Тип работы:
 Предмет:
 Язык работы:


ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТИ ПРИ РАЗ РАБОТКЕ АЛГОРИТМА ПРОГНОЗИРОВАНИЯ ФОНДОВОГО РЫНКА

Работа №32899

Тип работы

Дипломные работы, ВКР

Предмет

информационные системы

Объем работы45
Год сдачи2018
Стоимость4900 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
375
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 2
1. МАШИННОЕ ОБУЧЕНИЕ И ТЕХНИЧЕСКИЙ АНАЛИЗ ПРИ
ПРОГНОЗИРОВАНИИ ФОНДОВОГО РЫНКА 4
1.1. Современные методы машинного обучения 4
1.2. Технический анализ фондового рынка 13
1.3. Возможности применения машинного обучения при распознавании
фигур разворота на рынке 16
2. СБОР И АНАЛИЗ ДАННЫХ ДЛЯ ПРОВЕДЕНИЯ МАШИННОГО
ОБУЧЕНИЯ НА ФОНДОВОМ РЫНКЕ 18
2.1. Приведение задач прогнозирования к задачам распознавания
образов 18
2.2. Предобучение сети на фигурах ТАР 26
2.3. Преобразование сети для прогнозирования цены определённой
бумаги 28
2.4. Повторное обучение на конкретной бумаге 29
3. РЕАЛИЗАЦИЯ ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ
ТЕСТИРОВАНИЯ РАЗРАБОТАННОГО АЛГОРИТМА ПРОГНОЗИРОВАНИЯ РЫНКА 31
3.1. Создание информационной системы для прогнозирования рынка .... 31
3.2. Анализ процесса создания и оценка затрат при создании системы
анализа фондового рынка и их эффективности 32
3.3. Тестирование информационной системы на основе разработанного
алгоритма 37
ЗАКЛЮЧЕНИЕ 41
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 43



Выпускная квалификационная работа посвящена исследованию возможности прогнозирования изменения цен на рынке ценных бумаг при помощи одного из методов машинного обучения - нейронных сетей, а также технического анализа.
В выпускной квалификационной работе кратко раскрыты различные методы, используемые в машинном обучении, представлен алгоритм, основанный на принципах машинного обучения и методах технического анализа. В качестве практической части работы разработан комплекс программного обеспечения для прогнозирования изменения цен на рынке ценных бумаг, с помощью которого алгоритм протестирован на корректность.
Актуальность темы выпускной квалификационной работы связана в первую очередь с необходимостью и актуальностью развития систем прогнозирования в целом. Фондовый рынок - неотъемлемая часть экономики любой страны. Становление рынка ценных бумаг в РФ уже давно достигло значений, при которых его участники безусловно сталкиваются со сложностью определения подходящих методик анализа рыночной истории, а также объема и направленности личных вложений. Отечественные брокеры ведут бизнес в условиях подъема конкуренции, а также значительных колебаний котировок.
Поэтому очень важно искать и разрабатывать научные методы прогнозирования рынка. Заниматься разработкой экономико-математических способов, которые включают в себя статистические способы анализа и прогнозирования состояния фондового рынка.
Нужно подметить, что в связи с существующими тенденциями при операциях на отечественном рынке ценных бумаг, неразвитостью инфраструктуры и недостаточной ликвидностью всего рынка почти всем трейдерам будет необходимо ориентироваться на развитые мировые рынки ценных бумаг. Для благополучной работы необходимо применять методы и средства анализа и прогнозирования, используемые на данных рынках.
Задачами работы являются:
1. Анализ частоты появления и реализации наиболее используемых фигур технического анализа.
2. Подготовка и нормализация данных для обучающей выборки.
3. Разработка модели для прогнозирования рынка ценных бумаг.
4. Создание информационной системы для прогнозирования рынка.
5. Тестирование корректности алгоритма при помощи разработанной информационной системы.
В первой главе "Машинное обучение и технический анализ при прогнозировании фондового рынка" будут проанализированы основные понятия, задачи и методы машинного обучения и технического анализа. Также будет проанализировано что лучше подходит для задачи прогнозирования цен на фондовом рынке.
Во второй главе «Сбор и анализ данных для проведения машинного обучения на фондовом рынке» будет объяснён принцип алгоритма, который будет прогнозировать цены. Также будет представлен процесс предобработки данных.
В третьей главе «Реализация информационной системы для тестирования разработанного алгоритма прогнозирования рынка» будет представлен процесс создания информационной системы для прогнозирования рынка на основе описанного алгоритма. Также будут представлены результаты тестирования информационной системы для прогнозирования рынка разработанной на основе разработанного алгоритма.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
Курсовые Статьи Диплом Рязань

