Введение 3
1. Теоретические основы современного развития нейросетевых технологий. .5
1.1. Обзор основных результатов по применению нейронных сетей для
анализа финансовых рынков 5
1.2. Теоретические основы построения персептронов. Метод обратного
распространения ошибки 6
1.3. Теоретические основы построения свёрточной нейронной сети 26
2. Использование различных конфигураций нейронных сетей для
предсказания тренда 29
2.1. Предварительная подготовка данных для подачи в нейронную сеть..29
2.2. Использование многослойных персептронов 31
2.3. Использование свёрточных нейронных сетей 32
3. Сравнительный анализ рассмотренных конфигураций 34
3.1. Интерпретация результатов работы многослойных персептронов 34
3.2. Интерпретация результатов работы свёрточных нейронных сетей... .35
3.3. Оценка эффективности рассмотренных нейросетевых технологий... .37
Заключение 40
Список использованных источников
Примечание
Прогнозирование финансового благосостояния интересует каждого человека ещё с давних времён. Поэтому предсказание цен акций на финансовых рынках стало важной проблемой с того момента, как из этого стало возможно извлечь значительную прибыль.
Существует несколько подходов к прогнозированию цен на акции: фундаментальный анализ, технический анализ и технологический анализ. Фундаментальный анализ использует внешнюю информацию, которая больше относится к компании - процент ставок, цены, ликвидность других активов и другие макро/микро-экономические параметры. Технический анализ исследует изменение цен на основе закономерностей изменений цен в прошлом в аналогичных обстоятельствах. Основой метода является анализ графиков цен.
В последнее время вновь проявился интерес к технологическому анализу - машинному обучению и использованию искусственных нейронных сетей в сфере прогнозирования цен на финансовых рынках. Основным отличием машинного обучения от классического моделирования является то, что исходные алгоритмы сами интерпретируют данные, поданные на них аналитиком. Поэтому процесс разработки нейронной сети начинается с разработки какой-либо простой сети, либо непосредственно применяя те архитектуры, которые уже успешно применялись для решения подобных задач, используя те параметры, которые раньше уже давали неплохие результаты. В конечном итоге, задача машинного обучения заключается в достижении такого уровня производительности, который послужит хорошей отправной точкой, после которой можно попробовать изменять все зафиксированные параметры и извлечь из сети максимальную производительность.
Актуальностью работы является сравнение результатов работы
различных конфигураций нейронных сетей, а именно многослойного персептрона и свёрточной нейронной сети для прогнозирования данных финансовых рынков.
Цель работы - реализовать различные конфигурации нейронных сетей для анализа финансовых рынков и провести их сравнение с позиций прогнозирования.
Задачи:
1. исследовать теоретические основы проектирования искусственных нейронных сетей;
2. провести анализ существующих решений для прогнозирования данных финансовых рынков;
3. реализовать многослойный персептрон и свёрточную нейронную сеть;
4. провести анализ результатов.
С помощью технологического анализа - машинного обучения - была проведена работа по использованию нейронных сетей в сфере прогнозирования цен и тренда на финансовых рынках.
Процессе разработки нейронной сети начался с разработки простой сети, с применением архитектур, которые уже успешно применялись для решения подобных задач, используя те параметры, которые раньше уже давали неплохие результаты. Это послужило хорошей отправной точкой, после которой можно попробовать изменять все зафиксированные параметры и извлечь из сети максимальную производительность.
В работе были исследованы различные подходы для прогнозирования цен акций и тренда финансовых рынков, а именно многослойный персептрон и свёрточная нейронная сеть. Были изучены теоретические основы проектирования искусственных нейронных сетей, проведён анализ существующих решений для прогнозирования данных финансовых рынков, реализованы нейронные сети и проведён сравнительный анализ результатов, который показал, что свёрточная нейронная сеть может прогнозировать цены акций финансовых рынков чуть лучше, чем многослойный персептрон.
Исходя из полученных результатов, наблюдается следующее - при прогнозировании данных дальше, чем на время t+1 получается слишком много ошибок, что означает, что нейронные сети не могут предсказывать точные значения цен акций. Но, также видно, что линии тренда идут в одном направлении, а из этого можно сделать вывод, что нейронные сети могут следовать за трендом.
