель для предсказания рецессии(падения ВВП) в американской экономике на основе макроэкономическихиндикаторов – процентных ставок, фондовых индексов, денежных агрегатов и др.Помимо этого, искусственные нейронные сети используются и в других отрасляхэкономического моделирования, например, в банковском деледля оценкикредитного риска, объёма возврата и просроченной задолженности по кредитам[40, 89, 217].В заключение добавим, что нейросетевые модели также часто задействуют вмоделях и механизмах, задачей которых является распознавание образов.

Кромеэтого, искусственные нейронные сети являются эффективным аналитическим33инструментомучёныхвбиологических,медицинскихиинженерныхисследованиях.Подведём итоги первой главы. Мы рассмотрели историю исследованийискусственных нейронных сетей, которые являются математическими моделями,цель которых – различные способы обработки информационных данных, а иногдадаже реконструкция деятельности головного мозга человека. Была теоретическиобоснована возможность применения моделей искусственных нейронных сетей (вт.ч.,использующихпредварительнуюобработкувходныхданных)дляпрогнозирования динамики финансовых рынков как механизма принятиярешений репрезентативным агентом, в условия, когда рынки могут отклонятьсяот информационно эффективного состояния.Былипроанализированыосновныехарактеристики,принципыинеобходимые условия построения, а также применяемые способы обученияискусственных нейронных сетей.

Кроме этого, на основе одного из главныхсвойств нейронных сетей – самоорганизации – была прослежена их взаимосвязь смногоагентными системами. При этом отмечалась возможность комбинированиядвух этих типов моделей в рамках экспериментов по имитационномувзаимодействию на финансовых рынках.34Глава 2. Инвестиционные решения на фондовом и валютномрынках на основе упрощенной картины мира и контекстнойпамяти – представление в форме искусственных нейронных сетей спредварительной обработкой входных данныхВо второй главе будут предложены способы прогнозирования финансовыхрынков на основе упрощения картины мира репрезентативным агентом ииспользования контекстной памяти при принятии решений.

В главе будетрассмотрено сравнительное применение метода главных и метода независимыхкомпонент в качестве инструментов предварительной обработки входных данныхв моделях искусственных нейронных сетей. С помощью двух этих методов мыбудем проводить два вида популярной обработки эмпирической информации –снижение размерности (упрощение картины мира) и формирование контекстнойбиблиотеки данных в искусственной нейронной сети, обученной по методуЛевенберга-Марквардта и сети Хакена.Построенные модели будет протестированы на реальных данных фондовогои валютного рынков развитых стран, в ходе чего будет сделан вывод онедостаточной эффективности этих методов и необходимости совершенствованияинструментов предварительной обработки входных данных в искусственныхнейронных сетях, рассматриваемых в качестве механизма принятия решенийагентом на рынке.2.1.

Предварительная обработка входных данных искусственныминейронными сетями при прогнозировании финансовых рынков с помощьюметода главных компонент и метода независимых компонентИскусственные нейронные сети представляют собой достаточно гибкие впостроении модели, что обуславливает различные вариативные возможности поих оптимизации под конкретную задачу. Такие модификации, ориентированныена повышение эффективности работы сети, могут, в частности, включатьэксперименты с архитектурой и типом обучения, а также обработку исходных35данных, которые предъявляются сети – именно этой теме в значительной теме ипосвящена данная работа.Вопрос обработки входных данных (не только в искусственных нейронныхсетях, но и вообще в моделях поддержки принятия решений) важен потому, чтопри составлении прогнозов финансовым аналитикам приходится работать согромными массивами информации.

Несмотря на очевидный прогресс в развитииинформационных технологий, далеко не всегда в распоряжении исследователяесть вычислительные машины, способные в сжатые временные рамки обработатьнеограниченныеобъёмыинформации.Ведьеслиподходитьканализуфинансовых рынков с максималисткой позиции, то влияние на цену актива можетоказатьвсё,чтоугодно.Приэтомуместнонапомнитьовозросшейвзаимозависимости мировых экономических процессов в эпоху глобализации иизвестный «эффект бабочки» [144], когда незначительное событие можеткоренным и непредсказуемым образом повлиять на поведение всей динамическойсистемы, к числу которых, безусловно, следует отнести финансовые рынки.

Сдругойстороны,развитиепостиндустриальногообществапорождаетинегативные эффекты: сегодня информационные потоки содержат в себезначительную шумовую компоненту, то есть многие данные нерелеванты,несущественны, а иногда и вовсе оказываются «мусором».Обнаружение важной информации в больших массивах данных активноизучается в последние годы и выделилось в отдельное научное направление –«глубинный анализ данных» (data mining) [79]. Широко используется этот подходи в нейросетевых моделях, разработанных для прогнозирования финансовыхрынков [76, 199]. Таким образом, вопрос предварительной обработки входныхданных нетривиален для финансового аналитика, и основная проблема здеськроется в необходимости ориентации и сортировки больших массивовинформации в зависимости от степени влияния на исследуемый процесс.Существует большое количество способов предварительной обработкивходных данных для модели в зависимости от стоящих перед искусственнойнейронной сетью задач, в частности, нормализация, кластеризация данных,36генетические алгоритмы, авторегрессионное тестирование, корреляционный,фрактальный анализ, разложение в ряд Фурье и другие.

Однако в рамках даннойработы мы не будем делать подробный разбор инструментов предварительнойобработки данных и их классификации, поскольку такой обзор может оказатьсяповерхностным. Напротив, мы изначально выберем общее направление обработкиданных, а потом будем последовательно усложнять модели, модифицируяметодологию и выстраивая иерархию полученных результатов для фондового ивалютного рынков развитых стран.

Характеристики

Список файлов диссертации

Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей
Свежие статьи
Популярно сейчас
Зачем заказывать выполнение своего задания, если оно уже было выполнено много много раз? Его можно просто купить или даже скачать бесплатно на СтудИзбе. Найдите нужный учебный материал у нас!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6510
Авторов
на СтудИзбе
302
Средний доход
с одного платного файла
Обучение Подробнее