
Тип работы:	Предмет:	Язык работы:

Разработка и практическое применение нейронных сетей на фондовом рынке

Работа №	126055
Тип работы	Дипломные работы, ВКР
Предмет	экономика
Объем работы	66
Год сдачи	2020
Стоимость	4210 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	100

Не подходит работа?

Узнай цену на написание

Содержание

Введение 3
Глава 1 Концептуальная модель нейросетевых систем 5
1.1 Общая информация о нейронных сетях 5
1.2 Классификация нейронных сетей 7
1.3 Поэтапное представление процесса разработки 9
Глава 2 Интеллектуальные системы в финансовой сфере экономики 15
2.1 Применение нейронных сетей на фондовом рынке 15
2.2 Выбор и анализ финансовых активов 17
Глава 3 Интеллектуальная обработка данных 21
3.1 Общая информация об аномалиях 21
3.2 Методы обнаружения аномалий 24
3.3 Алгоритм поиска аномалий 27
3.4 Программа для обработки данных 29
Глава 4 Разработка и практическое применение нейросетевых систем 34
4.1 Разработка интеллектуальных систем 34
4.1.1 Многослойная нейронная сеть 34
4.1.2 Рекуррентная нейронная сеть 44
4.2 Статистический анализ временных рядов 50
Заключение 58
Список использованных источников 61
Приложение 1 64

Введение

Эффективное управление ресурсами является основной экономической задачей современного мира, вследствие этого повышение показателей роста производительности труда является ключевой проблемой в экономике. Вышеуказанная задача всегда решается путем внедрения новых технологий. В процессе технологической эволюции на первый план выходят интеллектуальные системы управления, которые в свою очередь находятся в постоянном состоянии непрерывного развития. Важным свойством таких систем является способность обучаться и использовать накопленный опыт для принятия решений. Существует достаточно много алгоритмов, которые применяются для обучения таких систем. Но наиболее известным и часто используемым из них является класс алгоритмов под названием “нейронные сети”.
Нейронная сеть - это математическая модель, которая состоит из большого числа простых элементов, соединенных и взаимодействующих между собой. Обучение в этом случае представляет собой поиск оптимальной структуры модели, при которой будет достигаться минимальное расхождение получаемого результата со значениями реальных данных.
На данный момент интеллектуальные системы, построенные на базе нейронных сетей, находят широкое применение во многих областях жизнедеятельности человека, например: в медицине, в IT-сфере и в различных производственных бизнес-процессах. В рамках этой работы будут рассматриваться применение ИИ в финансовой сфере экономики, частью которой является фондовый рынок.
Область применения ИИ на фондовом рынке достаточно широка. Например, он может использоваться при прогнозировании стоимости активов, оценки финансовых рисков, а также он может исполнять часть торгового функционала при операционной деятельности участников рынка.
С ростом доступности цифровых технологий повышается актуальность исследуемой темы. В настоящий момент технологии, использующие нейронные сети, проникают практически во все сферы нашей жизни, поэтому возникает потребность в глубоком исследовании данного вопроса. Поэтому цель данной научно-исследовательской работы заключается в определении и анализе эффективности методик, применяемых в процессе разработки нейронных сетей.
Для реализации данной цели потребовалось решить следующие исследовательские задачи, а именно:
1. Дать характеристику нейронным сетям;
2. Составить поэтапный план разработки;
3. Рассмотреть применение нейронных сетей на фондовом рынке;
4. Выбрать и проанализировать финансовые активы;
5. Выполнить предобработку исходных данных;
6. Разработать и протестировать программы с нейросетевой структурой;
7. Провести оценку методами статистического анализа данных;
8. Сравнить полученные результаты.
Научно-исследовательская работа основана на трудах Т.Теплова и Т.Соколова «Исследовательские поля облигационных рынков», Ф.Фабоцци «Рынок облигаций. Анализ и стратегии» и А.Буренина «Рынок ценных бумаг и производных финансовых инструментов». Помимо этого, были использованы работы Ф.Гафарова и А.Галимянова «Искусственные нейронные сети и их приложения», В.Круглова и В. Борисова «Искусственные нейронные сети. Теория и практика», Т.Рашида «Создаем нейронную сеть», Ф.Шолле «Глубокое обучение на Python».
Реализация вышеуказанных цели и задач обусловила структуру и логику данной работы. Она состоит из четырехглав, введения, заключения, списка используемых источников и приложений. В первой главе представлена общая характеристика нейронных сетей, и выделен поэтапный план их разработки. Во второй главе приводится информация об использовании нейронных сетей на фондовом рынке. Помимо этого, здесь осуществляется выбор и анализ финансовых активов, выделяются исходные данные и определяются задачи для нейронной сети.В третьей главе рассматриваются методы, применяемые для поиска аномальных экземпляров данных. Далее на их основе составляется алгоритм обработки данных, который затем реализуется на программном уровне. В четвертой главе происходит разработка и тестирование программ с нейросетевой структурой. Затем осуществляется оценка данных с помощью методов анализа временных рядов. Наконец, проводится сравнительный анализ между результатами программ и статистической оценки данных, делаются выводы.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Заключение

