Использование нейронных сетей для прогнозирования изменений на фондовом рынке Михаил Бондаренко 14 August 20121

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 14 August 20122

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 14 August 20123

Свойства Обучение Обобщение Абстрагирование Нейронная сеть – черный ящик, восстановить аппроксимированную функцию невозможно 14 August 20124

Применимость Рекомендуется: Распознавание образов Обработка голоса Быстрый поиск решения Не рекомендуется: Любые области применения с высокой ценой ошибки (человеческие жизни и пр.) 14 August 20125

Биологический прототип 14 August Дендриты – «входы» нейрона Синапсы – «контакты» для соединения с другими клетками Аксон – «выход» нейрона

Нейронная сеть 14 августа 2012 г.7 Рост/Падение P(n) P(n-1) P(n-k) Input layer Hidden layer Output layer F(Net) NET OUT w(1) w(n)w(n) w(n)w(n) …. Обратное распространение ошибки Прямое распространение сигнала

Активационная функция Логистическая функция: Гиперболический тангенс: 14 August 20128

Подготовка данных Нормализация данных – приведение данных к виду, пригодному для обработки сетью 14 августа 2012 г.9 Эффективная область определения

Процесс обучения 14 августа 2012 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

Процесс обучения 14 августа 2012 г.11 1.Присваиваем весам случайные значения 2.На вход сети подаем обучающий вектор X и вычисляем сигнал NET от каждого нейрона: 3.Вычисляем значение пороговой функции активации: 4.Вычисляем ошибку для каждого нейрона: 5.Корректируем веса: 6.Повторяем шаги со 2 по 5 пока ошибка не станет достаточно малой

Воспроизведение индикатора 14 August Close(n) Close(n - 1) Close(n - m).. Moving average 1 Moving average 1 Moving average 2 Moving average 2 Weight 1 Weight 2 +1 Out (Buy/Sell) CMA* indicator reproduced by neural network CMA* indicator reproduced by neural network * CMA – Crossing Moving Averages F(N) / / / /

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. 14 August

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

Выводы Использование нейронных сетей на фондовом рынке является перспективным направлением для исследований Алгоритмы на основе нейронных сетей могут быть использованы на российском фондовом рынке 14 August

Пример Распознавание цифр с помощью нейронной сети 14 August

Принцип работы Считываем входы и подаем на входы нейронов: 14 August 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.

14 August Спасибо за внимание! Вопросы?