Прогнозирование фондового рынка является достаточно сложной и комплексной задачей, которая требует знаний и умений не только в областях компьютерный наук, но и в экономике и некоторых других смежных областях. Однако все заявленные цели были выполнены.
По результатам выпускной квалификационной работы можно сделать следующие выводы.
Был проведён анализ частоты появления и реализации наиболее используемых фигур технического анализа. Изучив множество материалов по техническому анализу, было выявлено 6 наиболее перспективных для поиска и предсказания фигур. Были выявлены их самые явные характеристики и были выведены формальные способы их нахождения, в соответствии с классической литературой по теме. Были использованы фигуры:
- Двойная вершина;
- Двойное дно;
- Г олова и плечи;
- Развернутые голова и плечи;
- Медвежий прямоугольник;
- Бычий прямоугольник;
Была проведена подготовка и нормализация данных для обучающей выборки. Был найден оптимальный ресурс для поиска исторических данных о ценах на рынке за несколько последних лет. Этим ресурсом стал сервис Quandl. Был выявлен оптимальный способ хранения и анализа данных для их преобразования в обучающую выборку.
Была проведена разработка модели для прогнозирования рынка ценных бумаг. Был выбран оптимальный алгоритм для классифицирования фигур, для этого была выбрана свёрточная сеть. А позже был найден способ дальнейшего преобразования сети для прогнозирования цены конкретной акции. Это было сделано путём добавления новых слоёв в уже обученную сеть, и её переобучения.
Была создана информационная система для прогнозирования рынка, состоящая из комплекса программ для:
- Скачивания данных для обучающей выборки их преобразования в обучающую выборку;
- Создания искусственной нейронной сети и обучения искусственной нейронной сети;
- Переобучения искусственной нейронной сети;
- Использования искусственной нейронной сети;
Было проведено тестирование корректности алгоритма при помощи разработанной информационной системы. Были построены графики, показывающие рост числа правильных ответов с ростом количества данных, что доказывает корректность алгоритма. Итоговый результат точности составил примерно 63 процента, что является приемлемым результатом в раках работы.



