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)