Прогнозирование финансовых рынков с использованием нейронных сетей Выполнила: Кокшарова А.А. ПНИПУ, ФПММ гр. ММЭм-12 Руководитель: к. ф.-м.н. Шумкова Д.Б.

Презентация:



Advertisements
Похожие презентации
Дипломная работа Разработка нейросетевого программного комплекса для анализа и прогнозирования котировок на Международном валютном рынке FOREX Выполнил:
Advertisements

Методика оптимизации портфеля ценных бумаг на основании нейросетевого прогнозирования Исполнитель: Воронова М.А. Руководитель: Плющ О.Б.
Методы распознавания зашумленных образов БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ и ИНФОРМАТИКИ Кафедра математического.
ПРОГНОЗИРОВАНИЕ КУРСОВ ВАЛЮТ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ Студент гр. Мт-47053А.С.Истомин Руководитель, доцент, к.т.н.В.В.Лавров Курсовой проект.
Статистический анализ и прогнозирование быстроизменяющихся нестационарных эконометрических процессов на основе моделей марковской зависимости. ФАКУЛЬТЕТ.
Линейная модель парной регрессии и корреляции. 2 Корреляция – это статистическая зависимость между случайными величинами, не имеющими строго функционального.
Использование нейросимулятора при определении внешнего вида ребенка по параметрам родителей.
1. Что такое Эконометрика? Что она изучает, чему учит 2. Основные задачи эконометрики 3. Корреляционно-регрессионный анализ 4. Этапы построения эконометрической.
Липецкий государственный технический университет Кафедра прикладной математики Кузьмин Алексей Сергеевич Распознавание образов сверточными искусственными.
«АНАЛИЗ СОЦИАЛЬНЫХ СЕТЕЙ» Малютин Сергей Руководитель Буза Михаил Константинович профессор кафедры МСС Факультет прикладной математики и информатики Кафедра.
МОДУЛЬНАЯ АРХИТЕКТУРА НС. Каждая входная переменная связана только с одним из входов модулей. Выходы всех входных модулей соединены с модулем решения.
Использование нейронных сетей для прогнозирования изменений на фондовом рынке Михаил Бондаренко 14 August
Моделирование и исследование мехатронных систем Курс лекций.
Болотюк Екатерина Александровна БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ Экономический факультет Кафедра банковской и финансовой экономики Методики оптимального.
ГЕНЕТИЧЕСКИЙ АЛГОРИТМ НАСТРОЙКИ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ Конференция «Технологии Microsoft в информатике и программировании», февраля 2004г.
Белорусский государственный университет Механико-математический факультет Кафедра математических методов теории управления Федорович Марина Николаевна.
Начальная школа Самоценный, принципиально новый этап в жизни, когда ребёнок впервые реализует общественно значимую и социально оцениваемую учебную деятельность.
Научный руководитель : кандидат физико - математических наук, доцент Голубева Л. Л. выполнила магистрант БГУ Власова Дарья Минск 2012.
ИНФОРМАЦИОННАЯ ЧУВСТВИТЕЛЬНОСТЬ КОМПЬЮТЕРНЫХ АЛГОРИТМОВ И ЕЁ КОЛИЧЕСТВЕННЫЕ МЕРЫ д.т.н., профессор М.В. Ульянов Кафедра «Управление разработкой программного.
Лекция 1 «Введение». Опр. эконометрика это наука, которая дает количественное выражение взаимосвязей экономических явлений и процессов. Специфической.
Транксрипт:

Прогнозирование финансовых рынков с использованием нейронных сетей Выполнила: Кокшарова А.А. ПНИПУ, ФПММ гр. ММЭм-12 Руководитель: к. ф.-м.н. Шумкова Д.Б. Пермский национальный исследовательский политехнический университет Кафедра Прикладной математики Пермь-2012

Цель работы: Получение теоретических и практических навыков эффективного прогнозирования финансовых рынков, т.е. изучение опыта прогнозирования финансовых рынков (на примере рынка FOREX), методологии теории нейронных сетей, основных подходов, а также построение системы, прогнозирующей движение цен. Задачи: 1.изучение основных положений теории нейронных сетей; 2.определение этапов решения задачи прогнозирования; 3.построение моделей прогнозирования валютных курсов; 4.анализ и прогнозирование движения рынка на основе динамики котировок GBPUSD за 2010 – 2012 г.г.; 5.сравнение эффективности нейросетевых подходов; 6.на основе полученных результатов сделать выводы, оценить перспективы применения моделей.

Z(t) – временной ряд. Даны: Z(t 1 ), Z(t 2 ),..,Z(T) Найти: Z(T+1),..,Z(T+P) Постановка задачи прогнозирования

Искусственный нейрон: Сигмоидная функция:

DAN2 (Saidane & Ghiassi, 2005)

Этапы решения задачи Определение временного интервала и базы данных Определение входных величин и подготовка данных Построение обучающего и тестового множества Построение нейросети Обучение нейросети Принятие решения

Годовая динамика курса GBPUSD Задача : Прогнозирование экстремальных значений котировок на 1 период вперед База: дневная динамика курса GBPUSD за – г.г

Преобразование входных данных

Определение размерности входа

Гипотезы зависимости

Гипотезы: Обучение методом генетической оптимизации. Целевой функционал имеет вид:

MLP. NeuroHigh 10-слойная нейросеть; Обучение алгоритмом генетической оптимизации, затем – BP-алгоритм; Тестирование на данных 06 – г.

MLP. NeuroLow

DAN2. NeuroHigh 10-слойная нейросеть; При обучении использован алгоритм смешанного градиента и МНК- оценки коэффициентов регрессии; Сети протестированы на данных 06 – г.

DAN2. NeuroLow

Результаты работы В ходе работы проведен анализ методологии теории нейронных сетей, изучен финансовый рынок FOREX; Построены 2 модели для прогнозирования экстремальных показателей котировок. Выводы Нейросети показывают хорошие результаты аппроксимации зашумленных данных; Нейросети способны решать задачи с неизвестным заранее математическим алгоритмом, алгоритм формируется в процессе обучения сети; Генетические алгоритмы способны преодолеть проблему локальных минимумов; Нейросети могут быть обучены выполнению анализа валютных рынков и прогнозированию курсов валют; Построенные модели способствуют выбору прибыльных стратегий, могут быть использованы в торговом зале.

Спасибо за внимание

Обучение нейросети (метод обратного распространения ошибок)