Студопедия
Случайная страница | ТОМ-1 | ТОМ-2 | ТОМ-3
АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатика
ИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханика
ОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторика
СоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансы
ХимияЧерчениеЭкологияЭкономикаЭлектроника

Вопрос 29. Прогнозирование мирового рынка с использованием нейронных сетей.

Читайте также:
  1. Amp;nb sp; Разворот с использованием прилегающей территории
  2. I. ПРОГНОЗИРОВАНИЕ И ОЦЕНКА ОБСТАНОВКИ НА ПОЖАРООПАСНОМ ОБЪЕКТЕ
  3. III. Анализ рынка
  4. IV. Новизна продукта. Прогнозирование и комбинаторика.
  5. Абсолютный и текущий потенциал рынка
  6. Агрегатная форма общего рынка
  7. Алгоритм разучивания песни, попевки с использованием металлофона (определите последовательность действий в соответствии с алгоритмом)

Нейронные сети - это очень мощный и гибкий механизм прогнозирования. Системы базирующиеся на нейронных сетях в последние годы все активнее используются для прогнозирования финансовых рынков. Такой впечатляющий успех определяется несколькими причинами:

Богатые возможности. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по свой природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна, линейные модели работают плохо. Кроме того, нейронные сети справляются с "проклятием размерности", которое не позволяет моделировать линейные зависимости в случае большого числа переменных

Простота в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Поэтому все большую популярность приобретает нейросетевой анализ, поскольку в отличие от технического, не предполагает никаких ограничений на характер входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных инструментов. Недаром нейросети активно используют именно институциональные инвесторы (например, крупные пенсионные фонды), работающие с большими портфелями, для которых особенно важны корреляции между различными рынками.

Нейросетевое моделирование в чистом виде базируется лишь на данных. В этом его сила и одновременно - его ахиллесова пята. Имеющихся данных может не хватить для обучения, размерность потенциальных входов может оказаться слишком велика. Поэтому для хорошего прогноза нужно пользоваться во-первых, очень качественно подготовленными данными, а во-вторых, нейропакетами с большой функциональностью.

Математическая модель нейрона

Математически нейрон представляет собой взвешенный сумматор, единственный выход которого определяется через его входы и матрицу весов следующим образом:

, где

Здесь и — соответственно сигналы на входах нейрона и веса входов, функция u называется индуцированным локальным полем, а f(u) — передаточной функцией. Возможные значения сигналов на входах нейрона считают заданными в интервале .

Дополнительный вход и соответствующий ему вес используются для инициализации нейрона. Под инициализацией подразумевается смещение активационной функции нейрона по горизонтальной оси, то есть формирование порога чувствительности нейрона.

По лекции Карена (нашла корявые свои записи)

Искусственные нейронные сети это простота в следствии сложности

Выбор активиционной функции зависит от существующих факторов:

Как работает?

Хорошо работает

1 когда информация слишком многомерна

2 при прогнозе сверхсложных вещей (курсы например)

В дополнение

Для работы с нейросетями предназначено множество специализированных программ, одни из которых являются более-менее универсальными, а другие – узкоспециализированными. Проведем краткий обзор некоторых программ:

1. Matlab – настольная лаборатория для математических вычислений, проектирования электрических схем и моделирования сложных систем. Имеет встроенный язык программирования и весьма богатый инструментарий для нейронных сетей – Anfis Editor (обучение, создание, тренировка и графический интерфейс), командный интерфейс для программного задания сетей, nnTool – для более тонкой конфигурации сети.

2. Statistica – мощнейшее обеспечение для анализа данных и поиска статистических закономерностей. В данном пакете работа с нейросетями представлена в модуле STATISTICA Neural Networks (сокращенно, ST Neural Networks, нейронно-сетевой пакет фирмы StatSoft), представляющий собой реализацию всего набора нейросетевых методов анализа данных.

3. BrainMaker – предназначен для решения задач, для которых пока не найдены формальные методы и алгоритмы, а входные данные неполны, зашумлены и противоречивы. К таким задачам относятся биржевые и финансовые предсказания, моделирование кризисных ситуаций, распознавание образов и многие другие.

4. NeuroShell Day Trader - нейросетевая система, которая учитывает специфические нужды трейдеров и достаточно легка в использовании. Программа является узкоспециализированной и как раз подходит для торговли, но по своей сути слишком близка к черному ящику.


Дата добавления: 2015-07-15; просмотров: 189 | Нарушение авторских прав


Читайте в этой же книге: Вопрос 16. Методологические особенности долгосрочного прогнозирования потребностей в том или ином товаре на мировом рынке. | Вопрос 18. Особенности среднесрочного прогнозирования мировых товарных рынков. | Сущность экспертных методов и особенности их использования, универсальный характер и требования, предъявляемые к ним. | Вопрос 21. Разновидности методов экспертной оценки: метод комиссий, метод Дельфи, «мозгового штурма». Достоинства и недостатки методов. | Прямолинейный тренд и его свойства | Параболический тренд и его свойства | Экспоненциальный тренд и его свойства | Логарифмический тренд и его свойства | Логистический тренд и его свойства | Вопрос 24. Роль методов экономико-математического моделирования в процессе разработки внешнеэкономических прогнозов |
<== предыдущая страница | следующая страница ==>
Вопрос 26. Адаптивные методы прогнозирования.| Вопрос 31. Понятия терминов «верификация прогнозов», достоверности, точности и надежности прогнозных результатов.

mybiblioteka.su - 2015-2024 год. (0.007 сек.)