Подведем итоги. На основании проведенного научного исследования удалось решить следующие задачи:
1. Выделить ключевые особенности систем ИИ, построенных на базе ИНС;
2. Составить поэтапный план разработки нейронной сети;
3. Определить методы использования нейронных сетей на фондовом рынке;
4. Выбрать и проанализировать финансовые активы;
5. Выполнить предобработку исходных данных;
6. Разработать и протестировать нейросетевые программы;
7. Провести оценку методами статистического анализа данных;
8. Сравнить полученные результаты.
Начнем с того, что первым пунктом научно-исследовательской работы было определение и раскрытие общей информации о системах ИИ, в которых используются искусственные нейронные сети. Например, были выделены главные особенности таких систем, указаны их основные преимущества и недостатки.
Затем было отмечено, что каждая нейронная сеть по-своему уникальна. Она может принимать различные структуры и использовать разные способы обработки информации. Исходя из этого, были приведены классификации и архитектуры нейронной сети.
Далее был представлен и разобран процесс разработки искусственной нейронной сети. Было отмечено, что данный процесс может быть сведен к последовательной реализации следующих этапов:
1. Сбор, подготовка и нормализация данных;
2. Выбор топологии сети;
3. Подбор характеристик сети и параметров обучения;
4. Обучение сети;
5. Проверка адекватности;
6. Регулировка параметров.
Отметим, что каждый вышеназванный этап был подробно описан и проанализирован. Также были обозначены проблемы, которые могут возникать на некоторых стадиях разработки, и представлены варианты их решения.
Затем была приведена информация о том, как используются искусственные нейронные сети на фондовом рынке. Так, была выявлена их область применения, определены положительные и отрицательные стороны.
После этого был выбран и проанализирован финансовый актив. В результате были рассмотрены государственные облигации, выпуском которых занимается правительство РФ, были выделены исходные данные, и была определена задача для нейронной сети.
Затем было отмечено, что некоторые значения из набора данных являются аномальными. Поэтому далее пришлось осуществить предобработку данных. Для этого сначала была приведена общая характеристика об аномалиях. Так, было раскрыто само понятие, затем были выявлены основные причины возникновения аномалий, после чего были определены и проанализированы их виды.
Дальше были рассмотрены методы, которые используются для обнаружения аномалий в массиве данных. Было дано подробное описание методик, были приведены конкретные примеры.
Далее на основе приведенных методик был разработан алгоритм, по которому должен осуществляться поиск аномальных экземпляров данных. В его основе лежит метод главных компонент, который отвечает за предобработку исходных данных, и метод кластерного анализа k-средних, с помощью которого определяются аномальные значения.
Наконец, была получена программа, предназначенная для решения поставленной задачи. Были рассмотрены основные этапы ее работы, проанализированы результаты ее вычислений.
На следующем этапе были представлены системы ИИ с нейросетевой структурой. Сначала была разработана и протестирована программа, в которой использовалась многослойная нейронная сеть. Затем был написан и проанализирован программный код сети с долгой краткосрочной памятью.
Далее была проведена оценка с помощью методов анализа временных рядов. Сначала была построена и оценена интегрированная модель авторегрессии-скользящего среднего. После чего был проведен сравнительный анализ между этой моделью и ранее разработанными нейросетевыми программами.
Таким образом, на основе данных, полученных в ходе написания научно-исследовательской работы, можно сказать, что необходимо постоянно совершенствовать алгоритмы машинного обучения из-за ряда причин:
Во-первых, на системы ИИ довольно часто перекладывают задачи, связанные с обработкой большого массива данных. Основная проблема заключается в том, что необходимо выделить только те данные, которые непосредственно нужны для решения. Так, одним из способов устранения данной проблемы является улучшение обучающих алгоритмов. Благодаря этому система ИИ начинает лучше понимать, какую информацию следует использовать для принятия решений.
Во-вторых, довольно часто возникают трудности, связанные с применением систем ИИ в динамичной среде. В этом случае, основная проблема заключается в постоянном переобучении системы, поскольку оно может занимать продолжительное время. Но стоит отметить, что это время можно сократить, если правильно оптимизировать исходный алгоритм обучения.
В-третьих, на поддержание работоспособности ИИ может уходить большое количество технических, энергетических, финансовых и трудовых ресурсов. Для этого необходимо создавать алгоритмы, способные поддерживать эффективную работу ИИ с оптимальными затратами.

