Redes neuronales - página 22

Nuevo comentario
 
La previsión financiera es una tarea difícil debido a la complejidad intrínseca del sistema financiero. Los métodos de "caja negra", como las redes neuronales, que suponen poco sobre la estructura de la economía, ofrecen un enfoque simplificado de las previsiones. En el presente artículo relatamos nuestra experiencia en el uso de redes neuronales como método de previsión de series temporales financieras. En particular, mostramos que se puede encontrar una red neuronal capaz de pronosticar el signo de los incrementos de precios con una tasa de éxito ligeramente superior al 50%. Las series objetivo son el precio de cierre diario de diferentes activos e índices durante el periodo comprendido entre enero de 1990 y febrero de 2000, aproximadamente.
 
Proponemos un nuevo método de predicción de los movimientos en el mercado de divisas basado en la red neuronal NARX con la técnica de "time shifting bagging" e indicadores financieros, como el índice de fuerza relativa y los indicadores estocásticos. Las redes neuronales tienen una gran capacidad de aprendizaje, pero a menudo muestran un rendimiento malo e impredecible en el caso de datos ruidosos. En comparación con las redes neuronales estáticas, nuestro método reduce significativamente la tasa de error de la respuesta y mejora el rendimiento de la predicción. Probamos tres tipos diferentes de arquitectura para predecir la respuesta y determinamos el mejor enfoque de red. Aplicamos nuestro método a la predicción de los tipos de cambio por hora y descubrimos una notable capacidad de predicción en experimentos exhaustivos con dos tipos de cambio diferentes (GBPUSD y EURUSD).

 
 
A pesar de tener una gran precisión, las redes neuronales han demostrado ser susceptibles a los ejemplos adversos, en los que una pequeña perturbación de una entrada puede hacer que se etiquete mal. Proponemos métricas para medir la robustez de una red neuronal e ideamos un novedoso algoritmo para aproximar estas métricas basado en una codificación de la robustez como programa lineal. Mostramos cómo nuestras métricas pueden utilizarse para evaluar la robustez de las redes neuronales profundas con experimentos en los conjuntos de datos MNIST y CIFAR-10. Nuestro algoritmo genera estimaciones más informativas de las métricas de robustez en comparación con las estimaciones basadas en los algoritmos existentes. Además, mostramos cómo los enfoques existentes para mejorar la robustez se "sobreajustan" a los ejemplos adversos generados mediante un algoritmo específico. Por último, mostramos que nuestras técnicas pueden utilizarse para mejorar adicionalmente la robustez de las redes neuronales tanto según las métricas que proponemos, como según las métricas propuestas anteriormente.
 
seekers_:
Interesante. Gracias :)
 

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
Nuevo comentario