Прогнозирование финансовых временных рядов на основе нейронных сети
В настоящее время применение нейронных сетей развивается в следующих направлениях:
- Биржевое и макроэкономическое прогнозирование (Neuro XL, OptimuStock, StocksNeural);
- Распознавание речи и диалог с человеком (Siri, Alexa, Cortana, Алиса);
- Имитация интеллектуальной деятельности (слабый ИИ в Siri, Alexa, Cortana, Алиса);
- Улучшение некачественной и зашумлённой информации (DeepImagePrior);
- Идентификация подозрительных лиц и ситуаций (GLXSS, Face++)
Нейронная сеть – это математическая модель, состоящая из набора связанных между собой элементов, аналогичных нейронам головного мозга и функционирующих похожим образом.
Нейронной сетью называют множественную суперпозицию многочлена сигма-подобных функций.
В качестве сигма-функций используют рациональную сигмоиду или гиперболический тангенс. Причина использования сигма-функции заключается в том, что различные её участки имеют различное поведение. Изменяя входной коэффициент нейрона можно добиться от него поведения похожего на степенную, линейную или логарифмическую зависимости.
Особенный характер функции нейронной сети придают входные и выходные коэффициенты нейронов, обуславливающие как тип зависимости (входные), так и силу влияния нейрона (выходные) на другие нейроны сети. Подбор этих коэффициентов называется обучением нейронной сети.
Существует три типа обучения сети:
Стохастический метод (обучение по Кохонену) предполагает перебор случайных значений коэффициентов до тех пор, пока функция нейронной сети не начнёт удовлетворительно отображать искомую зависимость. Недостаток этого метода – низкая скорость обучения сети:
Градиентный метод (обратное распространение ошибки) предполагает изменение коэффициентов сети на вычисляемую через производные величину градиента ошибки сигма-функции таким образом, чтобы минимизировать ошибку. Недостаток метода – невозможность поиска альтернативных решений при достижении минимума ошибки в тех случаях, когда минимум функции не глобальный. Эту особенность называют западанием в локальный минимум.
Смешанные методы сочетают в себе одновременное использование как стохастической, так и градиентной составляющей обучения. Примером такого сочетания может служить эволюционный алгоритм, применяемый в модуле поиска решения MS EXCEL.
Модель прогноза на основе однослойной нейронной сети
Структурной единицей искусственной нейронной сети является искусственный нейрон.Искусственный нейрон – это упрощенная математическая модель биологического нейрона. Рассмотрим нейрон Маккалоха-Питса, который был предложен в 1943 году.
У искусственного нейрона выделяют следующие три главных компонента:
- Входной сигнал – это синапсы (или их еще называют связями) каждый из которых характеризуется собственным весом или силой. В частности, сигнал x на входе синапса j , связанного с нейроном k , умножается на вес w. В отличие от синапсов у биологического нейрона мозга синаптический вес искусственного нейрона может быть как положительным, так и отрицательным. У биологического нейрона связи характеризуются сложным химическим процессом, который по сути своей не может подавать отрицательные веса.
- На сумматоре происходит сложение входных сигналов, взвешенных относительно соответствующих синапсов нейрона. Другими словами, происходит перемножение значений x на соответствующий вес w и полученные результаты складываются. Эту операцию можно описать как линейную комбинацию.
- Активационная функция ограничивает амплитуду выходного сигнала нейрона. Эта функция называется функцией сжатия.
В качестве функции активации может выступать любая функция. Перечислим те из них, которые чаще всего используются при построении нейронной сети:
- Пороговая функция активации. Это первая введенная активационная функция, она описана в работе Мак-Каллока и Питса.
- Кусочно-линейная функция активации
- Сигмоидальная активационная функция
Наиболее популярными в настоящее время являются сигмоидальная и функция активации гиперболического тангенса.
- Методы оценки эффективности инвестиционных проектов
- Классификация моделей и методов прогнозирования
- Прогнозирование финансовых временных рядов
- Индикатор кризиса
- Построение биржевых индикаторов
- Модель построения динамического инвестиционного портфеля
- Модель и алгоритм построения VAR портфеля
- Современная портфельная теория и алгоритм построения инвестиционного портфеля
- Оформление отчета по практике по ГОСТу 2021/2022
- Оформление ВКР по ГОСТу
- Как составить бизнес-план своими силами
- Оформление эссе по ГОСТу
- Оформление презентации по ГОСТу
- Оформление статьи по ГОСТу
- Оформление дипломной работы по ГОСТ 2021/2022
- Оформление курсовой работы по ГОСТу
- Оформление контрольной работы по ГОСТу