Réseaux neuronaux - page 25

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.


 
Prédire le comportement du marché pour tirer profit de la négociation d'actions est loin d'être trivial. Une telle tâche devient encore plus difficile lorsque les investisseurs ne disposent pas de grandes sommes d'argent et ne peuvent donc pas influencer ce système complexe de quelque manière que ce soit. Les paradigmes d'apprentissage automatique ont déjà été appliqués aux prévisions financières, mais généralement sans restriction quant à la taille du budget de l'investisseur. Dans cet article, nous analysons un optimiseur de portefeuille évolutionnaire pour la gestion de budgets limités, en disséquant chaque partie du cadre, en discutant en détail les questions et les motivations qui ont conduit aux choix finaux. Les rendements attendus sont modélisés à l'aide de réseaux de neurones artificiels entraînés sur des données de marché antérieures, et la composition du portefeuille est choisie par approximation de la solution d'un problème contraint multi-objectif. Un simulateur d'investissement est finalement utilisé pour mesurer la performance du portefeuille. L'approche proposée est testée sur des données réelles des bourses de New York, Milan et Paris, en exploitant les données de juin 2011 à mai 2014 pour entraîner le cadre, et les données de juin 2014 à juillet 2015 pour le valider. Les résultats expérimentaux démontrent que l'outil présenté est capable d'obtenir un bénéfice plus que satisfaisant pour la période considérée.
 

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.


 

Développement d'indicateurs de réseaux neuronaux

Bonjour !

J'essaie de créer des indicateurs de réseaux neuronaux pour Metatrader4, et j'aimerais avoir quelques suggestions, surtout en ce qui concerne les entrées et sorties du réseau, et peut-être la structure ou le type de réseau que vous considérez comme le meilleur pour cette application.

Pour autant que je sache, les meilleures sorties pour la prévision des séries financières sont la prévision de la fourchette de prix, la prévision des sommets ou des creux, et ce genre de choses. Prévoir directement le prix (ouverture, fermeture) ne donne pas de bons résultats pour de nombreuses raisons, par exemple un petit décalage dans le temps entre l'heure d'ouverture et l'heure de fermeture pourrait changer considérablement leurs valeurs.

Si quelqu'un a une suggestion, je serai heureux de l'écouter et de l'essayer.

A propos, je ne suis pas un expert en programmation de réseaux neuronaux, j'ai juste une bonne idée générale sur le sujet =P.

Merci d'avance,

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.


 
Cet article étudie s'il est possible d'exploiter le comportement non linéaire des rendements quotidiens de l'indice boursier espagnol Ibex-35 pour améliorer les prévisions sur des horizons courts et longs. Dans ce sens, nous examinons les performances de prévision hors échantillon des modèles autorégressifs à transition lisse (STAR) et des réseaux de neurones artificiels (ANN). Nous utilisons des méthodes de prévision à une étape (obtenues en utilisant des régressions récursives et non récursives) et à plusieurs étapes. Les prévisions sont évaluées à l'aide de critères statistiques et économiques. En ce qui concerne les critères statistiques, nous avons comparé les prévisions hors échantillon en utilisant des mesures de qualité des prévisions et diverses approches de test. Les résultats indiquent que les ANN surpassent systématiquement le modèle de marche aléatoire et, bien que la preuve en soit plus faible, fournissent de meilleures prévisions que le modèle AR linéaire et les modèles STAR pour certains horizons de prévision et certaines méthodes de prévision. En ce qui concerne les critères économiques, nous évaluons la performance relative des prévisions dans une stratégie de trading simple, y compris l'impact des coûts de transaction sur les bénéfices de la stratégie de trading. Les résultats indiquent une meilleure adéquation des modèles ANN, en termes de rendement net moyen et de ratio de Sharpe ajusté au risque, en utilisant des prévisions à un pas en avant. Ces résultats montrent qu'il y a de bonnes chances d'obtenir un ajustement et une prévision plus précis des rendements quotidiens des indices boursiers en utilisant des prédicteurs one-step-ahead et des modèles non linéaires, mais que ceux-ci sont intrinsèquement complexes et présentent une interprétation économique difficile.
 
