📄Работа №128448
Тема: Прогнозирование фондовых индексов с использованием искусственных нейронных сетей
Характеристики работы
Тип работы
Бакалаврская работа
Предмет
Информатика и вычислительная техника
Объем:
42 листов
Год:
2021
Просмотров:
229
4340
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3
Постановка задачи 5
Обзор литературы 8
Глава 1. Кодировщики 11
1.1. Общая схема решения 11
1.2. GAF 11
1.3. Индикаторы технического анализа 12
1.4. Скользящая средняя 13
1.5. Моментум 14
1.6. Полосы Боллинджера 14
1.7. Формирование датасета 15
Глава 2. Сверточные нейронные сети 17
Глава 3. Эксперименты 20
3.1. Выбор индекса и источника данных 20
3.2. Программная реализация 21
3.3. Параметры эксперимента 22
3.4. Нейронная сеть 23
Выводы 25
Заключение 27
Список литературы 28
Приложения 31
3.1. Приложение A 31
3.2. Приложение B 35
3.3. Приложение C
Постановка задачи 5
Обзор литературы 8
Глава 1. Кодировщики 11
1.1. Общая схема решения 11
1.2. GAF 11
1.3. Индикаторы технического анализа 12
1.4. Скользящая средняя 13
1.5. Моментум 14
1.6. Полосы Боллинджера 14
1.7. Формирование датасета 15
Глава 2. Сверточные нейронные сети 17
Глава 3. Эксперименты 20
3.1. Выбор индекса и источника данных 20
3.2. Программная реализация 21
3.3. Параметры эксперимента 22
3.4. Нейронная сеть 23
Выводы 25
Заключение 27
Список литературы 28
Приложения 31
3.1. Приложение A 31
3.2. Приложение B 35
3.3. Приложение C
📖 Введение
Рынок ценных бумаг имеет очень существенное влияние на экономику. Кроме того, с развитием информационных технологий, к рынку открывается доступ для простых граждан, располагающих относительном маленьким бюджетом для участия в финансовых операциях по сравнению с крупными инвесторами и корпорациями. Соответственно растет и количество участников в торговле на бирже. Для всех участников рынка операции с ценными бумагами могут стать источником для получения прибыли. Однако для успешной торговли на бирже человеку необходимо правильно определять направление движения котировок, а в идеале и значения изменений цен. Обе эти задачи не являются простыми для решения. В связи с этим возникает необходимость в совершенствовании инструментов для получения прогнозов.
На сегодняшний день широко известны два подхода к прогнозированию поведения финансовых рынков: технический и фундаментальный анализ. Суть первой группы методов заключается в выявлении закономерностей изменения цен в прошлом. Основой для поиска являются графики цен акций за определенный период. Идеей, на которой построен фундаментальный анализ, является использование доступной о компании информации, в том числе различные показатели, такие как прибыль, производство за определенный период и т.п. Однако оба подхода имеют ряд недостатков. Например, результаты прогнозов с помощью методов из области технического анализа могут дать в одной и той же ситуации несколько равновероятных прогнозов. Что касается фундаментального анализа, то одной из проблем является наличие огромного числа факторов, влияющих на изменение тренда, которые часто очень сложно выявить. Из этого, в частности, вытекает проблема зависимости методов фундаментального анализа от конкретного индекса или компании, а значит, что необходимо исследовать каждую из них по отдельности, что тоже добавляет сложности для прогнозирования.
Существует также множество исследований по построению различных математических моделей, позволяющих совершать прогнозы по ценовым рядам. Однако и эти методы имеют ряд недостатков. Например, согласно [1], проблемой методов эконометрики является то, что многие из них основаны на предположении о том, что вероятность распределения цен имеет нормальный закон распределения, что на самом деле в общем случае не является таковым.
В связи с существующими проблемами вытекает необходимость в нахождении новых методов и средств для прогнозирования поведения финансовых рынков. В частности, в последнее время проводятся исследования возможности использования методов машинного обучения для решения задачи прогнозирования. Тем не менее, несмотря на уже имеющиеся результаты исследований, показывающих возможности успешного применения методов из данной области, повышение точности прогнозирования до сих пор остается актуальной задачей.
