Neuronale Netze - Seite 25

Neuer Kommentar
 

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.


 
Das Verhalten des Marktes vorherzusagen, um vom Aktienhandel zu profitieren, ist alles andere als trivial. Eine solche Aufgabe wird noch schwieriger, wenn die Anleger nicht über große Geldbeträge verfügen und daher dieses komplexe System nicht beeinflussen können. Paradigmen des maschinellen Lernens wurden bereits auf Finanzprognosen angewandt, allerdings in der Regel ohne Beschränkungen hinsichtlich der Größe des Anlegerbudgets. In diesem Beitrag analysieren wir einen evolutionären Portfolio-Optimierer für die Verwaltung begrenzter Budgets, wobei wir jeden Teil des Rahmens zerlegen und die Probleme und Beweggründe, die zu den endgültigen Entscheidungen geführt haben, im Detail diskutieren. Die erwarteten Renditen werden mit Hilfe von künstlichen neuronalen Netzen modelliert, die auf der Grundlage von Marktdaten aus der Vergangenheit trainiert wurden, und die Zusammensetzung des Portfolios wird durch Annäherung an die Lösung eines Mehrzielproblems mit Einschränkungen ausgewählt. Ein Investitionssimulator wird schließlich zur Messung der Portfolioperformance eingesetzt. Der vorgeschlagene Ansatz wird an realen Daten der Börsen von New York, Mailand und Paris getestet, wobei Daten von Juni 2011 bis Mai 2014 für das Training des Systems und Daten von Juni 2014 bis Juli 2015 für die Validierung verwendet werden. Die experimentellen Ergebnisse zeigen, dass das vorgestellte Instrument in der Lage ist, einen mehr als zufriedenstellenden Gewinn für den betrachteten Zeitraum zu erzielen.
 

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.


 
In diesem Beitrag wird untersucht, ob es möglich ist, das nichtlineare Verhalten der täglichen Renditen des spanischen Aktienindex Ibex-35 zu nutzen, um die Prognosen über kurze und lange Zeiträume zu verbessern. In diesem Sinne untersuchen wir die Out-of-Sample-Prognoseleistung von Smooth Transition Autoregression (STAR)-Modellen und künstlichen neuronalen Netzen (ANNs). Wir verwenden einstufige (unter Verwendung rekursiver und nicht rekursiver Regressionen) und mehrstufige Prognosemethoden für die Zukunft. Die Prognosen werden anhand statistischer und wirtschaftlicher Kriterien bewertet. Was die statistischen Kriterien betrifft, so haben wir die Vorhersagen außerhalb der Stichprobe mit Hilfe von Maßstäben für die Güte der Vorhersage und verschiedenen Testansätzen verglichen. Die Ergebnisse zeigen, dass ANNs durchweg das Random-Walk-Modell übertreffen und, obwohl die Beweise dafür schwächer sind, für einige Prognosehorizonte und Prognosemethoden bessere Prognosen liefern als das lineare AR-Modell und die STAR-Modelle. In Bezug auf die ökonomischen Kriterien bewerten wir die relative Prognoseleistung bei einer einfachen Handelsstrategie einschließlich der Auswirkungen der Transaktionskosten auf die Gewinne der Handelsstrategie. Die Ergebnisse deuten darauf hin, dass ANN-Modelle in Bezug auf die mittlere Nettorendite und das risikobereinigte Sharpe-Verhältnis besser geeignet sind, wenn sie Prognosen für einen Schritt im Voraus verwenden. Diese Ergebnisse zeigen, dass es eine gute Chance gibt, eine genauere Anpassung und Vorhersage der täglichen Aktienindexrenditen durch die Verwendung von One-Step-Ahead-Prädiktoren und nichtlinearen Modellen zu erhalten, dass diese jedoch von Natur aus komplex sind und eine schwierige wirtschaftliche Interpretation darstellen.
 
