Тип работы:
Предмет:
Язык работы:


Использование нейронных сетей в предсказании показателей финансовых рынков

Работа №30783

Тип работы

Магистерская диссертация

Предмет

информатика

Объем работы69
Год сдачи2018
Стоимость5700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
767
Не подходит работа?

Узнай цену на написание


Введение 3
1 Применение нейросетевых технологий для анализа временных рядов финансового рынка 5
1.1 Особенности моделирования объектов финансового рынка . . . . . 5
1.2 Обзор результатов изучения финансового рынка с помощью нейросетевых технологий . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Основы математического аппарата нейросетей . . . . . . . . . . . . 8
2 Нейросетевые инструменты, используемые в данной работе и их
реализация 12
2.1 Python и его библиотеки в построении искусственной нейронной сети 12
2.2 RBF-сети. Персептроны. Математическое описание и программная
реализация . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Критерии качества и методы оптимизации работы нейронной сети 20
3 Проектирование и реализация нейронной сети для прогнозирования значений валютной пары 22
3.1 Подготовка данных для подачи на нейронную сеть . . . . . . . . . 22
3.2 Конфигурация сети . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Результаты прогнозирования . . . . . . . . . . . . . . . . . . . . . . 26
Заключение 28
Приложение

Финансовые рынки (англ. stock markets) ведут свою историю еще с 12-го века, хотя формально зародились лишь в начале 17-го в Голландской Ост-Индской
компании [38]. По состоянию на середину 2017 года, рыночная капитализация
глобального финансового рынка составляла 76,3 триллиона долларов [39], что
сопоставимо с мировым ВВП за 2016 год (75,8 триллиона по данным [17]); это
как нельзя лучше иллюстрирует важность финансовых рынков для современной
мировой экономики.
Проблема предсказания показателей финансовых рынков (курсов валют,
котировок и т. п.) возникла вместе с самими рынками и остается актуальной и по
сей день. Однако, в настоящее время научно-технический прогресс (как в плане
науки — развитие математической статистики, теории машинного обучения
и т. д., так и в техническом плане — появление ЭВМ и стабильное увеличение
их производительности) позволил существенно упростить ее.
Целью данной работы является выявление конфигураций нейронных сетей, позволяющих предсказывать показатели финансовых рынков с достаточной
точностью на основании исторических данных.
Объектом исследования являются различные виды нейронных сетей, както: многослойный персептрон, сверточные и рекуррентные сети, RBF-сети, а
конкретно — их применение к решению поставленной задачи, как изолированно, так и в сочетании со статистическими методами.
Эмпирическую базу исследования составляют реальные данные по валютной паре USD/EUR (евро/доллар США) за 5 лет (с 01.01.2013 по 01.01.2018) с
интервалом в 1 день, загруженные из [13].
В соответствии со всем вышесказанным, конкретизируем цель данной
работы:
На данных EUR/USD за 5 лет с периодом 1 день создать несколько ней-
3ронных сетей разной конфигурации для прогнозирования интервала, в который
с заданной вероятностью может попасть будущее значение изучаемого временного ряда.
Основные задачи данной работы:
1) изучить математические основы нейросетевого аппарата и специфики финансовых временных рядов;
2) отобрать типы нейронных сетей, применимые к решению поставленной задачи;
3) реализовать модели таких сетей в виде алгоритмов;
4) подобрать параметры конфигураций сетей, дающих удовлетворительное решение задачи.
Научную новизну в ней представляет:
1) введение нового вида разбиения данных на интервалы при прогнозировании
результатов в рамках классификационнго подхода;
2) подбор и вариация параметров сетей для «нового» (классификационного)
подхода;
3) сравнение «старого» и «нового» подходов в плане точности прогнозирования
и ее результатов.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


В ходе данной работы:
1) была изучена теория нейронных сетей;
2) были исследованы основные типы сетей, из них были выявлены применимые
к поставленной задаче;
3) была реализована библиотека моделей для данных типов сетей;
4) были определены параметры данных сетей, подлежащие конфигурации и
настройке;
5) были выявлены (опытным путем) конфигурации сетей, решающие поставленную задачу наилучшим образом.
Также, в рамках научной работы были опубликованы статьи [2, 8, 9].
Полученные результаты можно считать приемлемыми в плане предсказания — отобранные сети в целом успешно справляются с прогнозированием на
тестовых данных, ошибка в целом удовлетворительна.
Вопросы для дальнейшего рассмотрения, оставленные открытыми в данной работе:
1) Возможность прогнозирования на несколько шагов вперед. В настоящей работе рассматривалось лишь прогнозирование на 1 шаг (но, тем не менее,
практически такое прогнозирование является наиболее важным).
2) Оптимальность поквантильного разбиения данных в задаче классификации.
Данное разбиение было введено в целях сужения интервалов для более вероятных данных (тем самым повышая практическую важность такого прогнозирования), но вопрос эффективности остается открытым.
2