В данной работе рассматривается один из подходов на основе сведения задачи прогнозирования временных рядов к задаче классификации с использованием GAF(Gramian angular field) и сверточных нейронных сетей. Также делаются попытки улучшения модели с помощью инструментов технического анализа, суть которых заключается в использовании индикаторов технического анализа MA(moving average), Momentum и Bollinger Bands. На их основе формируются изображения с помощью GAF и подаются на вход сверточной нейронной сети, которая решает задачу классификации.
На сегодняшний день широко известны два подхода к прогнозированию поведения финансовых рынков: технический и фундаментальный анализ. Суть первой группы методов заключается в выявлении закономерностей изменения цен в прошлом. Основой для поиска являются графики цен акций за определенный период. Идеей, на которой построен фундаментальный анализ, является использование доступной о компании информации, в том числе различные показатели, такие как прибыль, производство за определенный период и т.п. Однако оба подхода имеют ряд недостатков. Например, результаты прогнозов с помощью методов из области технического анализа могут дать в одной и той же ситуации несколько равновероятных прогнозов. Что касается фундаментального анализа, то одной из проблем является наличие огромного числа факторов, влияющих на изменение тренда, которые часто очень сложно выявить. Из этого, в частности, вытекает проблема зависимости методов фундаментального анализа от конкретного индекса или компании, а значит, что необходимо исследовать каждую из них по отдельности, что тоже добавляет сложности для прогнозирования.
Существует также множество исследований по построению различных математических моделей, позволяющих совершать прогнозы по ценовым рядам. Однако и эти методы имеют ряд недостатков. Например, согласно [1], проблемой методов эконометрики является то, что многие из них основаны на предположении о том, что вероятность распределения цен имеет нормальный закон распределения, что на самом деле в общем случае не является таковым.
В связи с существующими проблемами вытекает необходимость в нахождении новых методов и средств для прогнозирования поведения финансовых рынков. В частности, в последнее время проводятся исследования возможности использования методов машинного обучения для решения задачи прогнозирования. Тем не менее, несмотря на уже имеющиеся результаты исследований, показывающих возможности успешного применения методов из данной области, повышение точности прогнозирования до сих пор остается актуальной задачей.
В данной работе рассматривается один из подходов на основе сведения задачи прогнозирования временных рядов к задаче классификации с использованием GAF(Gramian angular field) и сверточных нейронных сетей. Также делаются попытки улучшения модели с помощью инструментов технического анализа, суть которых заключается в использовании индикаторов технического анализа MA(moving average), Momentum и Bollinger Bands. На их основе формируются изображения с помощью GAF и подаются на вход сверточной нейронной сети, которая решает задачу классификации.
✅ Заключение
В выпускной квалификационной работе:
1. Выбраны 3 фондовых индекса NASDAQ, Dow Jones и S&P 500 и проведено разделение соответствующих ценовых рядов на тренировочный, валидационный и тестовый наборы;
2. Разработаны и реализованы 3 алгоритма предобработки данных на основе метода GAF и трёх индикаторов технического анализа: MA, Momentum, Bollinger
3. Реализована, и для каждой из четырёх моделей предобработки обучена и протестирована нейронная сеть
4. Проведён анализ результатов вычислительных экспериментов по прогнозированию для трёх фондовых индексов
1. Выбраны 3 фондовых индекса NASDAQ, Dow Jones и S&P 500 и проведено разделение соответствующих ценовых рядов на тренировочный, валидационный и тестовый наборы;
2. Разработаны и реализованы 3 алгоритма предобработки данных на основе метода GAF и трёх индикаторов технического анализа: MA, Momentum, Bollinger
3. Реализована, и для каждой из четырёх моделей предобработки обучена и протестирована нейронная сеть
4. Проведён анализ результатов вычислительных экспериментов по прогнозированию для трёх фондовых индексов
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.