Nous prédisons les marchés boursiers en utilisant les informations contenues dans les articles publiés sur le Web. Nous prenons en entrée des articles essentiellement textuels parus dans les journaux financiers les plus importants et les plus influents. Ces articles permettent de prédire les valeurs de clôture quotidiennes des principaux indices boursiers en Asie, en Europe et en Amérique. Les déclarations textuelles contiennent non seulement l'effet (par exemple, des actions en baisse) mais aussi les causes possibles de l'événement (par exemple, des actions en baisse à cause de la faiblesse du dollar et par conséquent un affaiblissement des bons du trésor). L'exploitation des informations textuelles augmente donc la qualité de l'entrée. Les prévisions sont disponibles en temps réel via www.cs.ust.hk/~beat/Predict tous les jours à 7 h 45, heure de Hong Kong. Toutes les prévisions sont donc disponibles avant le début des transactions sur les principaux marchés asiatiques. Plusieurs techniques, telles que l'algorithme basé sur des règles, l'algorithme k-NN et le réseau neuronal, ont été utilisées pour produire les prévisions. Ces techniques sont comparées les unes aux autres. Une stratégie de trading basée sur le système...
 
Sur la base de la tendance du développement financier de la Chine au cours des dernières années et de l'analyse statistique de la ligne de tendance, cet article établit une stratégie de trading quantitative par le biais de l'algorithme du réseau neuronal BP et du discriminant linéaire de Fisher. Tout d'abord, les données sont régressées linéairement en lignes de tendance de longueur égale et la pente est floutée pour construire la matrice de la tendance à la hausse et à la baisse. Ensuite, nous utilisons l'algorithme de réseau neuronal BP et le discriminant linéaire de Fisher pour effectuer la prévision des prix respectivement et prendre en compte le comportement des transactions, et nous prenons comme exemple les contrats à terme sur l'indice boursier 300 de Shanghai et de Shenzhen pour effectuer le back test. Les résultats montrent que, premièrement, la tendance initiale des prix est bien conservée par l'ajustement ; deuxièmement, la rentabilité et la capacité de contrôle des risques du système de négociation sont améliorées par l'optimisation de la formation du réseau neuronal et du discriminant linéaire de Fisher.
 

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 met en œuvre des méthodes d'exploration de données sous la forme d'un ensemble de fonctions. Celles-ci peuvent être intégrées dans d'autres outils logiciels en utilisant une interface de programmation d'applications (API) pour l'interaction entre l'outil logiciel et les tâches d'analyse prédictive. À cet égard, il n'existe pas d'interface utilisateur graphique, mais certaines fonctions peuvent permettre l'intégration d'outils de visualisation spécifiques.

Le principal avantage d'OpenNN est sa haute performance. Cette bibliothèque se démarque en termes de vitesse d'exécution et d'allocation de mémoire. Elle est constamment optimisée et parallélisée afin de maximiser son efficacité.

http://www.opennn.net/
 

Réseau neuronal

Réseau neuronal : fils de discussion/développement

  1. Fil de discussion sur le développement de Better NN EA avec des indicateurs, des fichiers pdf, etc.
  2. Fil de discussion sur la version finale de Better NN EA
  3. Fil de discussion sur les réseaux neuronaux (bonne discussion publique)
  4. Comment construire un NN-EA dans MT4 : fil dediscussion utile pour les développeurs.
  5. Radial Basis Network (RBN) - As Fit Filter For Price :le fil de discussion

Réseau neuronal : Développement d'indicateurs et de systèmes

  1. Self-trained MA cross! :fil de développement pour la nouvelle génération des indicateurs
  2. Algorithme de Levenberg-Marquardt :fil de développement

Réseau neuronal : EAs

  1. CyberiaTrader EA :fil de discussion etfil des EAs.
  2. Fil de discussion sur les experts en auto-apprentissage avec les fichiers d'EAsici.
  3. Fil de discussionsur les EA d'intelligence artificielle : Comment "enseigner" et utiliser l'EA d'intelligence artificielle ("neurone") etfil de discussion sur l' intelligence artificielle.
  4. Fil de discussion sur l'EA et l'indicateur Forex_NN_Expert.
  5. SpiNNaker - Unfil de discussion sur les réseaux neuronaux.

Réseau neuronal : Les livres

  1. Que lire et où apprendre sur l'apprentissage automatique (10 livres gratuits) - lepost.

1...18192021222324252627
Nouveau commentaire