Литература

1. Abadi M. et al. Tensorflow: A system for large-scale machine learning // 12th {USENIX} Symposium on Operating Systems Design and Implementation ({OSDI} 16). – 2016. – P. 265-283.
2. Adebiyi A. A., Adewumi A. O., Ayo C. K. Comparison of ARIMA and artificial neural networks models for stock price prediction // Journal of Applied Mathematics. – 2014. – Vol. 2014.
3. Bholowalia P., Kumar A. EBK-means: A clustering technique based on elbow method and k-means in WSN // International Journal of Computer Applications. – 2014. – Vol. 105. – №. 9.
4. Brownlee J. Deep learning with Python: develop deep learning models on Theano and TensorFlow using Keras. – Machine Learning Mastery, 2016. – 256 p.
5. Chen K., Zhou Y., Dai F. A LSTM-based method for stock returns prediction: A case study of China stock market // 2015 IEEE international conference on big data (big data). – IEEE, 2015. – P. 2823-2824.
6. Erfani S. M. et al. R1SVM: a randomised nonlinear approach to large-scale anomaly detection // Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence. – 2015. – P. 432-438.
7. Ghosh S., Dubey S. K. Comparative analysis of k-means and fuzzy c-means algorithms // International Journal of Advanced Computer Science and Applications. – 2013. – Vol. 4. – №. 4.
8. Gulli A., Pal S. Deep learning with Keras. – Packt Publishing Ltd, 2017.
9. Hoffer E., Hubara I., Soudry D. Train longer, generalize better: closing the generalization gap in large batch training of neural networks // Advances in Neural Information Processing Systems. – 2017. – P. 1731-1741.
10. Hope T., Resheff Y. S., Lieder I. Learning tensorflow: A guide to building deep learning systems. – "O'Reilly Media, Inc.", 2017.
11. Ketkar N. Introduction to keras // Deep learning with Python. – Apress, Berkeley, CA, 2017. – P. 97-111.
12. Ketkar N. Introduction to Tensorflow // Deep Learning with Python. – Apress, Berkeley, CA, 2017. – P. 159-194.
13. Kind A., Stoecklin M. P., Dimitropoulos X. Histogram-based traffic anomaly detection // IEEE Transactions on Network and Service Management. – 2009. – Vol. 6. – №. 2. – P. 110-121.
14. Lai G. et al. Modeling long-and short-term temporal patterns with deep neural networks // The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval. – 2018. – P. 95-104.
15. Laxhammar R., Falkman G., Sviestins E. Anomaly detection in sea traffic-a comparison of the gaussian mixture model and the kernel density estimator // 2009 12th International Conference on Information Fusion. – IEEE, 2009. – P. 756-763.
16. Leung K., Leckie C. Unsupervised anomaly detection in network intrusion detection using clusters // Proceedings of the Twenty-eighth Australasian conference on Computer Science-Volume 38. – 2005. – P. 333-342.
17. Nelson D. M. Q., Pereira A. C. M., de Oliveira R. A. Stock market's price movement prediction with LSTM neural networks // 2017 International joint conference on neural networks (IJCNN). – IEEE, 2017. – P. 1419-1426.
18. Pattanayak S., Pattanayak, John S. Pro Deep Learning with TensorFlow. – New York, NY, USA::Apress, 2017.
19. Ramasubramanian K., Singh A. Deep learning using keras and tensorflow // Machine Learning Using R. – Apress, Berkeley, CA, 2019. – P. 667-688.
20. Raschka S., Mirjalili V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. – Packt Publishing Ltd, 2019.
21. Shkodyrev V. et al. The Overview Of Anomaly Detection Methods in Data Streams // Proceedings of the Second Conference on Software Engineering and Information Management, Saint Petersburg, Russia. – 2017. – Vol. 1864.
22. Thatte G., Mitra U., Heidemann J. Parametric methods for anomaly detection in aggregate traffic // IEEE/ACM Transactions On Networking. – 2010. – Vol. 19. – №. 2. – P. 512-525.
23. Wold S., Esbensen K., Geladi P. Principal component analysis // Chemometrics and intelligent laboratory systems. – 1987. – Vol. 2. – №. 1-3. – P. 37-52.
24. Zhou L. et al. Machine learning on big data: Opportunities and challenges // Neurocomputing. – 2017. – Vol. 237. – P. 350-361.
25. Аведьян Э. Д. Алгоритмы настройки многослойных нейронных сетей // Автоматика и телемеханика. – 1995. – №. 4. – С. 106-118.
