ВВЕДЕНИЕ 3
1. АРХИТЕКТУРА НЕЙРОННОЙ СЕТИ И ФИГУРА «ДВОЙНОЕ ДНО»... 6
1.1 Архитектура нейронной сети 6
1.2 Фигура «двойное дно» 8
2. ФОРМИРОВАНИЕ ВХОДНЫХ ДАННЫХ И АЛГОРИТМ ОБУЧЕНИЯ 11
2.1 Формирование входных данных 11
2.2 Метод обратного распространения ошибки 15
3. РЕАЛИЗАЦИЯ ПРОГРАММ ПОДГОТОВКИ ДАННЫХ И НЕЙРОННОЙ СЕТИ 19
3.1 Реализация программы для подготовки входных данных 19
3.2 Реализация программы с нейронной сетью 21
3.3 Тестирование нейронной сети 28
ЗАКЛЮЧЕНИЕ 30
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ 31
ПРИЛОЖЕНИЕ
Купить

За последние несколько лет наблюдается возросший интерес к моделированию работы мозга человека. Человеческий мозг работает как очень сложное, нелинейное вычислительное устройство, которое каждую секунду обрабатывает огромное количество поступающей информации совсем иным способом, в отличие от компьютеров. Наиболее близкая и известная модель искусственного интеллекта - нейронная сеть.
Все чаще поднимается вопрос о применении искусственных нейронных сетей в решении прикладных задач, поскольку они являются действенным классом математических моделей. Нейронные сети используются в решении таких задач, как прогнозирование, классификация, распознавание, аппроксимация, кластеризация и т.д.
Области применения искусственных нейронных сетей различны, в том числе они используются и для финансовых рынков . На текущий момент существуют различные способы торговли акциями на фондовом рынке. Более доступным для обычного трейдера является технический анализ, построенный на математическом аппарате и поиске закономерностей на исторических данных.
Согласно последним исследованиям, шаблоны фондового рынка способны прогнозировать разворот цены. Таким образом, следя за графиком и следуя выбранной стратегии, трейдер совершает сделки. Вполне логично предположить, что автоматизация этой достаточно механической работы трейдера принесет свои плюсы. Более того автоматизированную систему можно настроить под конкретный рынок, объединить различные инструменты, которыми в совокупности человеку пользоваться затруднительно.
Популярность использования нейронных сетей для этих задач растет с каждым годом все больше и больше. В настоящее время Токийская фондовая биржа тестирует нейросетевой подход в распознавании шаблонов. Эксперименты проводятся удачно. Реализованной программы в сети нет, поэтому предполагается реализовать данный подход. Собственная реализация нейронной сети имеет возможности тонкой настройки под определенные требования, в отличие от библиотечных сетей.
Главная задача данной работы - исследовать использование нейросетевого подхода при прогнозировании цен фондового рынка. В качестве прогнозирования рассматривается распознавание разворотной фигуры «двойное дно» на временном ряду. Помимо выбора подходящей конфигурации нейронной сети, на ее эффективность большое влияние оказывают данные для обучения, требующие предварительной подготовки. Это важный первый этап данного исследования.
Объект исследования данной работы - нейронные сети для распознавания шаблона, прогнозирующего разворот цены.
Предмет исследования - анализ выбранной конфигурации нейронной сети для решения задачи распознавания фигуры.
Цель исследования в рамках проекта - предварительная обработка данных для обучения, создание нейронной сети для распознавания фигуры.
В ходе работы ставятся и решаются следующие задачи:
• Проанализировать экспортированные данные.
• Подготовить данные для обучения нейросети.
• Выявить архитектуру нейронной сети.
• Реализовать алгоритм обучения нейронной сети.
Используемые материалы для исследования - реальные данные, полученные с сайта крупнейшего брокера России «Финам», в виде котировок акций российской компании Газпром.
Практическая значимость данной работы - реализация прототипа нейронной сети, решающей задачу распознавания фигуры технического анализа и реализация эффективного метода представления финансовых временных рядов для искусственной нейронной сети.
В первой главе рассмотрена модель искусственного нейрона, определена архитектура нейронной сети. Изучена разворотная фигура «двойное дно».
Во второй главе рассмотрено формирование входных данных нейронной сети с использованием индикатора Zigzag. Выбрана ошибка обучения, изучен метод обратного распространения ошибки.
В третьей главе рассмотрена реализация программы подготовки входных данных для обучения нейронной сети, представлен ее интерфейс. Рассмотрена реализация программы, содержащая нейронную сеть, и ее интерфейс. Представлены результаты работы нейронной сети.

Купить