Réseaux neuronaux - page 24

Nouveau commentaire
 

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.


 
La construction d'un modèle de réseau neuronal computationnel (CNN) à action directe implique deux tâches distinctes : la détermination de la topologie du réseau et l'estimation des poids. La spécification d'une topologie de réseau adéquate est une question clé et constitue l'objet principal de cette contribution. La spécification d'une topologie de réseau adéquate au problème est une question clé et l'objet principal de cette contribution. Jusqu'à présent, cette question a été soit complètement négligée dans les domaines d'application spatiaux, soit abordée par des heuristiques de recherche (voir Fischer et Gopal 1994). Dans l'optique de la modélisation des interactions dans l'espace géographique, cet article considère ce problème comme un problème d'optimisation globale et propose une nouvelle approche qui intègre l'apprentissage par rétropropagation dans le paradigme évolutionnaire des algorithmes génétiques. Ceci est accompli en entrelaçant une recherche génétique pour trouver une topologie CNN optimale avec un apprentissage par rétropropagation basé sur le gradient pour déterminer les paramètres du réseau. Ainsi, le constructeur du modèle sera soulagé de la charge d'identifier les topologies CNN appropriées qui permettront de résoudre un problème avec des mécanismes d'apprentissage simples, mais puissants, tels que la rétropropagation des erreurs de descente de gradient. L'approche a été appliquée à la famille des modèles CNN à trois entrées, à une seule couche cachée et à une seule sortie, en utilisant des données sur le trafic interrégional des télécommunications en Autriche, afin d'illustrer ses performances et d'évaluer sa robustesse.
 
Les réseaux neuronaux (RN) sont des outils non linéaires issus de la branche de l'intelligence artificielle de l'informatique qui peuvent être utilisés dans l'analyse financière et les prévisions, en particulier pour les prédictions à court terme. Ils offrent une alternative utile aux méthodes traditionnelles telles que l'analyse discriminante et la régression, notamment lorsqu'il s'agit d'explorer des modèles non linéaires ou inconnus dans des ensembles de données massifs et parfois incomplets. Les puissants NN ont toutefois des limites importantes. Les résultats sont parfois non pas robustes, mais spécifiques à l'entraînement, et difficiles à reproduire. Le tri de catégories adjacentes telles que les cotes des obligations est souvent sujet à des taux d'erreur élevés. Les logiciels utilisés pour traiter les NNs sont disponibles, mais les applications peuvent devenir longues et coûteuses en fonction de la taille de l'ensemble de données et de la complexité du NN.
 
La fiabilité est un problème bien connu dans les environnements HPC actuels et devrait devenir encore plus difficile dans la prochaine génération de systèmes à l'échelle du péta. Les approches actuelles de tolérance aux pannes (par exemple, les mécanismes de point de contrôle/redémarrage) étant considérées comme inefficaces en raison de problèmes de performance et d'évolutivité, des approches améliorées de tolérance aux pannes telles que l'évitement proactif des pannes (PFA) sont actuellement à l'étude. L'approche PFA est basée sur la prédiction et la migration des pannes afin de réduire à la fois l'impact des pannes sur les applications et le temps de récupération. Dans ce document, nous explorons l'utilisation des techniques de réseaux neuronaux artificiels (ANNs) pour améliorer la prédiction des défauts dans un contexte de PFA. En formant initialement le réseau feed-forward avec un algorithme d'apprentissage supervisé de rétropropagation, ce réseau est ensuite alimenté avec des données historiques de capteurs IPMI collectées à partir de notre cluster. Les résultats montrent une amélioration des performances de prédiction par rapport à l'approche précédente de "déclenchement par seuils".
 

Stock market decision making is a very challenging and difficult task of �financial data prediction. Prediction about stock market with high accuracy movement yield pro�fit for investors of the stocks. Because of the complexity of stock market �financial data, development of efficient models for prediction decision is very difficult and it must be accurate. This study attempted to develop models for prediction of the stock market and to decide whether to buy/hold the stock using data mining and machine learning techniques. The machine learning technique like Naive Bayes, k-Nearest Neighbor(k-NN), Support Vector Machine(SVM), Arti�cial Neural Network(ANN) and Random Forest has been used for developing of prediction model. Technical indicators are calculated from the stock prices based on time-line data and it is used as inputs of the proposed prediction models. Ten years of stock market data has been used for signal prediction of stock. Based on the data set, these models are capable to generate buy/hold signal for stock market as a output. The main goal of this project is to generate output signal(buy/hold) as per users requirement like amount to be invested, time duration for investment, minimum profit, maximum loss using data mining and machine learning techniques.



 

In this work we present an Artificial Neural Network (ANN) approach to predict stock market indices. In particular, we focus our attention on their trend movement up or down. We provide results of experiments exploiting different Neural Networks architectures, namely the Multi-layer Perceptron (MLP), the Convolutional Neural Networks (CNN), and the Long Short-Term Memory (LSTM) recurrent neural networks technique. We show importance of choosing correct input features and their preprocessing for learning algorithm. Finally we test our algorithm on the S&P500 and FOREX EUR/USD historical time series, predicting trend on the basis of data from the past n days, in the case of S&P500, or minutes, in the FOREX framework. We provide a novel approach based on combination of wavelets and CNN which outperforms basic neural networks approaches.


 

The Global Financial Crisis of 2007-2008 wiped out US$37 trillions across global financial markets, this value is equivalent to the combined GDPs of the United States and the European Union in 2014. The defining moment of this crisis was the failure of Lehman Brothers, which precipitated the October 2008 crash and the Asian Correction (March 2009). Had the Federal Reserve seen these crashes coming, they might have bailed out Lehman Brothers, and prevented the crashes altogether. In this paper, we show that some of these market crashes (like the Asian Correction) can be predicted, if we assume that a large number of adaptive traders employing competing trading strategies. As the number of adherents for some strategies grow, others decline in the constantly changing strategy space. When a strategy group grows into a giant component, trader actions become increasingly correlated and this is reflected in the stock price. The fragmentation of this giant component will leads to a market crash. In this paper, we also derived the mean-field market crash forecast equation based on a model of fusions and fissions in the trading strategy space. By fitting the continuous returns of 20 stocks traded in Singapore Exchange to the market crash forecast equation, we obtain crash predictions ranging from end October 2008 to mid-February 2009, with early warning four to six months prior to the crashes.


 
Ces diagrammes explorent l'utilisation de la notion de réseau relationnel de Sydney Lamb pour la linguistique afin de représenter la structure logique d'une collection complexe de paysages d'attracteurs (comme dans le compte rendu de Walter Freeman sur la neurodynamique). Étant donné un système suffisamment grand, comme le système nerveux d'un vertébré, on pourrait penser que l'attracteur net est lui-même un système dynamique, d'un ordre plus élevé que celui des systèmes dynamiques réalisés au niveau neuronal. Les constructions comprennent : la variété (héritage "is-a"), les mouvements simples, le comptage et la notation des lieux, l'orientation dans le temps et l'espace, le langage, l'apprentissage.
 

Effectiveness of the use of neural-net technology for the solving of shell theory problems is shown. Some results of neural-net interpolation and extrapolation for direct and inverse problems are discussed. Exact accuracy of neural-net solving opens wide latitude for shell constructions engineering design and optimization.


 

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...1718192021222324252627
Nouveau commentaire