Вахитов Г. З., Еникеева З. А. Использование нейросетей для прогнозирования динамики фондового рынка // Материалы 16-й международной
конференции имени А. Ф. Терпугова. Ч. 2 (Информационные технологии
и математическое моделирование (ИТММ-2017), КНИТУ, 29 сент.—3 окт.
2017). — 2017. — С. 264—267. — ISBN 978-5-89503-604-4.
2. Галанин Д. Н., Георгиев В. О. Исследование вопросов преобразования кода // Материалы 16-й международной конференции имени А. Ф. Терпугова. Ч. 2 (Информационные технологии и математическое моделирование
(ИТММ-2017), КНИТУ, 29 сент.—3 окт. 2017). — 2017. — С. 164—168. —
ISBN 978-5-89503-604-4.
3. Галушкин А. И. Синтез многослойных систем распознавания образов. —
1974. — 368 с.
4. Джулли А., Суджит П. Библиотека Keras — инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и Tensorflow /
пер. А. А. Слинкин. — Москва : ДМК Пресс, 2018. — 294 с. — ISBN 978-
5-97060-573-8.
5. Еникеева З. А. Принцип инвариантности для сумм независимых случайных
величин с замещениями и модели финансового рынка // Известия вузов.
Математика. — 2005. — Авг. — Т. 49, вып. 8, № 8. — С. 74—77. — ISSN
2076-4626. — URL: http://mi.mathnet.ru/rus/ivm/y2005/i8/p74
(дата обр. 02.06.2018).
6. Еникеева З. А., Кахаева Л. К. Авторегрессионные модели в моделировании
ВВП //. Ч. 3 (Наука, образование, общество: тенденции и перспективы,
Москва, 3 февр. 2014). — 03.02.2014. — С. 50—51. — ISBN 978-5-906353-
76-4.
297. Еникеева З. А., Салахутдинов Р. З., Червова А. А. Анализ стохастического
осциллятора // ОПиПМ. — 2011. — Т. 18, вып. 2: Всероссийский симпозиум
по прикладной и промышленной математике.— С. 489—490. — ISSN 0869-
8325. — URL: http://www.tvp.ru/ourizd/ourizdfr.htm (дата обр.
02.06.2018).
8. Концептуальные основы и варианты макетной реализации сборочного генератора программного обеспечения сложных систем / Р. А. Бурнашев [и
др.] // XXI век: итоги прошлого и проблемы настоящего плюс. — 2017. —
4 (38). — С. 158—165. — ISSN 2212-951X.
9. Концепции учебно-макетной сборочного генератора ПО сложных систем /
Р. А. Бурнашев [и др.] // Научно-технический вестник Поволжья / под ред.
Р. Х. Шагимуллин. — 2017. — Вып. 39, № 3. — С. 91—96. — ISSN 2079-
5920. — DOI: 10.24153/2079-5920-2017-7-3. — URL: http://ntvp.ru/
files/NTVP_3_2017.php (дата обр. 02.06.2018).
10. Нейронные сети— математический аппарат | BaseGroup Labs.— 18.11.2015.—
URL: https : / / basegroup . ru / community / articles / math (дата обр.
01.06.2018).
11. Общая теория статистики / Р. А. Шмойлова [и др.]. — Москва : Финансы и
статистика, 2004. — 656 с. — ISBN 5-279-02559-3.
12. Розенблатт Ф. Принципы нейродинамики : пер. с англ. / под ред. В. Я.
Фридман. — Москва : Мир, 1965. — 480 с. — URL: https://raai.org/
library/books/other/ros_principles2.djvu (дата обр. 15.04.2018).
13. Финам.ru - Экспорт котировок Forex, форекс Eur/Usd - прогноз пары, курс
валют и котировки. — 02.05.2018. — URL: https : / / www . finam . ru /
profile/forex/eur-usd/export/ (дата обр. 02.05.2018).
3014. Франсуа Ш. Глубокое обучение на Python. — 2018. — 400 с. — ISBN
9785446107704.— URL: https://books.google.ru/books?id=97ZaDwAAQBAJ
(дата обр. 04.06.2018).
15. Backpropagation -Wikipedia.— 08.05.2018.— URL: https://en.wikipedia.
org/wiki/Backpropagation (дата обр. 12.05.2018).
