
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Predicting the direction and movement of stock index prices is difficult, often leading to excessive trading, transaction costs, and missed opportunities. Often traders need a systematic method to not only spot trading opportunities, but to also provide a consistent approach, thereby minimizing trading errors and costs. While mechanical trading systems exist, they are usually designed for a specific stock, stock index, or other financial asset, and are often highly dependent on preselected inputs and model parameters that are expected to continue providing trading information well after the initial training or back-tested model development period. The following research leads to a detailed trading model that provides a more effective and intelligent way for recognizing trading signals and assisting investors with trading decisions by utilizing a system that adapts both the inputs and the prediction model based on the desired output. To illustrate the adaptive approach, multiple inputs and modeling techniques are utilized, including neural networks, particle swarm optimization, and denoising. Simulations with stock indexes illustrate how traders can generate higher returns using the developed adaptive decision support system model. The benefits of adding adaptive and intelligent decision making to forecasts are also discussed.
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. (c) 2013 Elsevier Ltd. All rights reserved.
Entwicklung neuronaler Netzwerkindikatoren
Hallo!
Ich versuche, einige neuronale Netzwerk-Indikatoren für metatrader4, und würde gerne einige Vorschläge, vor allem in Bezug auf die Eingänge und Ausgänge des Netzes, und vielleicht die Struktur oder die Art des Netzes, die Sie als die beste für diese Anwendung.
Soweit ich weiß, sind die besten Outputs für die Vorhersage von Finanzserien die Vorhersage von Preisspannen, Tops oder Bottoms, und so weiter. Die direkte Vorhersage von Kursen (Eröffnungs- und Schlusskurs) liefert aus verschiedenen Gründen keine guten Ergebnisse, da zum Beispiel eine kleine Verschiebung zwischen Eröffnungs- und Schlusskurs ihre Werte erheblich verändern kann.
Wenn jemand einen Vorschlag hat, höre ich ihn mir gerne an und probiere ihn aus.
Übrigens, ich bin kein Experte für neuronale Netzwerke, ich habe nur eine gute Vorstellung von dem Thema =P.
Vielen Dank im Voraus,
JCC
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.
OpenNN (Open Neural Networks Library) is a software library written in the C++ programming language which implements neural networks, a main area of deep learning research..
OpenNN implementiert Data-Mining-Methoden als ein Bündel von Funktionen. Diese können in andere Softwaretools eingebettet werden, wobei eine Anwendungsprogrammierschnittstelle (API) für die Interaktion zwischen dem Softwaretool und den Predictive-Analytics-Aufgaben verwendet wird. In diesem Zusammenhang fehlt eine grafische Benutzeroberfläche, aber einige Funktionen können die Integration spezifischer Visualisierungswerkzeuge unterstützen.
Der Hauptvorteil von OpenNN ist seine hohe Leistung. Diese Bibliothek ist in Bezug auf die Ausführungsgeschwindigkeit und die Speicherzuweisung herausragend. Sie wird ständig optimiert und parallelisiert, um ihre Effizienz zu maximieren.
Neuronales Netzwerk
Neuronales Netzwerk: Diskussion/Entwicklungsthreads
Neuronales Netzwerk: Entwicklung von Indikatoren und Systemen
Neuronales Netz: EAs
Neuronales Netzwerk: Die Bücher