Wir prognostizieren Aktienmärkte anhand von Informationen, die in im Internet veröffentlichten Artikeln enthalten sind. Als Input dienen vor allem Textartikel, die in den führenden und einflussreichsten Finanzzeitungen erscheinen. Aus diesen Artikeln werden die Tagesschlusswerte der wichtigsten Börsenindizes in Asien, Europa und Amerika vorhergesagt. Die Textaussagen enthalten nicht nur die Auswirkung (z. B. Aktien fallen), sondern auch die möglichen Ursachen des Ereignisses (z. B. Aktien fallen aufgrund der Dollarschwäche und der daraus resultierenden Schwächung der Staatsanleihen). Die Nutzung von Textinformationen erhöht somit die Qualität der Eingaben. Die Prognosen sind täglich um 7:45 Uhr Hongkong-Zeit in Echtzeit über www.cs.ust.hk/~beat/Predict verfügbar. Somit sind alle Vorhersagen verfügbar, bevor die großen asiatischen Märkte den Handel aufnehmen. Zur Erstellung der Vorhersagen wurden verschiedene Techniken wie der regelbasierte Algorithmus, der k-NN-Algorithmus und das neuronale Netz eingesetzt. Diese Techniken werden miteinander verglichen. Eine auf dem System basierende Handelsstrategie...
 
Auf der Grundlage des Trendhintergrunds der finanziellen Entwicklung in China in den letzten Jahren und der statistischen Analyse der Trendlinie wird in diesem Papier eine quantitative Handelsstrategie mit Hilfe des BP Neural Network Algorithmus und des Fisher Linear Discriminant entwickelt. Zunächst werden die Daten linear in Trendlinien gleicher Länge regressiert, und die Steigung wird fuzzifiziert, um die Matrix des Aufwärts- und Abwärtstrends zu erstellen. Dann verwenden wir den BP Neural Network Algorithmus und den Fisher Linear Discriminant Algorithmus, um die Preisprognose durchzuführen und das Transaktionsverhalten zu ermitteln. Entsprechend nehmen wir Shanghai und Shenzhen 300 Stock Index Futures als Beispiel, um den Backtest durchzuführen. Das Ergebnis zeigt, dass erstens der anfängliche Preistrend durch die Anpassung gut beibehalten wird; zweitens werden die Rentabilität und die Risikokontrollfähigkeit des Handelssystems durch die Trainingsoptimierung des Neuronalen Netzwerks und des linearen Fisher-Diskriminators verbessert.
 

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.

http://www.opennn.net/
 

Neuronales Netzwerk

Neuronales Netzwerk: Diskussion/Entwicklungsthreads

  1. Thread zur Entwicklung von Better NN EA mit Indikatoren, pdf-Dateien usw.
  2. Thread zur Verbesserung von NN EA
  3. Neural NetworksThread(gute öffentliche Diskussion)
  4. Wie man einen NN-EA in MT4 erstellt: nützlicherThread für Entwickler.
  5. Radiales Basis-Netzwerk (RBN) - Als Fit-Filter für Preise:der Thread

Neuronales Netzwerk: Entwicklung von Indikatoren und Systemen

  1. Self-trained MA cross!:Entwicklungsthread für die neue Generation der Indikatoren
  2. Levenberg-Marquardt-Algorithmus:Entwicklungsthread

Neuronales Netz: EAs

  1. CyberiaTrader EA:Diskussionsthread undEAs-Thread.
  2. SelbstlernendeExperten-Thread mit EAs-Dateienhier.
  3. Threads zu EAs mit künstlicher Intelligenz:Thread zum "Lehren" und zur Verwendung von EAs mit künstlicher Intelligenz ("Neuronen") undThread zu künstlicher Intelligenz
  4. Forex_NN_Expert EA undIndikator-Thread.
  5. SpiNNaker - Ein Neuronales Netzwerk EAThread.

Neuronales Netzwerk: Die Bücher

  1. Was man lesen und wo man über maschinelles Lernen lernen kann(10 kostenlose Bücher) - derBeitrag.

1...18192021222324252627
Neuer Kommentar