16. Backpropagation applied to handwritten zip code recognition / Y. LeCun [и
др.] // Neural computation. — 1989. — Т. 1, № 4. — С. 541—551. — URL:
http://yann.lecun.com/exdb/publis/pdf/lecun-89e.pdf (дата обр.
15.04.2018).
17. Bank W. Gross domestic product 2016 : type / World Bank. — 17.04.2018. —
4 с. — URL: http://databank.worldbank.org/data/download/GDP.pdf
(дата обр. 01.05.2018).
18. Bao W., Yue J., Rao Y. A deep learning framework for financial time series
using stacked autoencoders and long-short term memory // PLOS ONE. —
2017. — Июль. — Т. 12, № 7. — С. 1—24. — DOI: 10.1371/journal.pone.
0180944. — URL: https://doi.org/10.1371/journal.pone.0180944
(дата обр. 04.06.2018).
19. Bjorklund S. Artificial neural networks for financial time series prediction and ¨
portfolio optimization : дис. . . . канд. / Bjorklund Samuel. — 2017. — 173 с. ¨
20. Bonnin R. Building Machine Learning Projects with TensorFlow. — Packt
Publishing, 2016. — 282 с. — ISBN 9781786466822. — URL: https://
books.google.ru/books?id=pZ3cDgAAQBAJ (дата обр. 04.06.2018).
21. Broomhead D. S., Lowe D. Radial Basis Functions, Multi-Variable Functional
Interpolation and Adaptive Networks : memorandum / RSRE. — 28.03.1988. —
39 с. — № 4148. — URL: http://www.dtic.mil/cgi-bin/GetTRDoc?AD=
ADA196234 (дата обр. 22.05.2018).
3122. Engle R. F. Autoregressive Conditional Heteroscedasticity with Estimates of
the Variance of United Kingdom Inflation // Econometrica. — 1982. — Т. 50,
№ 4. — С. 987—1007. — ISSN 00129682, 14680262. — DOI: 10.2307/
1912773. — URL: http://www.jstor.org/stable/1912773 (дата обр.
08.05.2018).
23. Frank R. J., Davey N., Hunt S. P. Time series prediction and neural networks //
Journal of intelligent and robotic systems. — 2001. — Т. 31, № 1—3. — С. 91—
103. — URL: https://uhra.herts.ac.uk/bitstream/handle/2299/593/
102081.pdf?sequence=1 (дата обр. 08.04.2018).
24. Gately E. Neural Networks for Financial Forecasting. — New York, NY, USA :
John Wiley & Sons, Inc., 1995. — 169 с. — ISBN 0471112127.
25. Gulli A., Sujit P. Deep Learning with Keras. Implement neural networks with
Keras on Theano and TensorFlow.— Birmingham— Mumbai : Packt Publishing,
2017. — 490 с. — ISBN 978-1-78712-842-2.
26. History and License— Python 3.6.5 documentation.— Вер. 3.6.5.— 22.05.2018.—
URL: https://docs.python.org/3/license.html (дата обр. 22.05.2018).
27. Hope T., Resheff Y., Lieder I. Learning TensorFlow: A Guide to Building Deep
Learning Systems.— O’Reilly Media, 2017.— 242 с.— ISBN 9781491978481.—
URL: https://books.google.ru/books?id=sUowDwAAQBAJ (дата обр.
04.06.2018).
28. Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization // CoRR. —
2014. — Т. abs/1412.6980. — arXiv: 1412.6980. — URL: http://arxiv.
org/abs/1412.6980.
29. Kutsurelis J. E. FORECASTING FINANCIAL MARKETS USING NEURAL
NETWORKS: AN ANALYSIS OF METHODS AND ACCURACY / Kutsurelis
Jason E. — Monterey, California : Naval Postgraduate School, 09.1998. —
32112 с. — URL: https://calhoun.nps.edu/bitstream/handle/10945/
8418/forecastingfinan00kuts.pdf (дата обр. 02.06.2018).
30. McCulloch J. H. Miscellanea: On Heteros*edasticity // Econometrica.— 1985.—
Т. 53, № 2. — С. 483—483. — ISSN 00129682, 14680262. — DOI:

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