7. Глубокое обучение / Николенко С., Кадурин А., Архангельская Е.
- Питер. - 2018. - 480 с.
8. Н. Солабуто. Краткосрочная торговля. Эффективные приемы и методы / Н. Солабуто. — Питер. - 2011. - 180 с.
A. Atiya. An Efficient Stock Market Forecasting Model Using Neural Networks / A. Atiya, N. Talaat, S. Shaheen // Материалы Конференции International Conference On Neural Networks. - 1997. - № 3. - С. 34-39
9. DeCAF: A Deep Convolutional Activation Feature for Generic Visual Recognition / Jeff Donahue, Yangqing Jia , Oriol Vinyals, Judy Hoffman, Ning Zhang, Eric Tzeng, Trevor Darrell // Материалы конференции 31st International Conference on Machine Learning. - 2014. - С. 647-655
10. Forecasting and Analysis of Marketing Data Using Neural Networks / Jingtao Yao, Nicholas Teng, Hean-Lee Poh Chew, Lim Tan // Journal of Information Science and Engineering. - 1998. - № 4. - С. 523-545
11. Clive W.J. G-anger. Forecasting stock market prices: Lessons for forecasters / Clive W.J. G-anger// International Journal of Forecasting 8, 2002. — 180. — C. 3-13
12. How Transferable Are Features in Deep Neural Networks? / Jason Yosinski, Jeff Clune, Yoshua Bengio, Hod Lipson // Материалы Конференции in Advances in Neural Information Processing Systems 27. - Nips Foundation. - 2014.
- С. 115-126
13. Kevin Swingler. Applying Neural Networks. A Practical Guide / Kevin Swingler. - 2-е изд. - Morgan Kaufmann. - 2007. - 303 с.
14. Leandro S. Maciel. Neural Networks Applied to Stock Market Forecasting: An Empirical Analysis / Leandro S. Maciel, Rosangela Ballini // Journal of The Brazilian Neural Network Society. - 2010. - № 8. - С. 3-22
15. Stock Market Modeling and Forecasting / Xiaolian Zheng, Ben M. Chen.
- Springer-Verlag London. - 2013. - 161 c.
16. Technical Analysis for Algorithmic Pattern Recognition / Tsinaslanidis, Prodromos E., Zapranis, Achilleas D. - Springer International Publishing. - 2016. - 220 c.
17. Sen Jia. Freudian Slips: Analysing The Internal Representations of a Neural Network from Its Mistakes/ Sen Jia // Материалы Конференции Advances in Intelligent Data Analysis XVI. - 2017. - № 4. - С. 138-148
18. John J. Murphy. The Visual Investor: How to Spot Market Trends/ John
J. Murphy. -Smartbook. - 2007. - 320 с.
19. Karen Simonyan. Very Deep Convolutional Networks for Large-Scale Image Recognition /Karen Simonyan, Andrew Zisserman/ Материалы конференции International Conference on Learning Representations. - 2014. - С. 125-137
20. Visualizing and Understanding Convolutional Networks / Matthew D Zeiler, Rob Fergus // European Conference On Computer Vision. - 2014. - С. 818833
21. Алгоритм обратного распространения ошибки с регуляризацией на c#: [Электронный ресурс] Хабрахабр. URL: Https://Habr.Com/Post/154369/ (Дата обращения: 2.04.2018).
22. Метод обратного распространения ошибки: [Электронный ресурс]
Cybernetics Wiki URL:
Шp://Ru.Cybemetics.Wikia.Com/Wiki/Метод_Обратного_Распространения_Ош ибки (Дата обращения: 3.04.2018).
23. Свёрточная нейронная сеть, часть 2: обучение алгоритмом
обратного распространения ошибки: [Электронный ресурс] Хабрахабр. URL: Https://Habr.Com/Post/348028/(Дата обращения: 30.03.2018).
24. Свёрточная нейронная сеть (convolutional neural network -CNN): [Эл
ектронный ресурс] Intellect.Ml. URL: Https://Intellect.Ml/Svertochnaya-
Nejronnaya-Set-Convolutional-Neural-Network-Cnn-6013(Дата обращения:
1.05.2018).
25. Технический анализ: [Электронный ресурс] Википедия. https://ru.wikipedia.org/wiki/Технический_анализ (Дата обращения: 15.04.2018).
26. Image Classification with Convolutional Neural Networks: [Электронный ресурс] Medium. URL: Https://Medium.Com/@Ksusorokina/Image- Classification-With-Convolutional-Neural-Networks-496815db12a8^aTa обращения: 22.03.2018).
27. Keras Tutorial : Using pre-trained Imagenet models: [Электронный ресурс] Learn OpenCV. URL: Https://Www.Learnopencv.Com/Keras-Tutorial- Using-Pre-Trained-Imagenet-Models/(Дата обращения: 18.03.2018).
28. Machine Learning is Fun! Part 3: Deep Learning and Convolutional
Neural Networks: models: [Электронный ресурс] Medium. URL:
Https://Medium.Com/@Ageitgey/Machine-Learning-Is-Fun-Part-3-Deep-Learning- And-Convolutional-Neural-Networks-F40359318721(Дата обращения: 19.03.2018).
29. Transfer learning & The art of using Pre-trained Models in Deep
Learning): [Электронный ресурс] Analytics Vidhya. URL:
Https ://Www.Analyticsvidhya.Com/Blog/2017/06/Transfer-Learning-The-Art-Of- Fine-Tuning-A-Pre-Trained-Model/(Дата обращения: 10.05.2018).
30. Transfer Learning: [Электронный ресурс] University of Stenford
Courses. URL: Http://Cs231n.Github.Io/Transfer-Learning/ (Дата обращения:
13.04.2018).

Работу высылаем на протяжении 30 минут после оплаты.



Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (152561)

Новости

06.01.2018 Помощь студентам и аспирантам в выполнении работ от наших партнеров Помощь студентам и аспирантам в выполнении работ от наших партнеров

Помощь в выполнении учебных и научных работ на заказ ОФОРМИТЬ ЗАКАЗ

дальше

»» Все новости

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Заказать диплом

Приглашаем авторов студенчесчких работ


©2024 Cервис помощи студентам в выполнении работ
.