Reti neurali - pagina 21

Nuovo commento
 

Predittore BPNN


File:
BPNN.zip  53 kb
 
La previsione dei rendimenti del mercato azionario è una questione importante nella finanza. Lo scopo di questo articolo è di investigare la redditività dell'uso di artificial reti neurali(ANNs). In questo studio, le previsioni ANNs sono trasformate in una semplice strategia di trading, la cui redditività è valutata contro una semplice strategia buy-hold. Adottiamo l'approccio della rete neurale per analizzare il Taiwan Weighted Index e lo S&P 500 negli Stati Uniti. Di conseguenza, troviamo che la regola di trading basata su ANNs genera rendimenti più alti rispetto alla strategia buy-hold.
 
tampa_:

Predittore BPNN


Non sta usando dati futuri?
 
Le reti neurali artificiali possono essere caratterizzate più adeguatamente come modelli computazionali con proprietà particolari come la capacità di adattarsi o imparare a generalizzare o a raggruppare o organizzare i dati e il cui funzionamento è basato sull'elaborazione parallela Tuttavia molte delle proprietà sopra menzionate possono essere attribuite a modelli non neurali esistenti la domanda intrigante è fino a che punto l'approccio neurale si dimostra più adatto a certe applicazioni rispetto ai modelli esistenti Ad oggi non si trova una risposta equivoca a questa domanda
 
I mercati elettronici sono emersi come luoghi popolari per la negoziazione di una vasta gamma di attività finanziarie, e il trading algoritmico basato su computer si è anche affermato come una forza dominante nei mercati finanziari di tutto il mondo. Identificare e comprendere l'impatto del trading algoritmico sui mercati finanziari è diventata una questione critica per gli operatori di mercato e i regolatori. Noi proponiamo di caratterizzare il comportamento dei trader in termini di funzioni di ricompensa che più probabilmente hanno dato origine alle azioni di trading osservate. Il nostro approccio consiste nel modellare le decisioni di trading come un processo decisionale di Markov (MDP), e utilizzare le osservazioni di una politica decisionale ottimale per trovare la funzione di ricompensa. Questo è noto come Inverse Reinforcement Learning(IRL). Il nostro approccio basato su IRL per caratterizzare il comportamento del trader trova un equilibrio tra due caratteristiche desiderabili, in quanto cattura le proprietà empiriche chiave delle dinamiche del libro degli ordini e tuttavia rimane computazionalmente trattabile. Utilizzando un algoritmo IRL basato sulla programmazione lineare, siamo in grado di raggiungere una precisione di classificazione superiore al 90% nel distinguere il trading ad alta frequenza da altre strategie di trading in esperimenti su un mercato simulato di futures E-Mini S&P 500. I risultati di questi test empirici suggeriscono che le strategie di trading ad alta frequenza possono essere accuratamente identificate e profilate sulla base di osservazioni di azioni di trading individuali.
 
I modelli di attrazione sono molto popolari nella ricerca di marketing per studiare gli effetti degli strumenti di marketing sulle quote di mercato. Tuttavia, finora la letteratura di marketing considera solo modelli di attrazione con certe forme funzionali che escludono effetti di soglia o saturazione sui valori di attrazione. Possiamo ottenere una maggiore flessibilità utilizzando l'approccio basato sulle reti neurali qui introdotto. Questo approccio valuta i valori di attrazione delle marche per mezzo di un perceptron con uno strato nascosto. L'approccio utilizza le quote di mercato trasformate in rapporto logico come variabili dipendenti. La discesa del gradiente stocastico seguita da un metodo quasi Newton stima i parametri. Per i dati a livello di negozio, i modelli a rete neurale funzionano meglio e implicano una risposta di prezzo che è qualitativamente diversa dal ben noto modello di attrazione logit multinomiale. Le elasticità di prezzo dei modelli di attrazione a rete neurale portano anche a specifiche implicazioni manageriali in termini di prezzi ottimali. (abstract dell'autore)
 

C'è qualche codice che programma il processo di ottimizzazione? in modo da poter automatizzare l'ottimizzazione.

logica.

