Neuronale Netze - Seite 23

Neuer Kommentar
 

In this paper, a novel decision support system using a computational efficient functional link artificial neural network (CEFLANN) and a set of rules is proposed to generate the trading decisions more effectively. Here the problem of stock trading decision prediction is articulated as a classification problem with three class values representing the buy, hold and sell signals. The CEFLANN network used in the decision support system produces a set of continuous trading signals within the range 0 to 1 by analyzing the nonlinear relationship exists between few popular technical indicators. Further the output trading signals are used to track the trend and to produce the trading decision based on that trend using some trading rules. The novelty of the approach is to engender the profitable stock trading decision points through integration of the learning ability of CEFLANN neural network with the technical analysis rules. For assessing the potential use of the proposed method, the model performance is also compared with some other machine learning techniques such as Support Vector Machine (SVM), Naive Bayesian model, K nearest neighbor model (KNN) and Decision Tree (DT) model.



 

The motivation behind this research is to innovatively combine new methods like wavelet, principal component analysis (PCA), and artificial neural network (ANN) approaches to analyze trade in today’s increasingly difficult and volatile financial futures markets. The main focus of this study is to facilitate forecasting by using an enhanced denoising process on market data, taken as a multivariate signal, in order to deduct the same noise from the open-high-low-close signal of a market. This research offers evidence on the predictive ability and the profitability of abnormal returns of a new hybrid forecasting model using Wavelet-PCA denoising and ANN (named WPCA-NN) on futures contracts of Hong Kong’s Hang Seng futures, Japan’s NIKKEI 225 futures, Singapore’s MSCI futures, South Korea’s KOSPI 200 futures, and Taiwan’s TAIEX futures from 2005 to 2014. Using a host of technical analysis indicators consisting of RSI, MACD, MACD Signal, Stochastic Fast %K, Stochastic Slow %K, Stochastic %D, and Ultimate Oscillator, empirical results show that the annual mean returns of WPCA-NN are more than the threshold buy-and-hold for the validation, test, and evaluation periods; this is inconsistent with the traditional random walk hypothesis, which insists that mechanical rules cannot outperform the threshold buy-and-hold. The findings, however, are consistent with literature that advocates technical analysis.


 
Devisenhandel ist der Handel einer Währung gegen eine andere. Die FOREX-Kurse werden von vielen korrelierten wirtschaftlichen, politischen und psychologischen Faktoren beeinflusst, so dass ihre Vorhersage eine schwierige Aufgabe ist. Einige Methoden zur Vorhersage des FOREX-Kurses umfassen statistische Analysen, Zeitreihenanalysen, Fuzzy-Systeme, neuronale Netze und Hybridsysteme. Diese Methoden leiden unter dem Problem der genauen Vorhersage des Wechselkurses. Ein künstliches neuronales Netzwerk (ANN) und ein hybrides Neuro-Fuzzy-System (ANFIS) werden vorgeschlagen, um den zukünftigen Kurs des FOREX-Marktes vorherzusagen. Das MLP wird zur Vorhersage des Anstiegs oder Falls des Wechselkurses verwendet, während das ANFIS-Modell zur Vorhersage des Wechselkurses für den nächsten Tag verwendet wird. Für das Experiment wird der USDINR-Wechselkurs vom Devisenmarkt verwendet. Der mittlere quadratische Fehler (MSE) und der mittlere absolute Fehler (MAE) werden als Leistungsindikatoren verwendet. Das ANN erreichte beim Training einen MSE von 0,033 und einen MAE von 0,0002, während das ANFIS-Modell einen MSE von 0,024 und einen MAE von 6,7x10-8 erreichte. In der Testphase erreichte das ANN einen MSE von 0,003 und einen MAE von 0,00082, während das ANFIS-Modell einen MSE von 0,02 und einen MAE von 0,00792 erreichte.
 
In der Marketingliteratur werden bisher nur Attraktivitätsmodelle mit strengen Funktionsformen betrachtet. Eine größere Flexibilität bietet der vorgestellte Ansatz auf der Grundlage neuronaler Netze, der die Attraktivitätswerte von Marken mit Hilfe eines Perzeptrons mit einer versteckten Schicht bewertet. Unter Verwendung von log-ratio-transformierten Marktanteilen als abhängige Variablen werden mittels stochastischem Gradientenabstieg und anschließendem Quasi-Newton-Verfahren Parameter geschätzt. Für Daten auf Ladenebene schneidet das neuronale Netzmodell besser ab und impliziert eine Preisreaktion, die sich qualitativ von dem bekannten MNL-Anziehungsmodell unterscheidet. Die Preiselastizitäten dieser konkurrierenden Modelle führen auch zu spezifischen Implikationen für das Management. (Zusammenfassung des Autors)
 

This paper propose that the combination of smoothing approach taking into account the entropic information provided by Renyi method, has an acceptable performance in term of forecasting errors. The methodology of the proposed scheme is examined through benchmark chaotic time series, such as Mackay Glass, Lorenz, Henon maps, the Lynx and rainfall from Santa Francisca series, with addition of white noise by using neural networks-based energy associated (EAS) predictor filter modified by Renyi entropy of the series. In particular, when the time series is short or long, the underlying dynamical system is nonlinear and temporal dependencies span long time intervals, in which this are also called long memory process. In such cases, the inherent nonlinearity of neural networks models and a higher robustness to noise seem to partially explain their better prediction performance when entropic information is extracted from the series. Then, to demonstrate that permutation entropy is computationally efficient, robust to outliers, and effective to measure complexity of time series, computational results are evaluated against several non-linear ANN predictors proposed before to show the predictability of noisy rainfall and chaotic time series reported in the literature.