26. Антипов С. Г., Фомина М. В. Проблема обнаружения аномалий в наборах временных рядов // Программные продукты и системы. – 2012. – №. 2.
27. Бринк Х. Машинное обучение / пер. с англ. – Санкт-Петербург: Питер, 2017 – 336 с.
28. Буренин А.Н. Рынок ценных бумаг и производных финансовых инструментов: Учебное пособие — М.: 1 Федеративная Книготорговая Компания, 1998. — 352 с.
29. Васенков Д. В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. – 2007. – №. 1.
30. Галушкин А. И. Нейронные сети: основы теории. — М: Горячая линия — Телеком, 2012. – 496 с.
31. Гафаров Ф.М. Искусственные нейронные сети и приложения: учеб.пособие / Ф.М. Гафаров, А.Ф. Галимянов. – Казань: Изд-во Казан.ун-та, 2018. – 121 с.
32. Горбачевская Е. Н. Классификация нейронных сетей // Вестник Волжского университета им. ВН Татищева. – 2012. – №. 2. – С. 128-134.
33. Грэхем Б., Додд Д. Анализ ценных бумаг / Пер. с англ. – Москва: ЗАО “Олимп-Бизнес”, 2000. – 704 с.
34. Дмитриев Е. А. Нейронные сети долгосрочной памяти // Научные исследования и разработки студентов. – 2018. – С. 70-72.
35. Ершов К. С., Романова Т. Н. Анализ и классификация алгоритмов кластеризации // Новые информационные технологии в автоматизированных системах. – 2016. – №. 19.
36. Коэльо Л. П., Ричарт В. Построение систем машинного обучения на языке Python. 2-е издание / пер. с англ. Слинкин А. А. – М.: ДМК Пресс, 2016. – 302 с.
37. Круг П. Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». – М.: Издательство МЭИ, 2002. – 176 с.
38. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия - Телеком, 2002. – 382 с.
39. Мелихова О. А. и др. Режимы обучения в искусственных нейронных сетях // Инновации в науке. – 2016. – №. 50-1.
40. Мельникова В. А., Медведев Д. А. Анализ больших данных с использованием Python // Труды Братского государственного университета. Серия: Естественные и инженерные науки. – 2019. – Т. 1. – С. 46-49.
41. Мицель А. А., Ефремова Е. А. Прогнозирование динамики цен на фондовом рынке // Известия Томского политехнического университета. – 2006. – Т. 309. – №. 8. – С. 197-200.
42. Мюллер А. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными / пер. с англ. – Москва: Вильямс, 2017 – 480 с.
43. Николаева Ю. В. Критерии выбора архитектуры нейронной сети для прогнозирования финансовых рынков // Вестник ИжГТУ им. МТ Калашникова. – 2015. – Т. 18. – №. 1. – С. 96-97.
44. Подкорытова О. А. Анализ временных рядов: учебное пособие для вузов / О. А. Подкорытова, М. В. Соколов. – 2-е изд., перераб. и доп. – Москва: Издательство Юрайт, 2020. – 267 с.
45. Рашид Т. Создаем нейронную сеть / пер. с англ. – Санкт-Петербург: ООО “Альфа-книга”, 2017. — 272 с.
46. Романов Д. Е. Нейронные сети обратного распространения ошибки // Инженерный вестник дона. – 2009. – Т. 9. – №. 3.
47. Рудой Г. И. Выбор функции активации при прогнозировании нейронными сетями // Машинное обучение и анализ данных. – 2011. – Т. 1. – №. 1. – С. 16-39.
48. Рындин А. А., Ульев В. П. Исследование скорости обучения нейронных сетей // Вестник Воронежского государственного технического университета. – 2012. – Т. 8. – №. 5.
49. Сайт информационного агентства Cbonds // URL: http://cbonds.ru/ (Дата обращения: 23.03.2020). – Режим доступа: для авторизир. пользователей.
50. Созыкин А. В. Обзор методов обучения глубоких нейронных сетей // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. – 2017. – Т. 6. – №. 3.
51. Теплова Т.В. Исследовательские поля облигационных рынков: монография / Т.В. Теплова, Т.В. Соколова. — Москва: ИНФРА-М, 2018. — 455 с.
52. Фабоцци Ф. Рынок облигаций: Анализ и стратегии / пер. с англ. – Москва: Альпина Бизнес Букс, 2007.
53. Федосин С. А., Ладяев Д. А., Марьина О. А. Анализ и сравнение методов обучения нейронных сетей // Инженерные технологии и системы. – 2010. – №. 4.
54. Шкодырев В. П. и др. Обзор методов обнаружения аномалий в потоках данных // Second Conference on Software Engineering and Information Management (SEIM-2017). – 2017. – С. 50.
55. Шолле Ф. Глубокое обучение на Python – Санкт-Петербург: Питер, 2018. – 400с.
56. Яхъяева Г. Э. Нечеткие множества и нейронные сети. — М.: Бином. – 2006. — 315 с.