Neuronale Netze - Seite 22

Neuer Kommentar
 
Finanzprognosen sind eine schwierige Aufgabe, da das Finanzsystem sehr komplex ist. Einen vereinfachten Ansatz für Prognosen bieten "Black Box"-Methoden wie neuronale Netze, die wenig über die Struktur der Wirtschaft voraussetzen. In der vorliegenden Arbeit berichten wir über unsere Erfahrungen mit neuronalen Netzen als Methode zur Prognose von Finanzzeitreihen. Insbesondere zeigen wir, dass ein neuronales Netz gefunden werden kann, das in der Lage ist, das Vorzeichen der Kurssteigerungen mit einer Erfolgsquote von etwas über 50 % vorherzusagen. Zielreihen sind die täglichen Schlusskurse verschiedener Vermögenswerte und Indizes im Zeitraum von etwa Januar 1990 bis Februar 2000.
 
Wir schlagen eine neue Methode zur Vorhersage von Bewegungen auf dem Devisenmarkt vor, die auf dem neuronalen Netz NARX mit der Technik des Time Shifting Bagging und Finanzindikatoren wie dem Relative Strength Index und stochastischen Indikatoren basiert. Neuronale Netze haben eine herausragende Lernfähigkeit, aber sie zeigen oft schlechte und unvorhersehbare Leistungen bei verrauschten Daten. Im Vergleich zu statischen neuronalen Netzen verringert unsere Methode die Fehlerquote der Antwort erheblich und verbessert die Leistung der Vorhersage. Wir haben drei verschiedene Arten von Architekturen für die Vorhersage der Reaktion getestet und den besten Netzwerkansatz ermittelt. Wir haben unsere Methode zur Vorhersage der stündlichen Devisenkurse angewandt und in umfassenden Experimenten mit 2 verschiedenen Devisenkursen (GBPUSD und EURUSD) eine bemerkenswerte Vorhersagbarkeit festgestellt.

 
 
Trotz ihrer hohen Genauigkeit sind neuronale Netze nachweislich anfällig für ungünstige Beispiele, bei denen eine kleine Störung einer Eingabe zu einer Fehlmarkierung führen kann. Wir schlagen Metriken zur Messung der Robustheit eines neuronalen Netzes vor und entwickeln einen neuartigen Algorithmus zur Annäherung an diese Metriken, der auf einer Kodierung der Robustheit als lineares Programm basiert. Wir zeigen anhand von Experimenten mit den Datensätzen MNIST und CIFAR-10, wie unsere Metriken zur Bewertung der Robustheit von tiefen neuronalen Netzen verwendet werden können. Unser Algorithmus erzeugt informativere Schätzungen von Robustheitsmetriken im Vergleich zu Schätzungen, die auf bestehenden Algorithmen basieren. Darüber hinaus zeigen wir, wie bestehende Ansätze zur Verbesserung der Robustheit auf negative Beispiele, die mit einem bestimmten Algorithmus generiert wurden, "überkompensieren". Schließlich zeigen wir, dass unsere Techniken verwendet werden können, um die Robustheit neuronaler Netze sowohl nach den von uns vorgeschlagenen Metriken als auch nach bereits vorgeschlagenen Metriken zusätzlich zu verbessern.
 
seekers_:
Interessant. Danke :)
 

Effectiveness of firefly algorithm based neural network in time series forecasting

 

The Foreign Exchange Market is the biggest and one of the most liquid markets in the world. This market has always been one of the most challenging markets as far as short term prediction is concerned. Due to the chaotic, noisy, and non-stationary nature of the data, the majority of the research has been focused on daily, weekly, or even monthly prediction. The literature review revealed that there is a gap for intra-day market prediction. Identifying this gap, this paper introduces a prediction and decision making model based on Artificial Neural Networks (ANN) and Genetic Algorithms. The dataset utilized for this research comprises of 70 weeks of past currency rates of the 3 most traded currency pairs: GBP\USD, EUR\GBP, and EUR\USD. The initial statistical tests confirmed with a significance of more than 95% that the daily FOREX currency rates time series are not randomly distributed. Another important result is that the proposed model achieved 72.5% prediction accuracy. Furthermore, implementing the optimal trading strategy, this model produced 23.3% Annualized Net Return.



 

In this paper we investigate and design the neural networks model for FOREX prediction based on the historical data movement of USD/EUR exchange rates. Unlike many other techniques of technical analysis which are based on price trends analysis, neural networks offer autocorrelation analysis and the estimation of possible errors in forecasting. This theory is consistent with the semi-strong form of the efficient markets hypothesis. The empirical data used in the model of neural networks are related to the exchange rate USD/EUR in the period 23.04.2012–04.05.2012. The results shows that the model can be used for FOREX prediction.


 

Neural networks are known to be effective function approximators. Recently, deep neural networks have proven to be very effective in pattern recognition, classification tasks and human-level control to model highly nonlinear realworld systems. This paper investigates the effectiveness of deep neural networks in the modeling of dynamical systems with complex behavior. Three deep neural network structures are trained on sequential data, and we investigate the effectiveness of these networks in modeling associated characteristics of the underlying dynamical systems. We carry out similar evaluations on select publicly available system identification datasets. We demonstrate that deep neural networks are effective model estimators from input-output data


 

This study presents a novel application and comparison of higher order neural networks (HONNs) to forecast benchmark chaotic time series. Two models of HONNs were implemented, namely functional link neural network (FLNN) and pi-sigma neural network (PSNN). These models were tested on two benchmark time series; the monthly smoothed sunspot numbers and the Mackey-Glass time-delay differential equation time series. The forecasting performance of the HONNs is compared against the performance of different models previously used in the literature such as fuzzy and neural networks models. Simulation results showed that FLNN and PSNN offer good performance compared to many previously used hybrid models.


1...15161718192021222324252627
Neuer Kommentar