 
W e propose a forecasting procedure based on multivariate dynamische Kerne, die in der Lage sind, Informationen zu integrieren, die mit unterschiedlichen Frequenzen und in unregelmäßigen Zeitabständen als auf den Finanzmärkten gemessen werden. Ein Datenkomprimierungsverfahren zerlegt die ursprünglichen Finanzzeitreihen in zeitliche Datenblöcke und analysiert die zeitlichen Informationen mehrerer Zeitintervalle als. Die Analyse erfolgt durch multiv ariate dynamische Kernel innerhalb der Support-Vektor-Regression. W ir schlagen auch zwei Kernel für Finanzzeitreihen vor, die rechnerisch effizient sind, ohne die Genauigkeit zu beeinträchtigen. Die Wirksamkeit der Methode wird durch empirische Experimente zur Vorhersage des anspruchsvollen S&P500-Marktes nachgewiesen
 

This study presents a neural network & web-based decision support system (DSS) for foreign exchange (forex) forecasting and trading decision, which is adaptable to the needs of financial organizations and individual investors. In this study, we integrate the back-propagation neural network (BPNN)- based forex rolling forecasting system to accurately predict the change in direction of daily exchange rates, and the Web-based forex trading decision support system to obtain forecasting data and provide some investment decision suggestions for financial practitioners. This research reveals the structure of the DSS by the description of an integrated framework, and meantime we find that the DSS is integrated, user-oriented by its implementation, and practical applications reveal that this DSS demonstrates very high forecasting accuracy and its trading recommendations are reliable.



 
Die Rauschinjektion ist eine Standardmethode zur Abschwächung der Überanpassung in neuronalen Netzen (NNs). Die jüngsten Entwicklungen in der Bernoulli-Rauschinjektion, wie sie in den Dropout- und Shakeout-Verfahren implementiert sind, zeigen die Effizienz und Machbarkeit der Rauschinjektion bei der Regularisierung tiefer NNs. Wir schlagen Whiteout vor, eine neue Regularisierungstechnik durch Injektion von adaptivem Gaußschen Rauschen in ein tiefes NN. Whiteout bietet drei Abstimmungsparameter, die Flexibilität beim Training von NNs ermöglichen. Wir zeigen, dass Whiteout mit einer deterministischen Optimierungszielfunktion im Kontext verallgemeinerter linearer Modelle mit einem geschlossenen Strafterm verbunden ist und Lasso, Ridge Regression, adaptives Lasso und elastisches Netz als Spezialfälle umfasst. Wir zeigen auch, dass Whiteout als robustes Lernen von NN-Modellen in Anwesenheit kleiner und unbedeutender Störungen in Eingabe- und versteckten Knoten angesehen werden kann. Im Vergleich zu Dropout hat Whiteout eine bessere Leistung, wenn Trainingsdaten von relativ kleiner Größe mit der durch die l1 Regularisierung eingeführten Sparsamkeit trainiert werden. Im Vergleich zu Shakeout hat die bestrafte Zielfunktion in Whiteout ein besseres Konvergenzverhalten und ist stabiler angesichts der Kontinuität des injizierten Rauschens. Wir stellen theoretisch fest, dass die durch Rauschen gestörte empirische Verlustfunktion mit Whiteout fast sicher zur idealen Verlustfunktion konvergiert, und die Schätzungen der NN-Parameter, die aus der Minimierung der erstgenannten Verlustfunktion gewonnen werden, sind konsistent mit denen, die aus der Minimierung der idealen Verlustfunktion gewonnen werden. Whiteout kann rechnerisch in den Backpropagation-Algorithmus integriert werden und ist rechnerisch effizient. Die Überlegenheit von Whiteout gegenüber Dropout und Shakeout beim Training von NNs in der Klassifikation wird anhand der MNIST-Daten demonstriert.

 
Tiefe verbessert zwar tendenziell die Leistung des Netzes, erschwert aber auch das gradientenbasierte Training, da tiefere Netze tendenziell nichtlinearer sind. Der kürzlich vorgeschlagene Ansatz der Wissensdestillation zielt darauf ab, kleine und schnell auszuführende Modelle zu erhalten, und er hat gezeigt, dass ein Studentennetz die weiche Ausgabe eines größeren Lehrernetzes oder eines Ensembles von Netzen imitieren könnte. In dieser Arbeit wird diese Idee erweitert, um die Ausbildung eines Schülers zu ermöglichen, der tiefer und dünner ist als der Lehrer, wobei nicht nur die Ausgaben, sondern auch die vom Lehrer gelernten Zwischendarstellungen als Hinweise zur Verbesserung des Ausbildungsprozesses und der endgültigen Leistung des Schülers verwendet werden. Da die versteckte Zwischenschicht des Schülers im Allgemeinen kleiner ist als die versteckte Zwischenschicht des Lehrers, werden zusätzliche Parameter eingeführt, um die versteckte Schicht des Schülers auf die Vorhersage der versteckten Schicht des Lehrers abzubilden. Auf diese Weise können tiefere Schüler trainiert werden, die besser verallgemeinern können oder schneller laufen, ein Kompromiss, der durch die gewählte Schülerkapazität gesteuert wird. Bei CIFAR-10 beispielsweise übertrifft ein tiefes Studentennetz mit fast 10,4-mal weniger Parametern ein größeres, modernes Lehrernetz.
Dateien:
Hints for Thin Deep Nets.pdf  261 kb
 

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.


1...161718192021222324252627
Neuer Kommentar