0) fare solo nel fine settimana.

1) impostare i parametri in questa gamma, 0. 200 e con passo 1.

2) ottenere il risultato di ottimizzazione

3) arrotondare il risultato del fattore di profitto, a 1.0 cifre, in modo che 7.4=7 e 7.5 = 8.

4) poi selezionare il numero di trading più basso nel catagori del livello superiore 2 della gamma del fattore di profitto, che è il risultato di ottimizzazione che voglio.

5) mettere la nuova impostazione nell'esperto EA ed eseguire per la prossima settimana.

La parte di ottimizzazione può essere codificata?

 
Gli ultimi anni hanno visto l'avanzamento dei sistemi automatici algoritmici trading come soluzioni istituzionali sotto forma di autobot, black box o expert advisor. Tuttavia, poca ricerca è stata fatta in questo settore con prove sufficienti per dimostrare l'efficienza di questi sistemi. Questo articolo costruisce un sistema di trading automatizzato che implementa un modello ottimizzato di rete neurale ad algoritmo genetico (GANN) con concetti cibernetici e valuta il successo usando un quadro di valore a rischio modificato (MVaR). Il motore cibernetico include una funzione di controllo di feedback causale circolare e uno stimatore di golden-ratio sviluppato, che può essere applicato a qualsiasi forma di dati di mercato nello sviluppo di modelli di valutazione del rischio. L'articolo applica i tassi forex di Euro e Yen come dati di input. Si dimostra che la tecnica è utile come sistema di trading e di controllo della volatilità per le istituzioni che includono la politica monetaria della banca centrale come strategia di minimizzazione del rischio. Inoltre, i risultati sono raggiunti in un lasso di tempo di 30 secondi per una strategia di trading intra-settimanale, offrendo prestazioni di latenza relativamente basse. I risultati mostrano che le esposizioni al rischio sono ridotte da quattro a cinque volte con un tasso di successo massimo possibile del 96%, fornendo prove per ulteriori ricerche e sviluppi in questo settore.
 
Lo studio delle Reti Neurali Artificiali deriva dai primi tentativi di tradurre in modelli matematici i principi di "elaborazione" biologica. Una Rete Neurale Artificiale si occupa di generare, nei tempi più rapidi, un modello implicito e predittivo dell'evoluzione di un sistema. In particolare, deriva dall'esperienza la sua capacità di saper riconoscere alcuni comportamenti o situazioni e di "suggerire" come tenerne conto. Questo lavoro illustra un approccio all'uso delle Reti Neurali Artificiali per la modellazione finanziaria; ci proponiamo di esplorare le differenze strutturali (e le implicazioni) tra modelli a uno o più agenti e popolazioni. Nei modelli monopopolazione, le RNA sono coinvolte come dispositivi di previsione con agenti massimizzatori di ricchezza (in cui gli agenti prendono decisioni in modo da raggiungere una massimizzazione dell'utilità seguendo modelli non lineari per fare previsioni), mentre nei modelli multipopolazione gli agenti non seguono regole predeterminate, ma tendono a creare le proprie regole comportamentali man mano che i dati di mercato vengono raccolti. In particolare, è importante analizzare le diversità tra i modelli a un agente e a una popolazione; infatti, nella costruzione di un modello a una popolazione è possibile illustrare l'equilibrio di mercato in modo endogeno, cosa che non è possibile nel modello a un agente dove tutte le caratteristiche ambientali sono prese come date e fuori dal controllo del singolo agente. Una particolare applicazione che ci proponiamo di studiare è quella relativa alla "profilazione del cliente", in cui (sulla base di relazioni personali e dirette) è possibile definire il comportamento "d'acquisto" di ogni cliente, facendo uso di modelli di inferenza comportamentale come quelli offerti dalle Reti Neurali Artificiali molto meglio delle metodologie statistiche tradizionali<br / translate="no">
 

Come sta funzionando l'AI ea?

1...1415161718192021222324252627
Nuovo commento