Reti neurali - pagina 24

Nuovo commento
 

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 costruzione di un modello di rete neurale computazionale feedforward (CNN) comporta due compiti distinti: la determinazione della topologia della rete e la stima dei pesi. La specificazione di una topologia di rete adeguata al problema è una questione chiave e l'obiettivo primario di questo contributo. Fino ad ora, questo problema è stato completamente trascurato nei domini applicativi spaziali, o affrontato da euristiche di ricerca (vedi Fischer e Gopal 1994). Con l'obiettivo di modellare le interazioni nello spazio geografico, questo articolo considera questo problema come un problema di ottimizzazione globale e propone un nuovo approccio che incorpora l'apprendimento di backpropagation nel paradigma evolutivo degli algoritmi genetici. Questo viene realizzato intrecciando una ricerca genetica per trovare una topologia CNN ottimale con l'apprendimento backpropagation basato sul gradiente per determinare i parametri della rete. Così, il costruttore del modello sarà sollevato dall'onere di identificare le topologie CNN appropriate che permetteranno di risolvere un problema con meccanismi di apprendimento semplici, ma potenti, come la backpropagation degli errori di discesa del gradiente. L'approccio è stato applicato alla famiglia di modelli CNN a tre ingressi, singolo strato nascosto, singola uscita feedforward utilizzando i dati di traffico interregionale delle telecomunicazioni per l'Austria, per illustrare le sue prestazioni e valutare la sua robustezza.
 
Le reti neurali (NN) sono strumenti non lineari del ramo dell'intelligenza artificiale dell'informatica che possono essere utilizzati nell'analisi finanziaria e nelle previsioni, specialmente per le previsioni a breve termine. Offrono un'utile alternativa ai metodi tradizionali come l'analisi discriminante e la regressione, specialmente quando si esplorano modelli non lineari o sconosciuti in serie di dati massicce e talvolta incomplete. Le potenti NN hanno grandi limitazioni. I risultati a volte non sono robusti, ma specifici dell'addestramento e difficili da replicare. L'ordinamento di categorie adiacenti come i rating delle obbligazioni è spesso soggetto ad alti tassi di errore. Il software usato per elaborare le NN è disponibile, ma le bapplicazioni possono diventare lunghe e costose a seconda della dimensione del set di dati e della complessità della NN.
 
L'affidabilità è un problema ben noto negli ambienti HPC di oggi e ci si aspetta che diventi ancora più impegnativo nella prossima generazione di sistemi su scala peta. Poiché gli attuali approcci di tolleranza ai guasti (ad esempio, i meccanismi di checkpoint/restart) sono considerati inefficienti a causa di problemi di prestazioni e scalabilità, approcci di tolleranza ai guasti migliorati come il Proactive Fault Avoidance (PFA) sono oggi sotto esame. L'approccio PFA si basa sulla previsione e la migrazione dei guasti al fine di ridurre sia l'impatto dei guasti sulle applicazioni che il tempo di recupero. In questo documento, esploriamo l'uso di tecniche di Reti Neurali Artificiali (ANNs) per migliorare la previsione dei guasti in un contesto PFA. Inizialmente addestrando la rete feed-forward con un algoritmo di apprendimento supervisionato di back propagation, questa rete viene poi alimentata con dati storici del sensore IPMI raccolti dal nostro cluster. I risultati mostrano un miglioramento delle prestazioni di previsione rispetto al precedente approccio di "innesco delle soglie".
 

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.


 
Questi diagrammi esplorano l'uso della nozione di rete relazionale di Sydney Lamb per la linguistica per rappresentare la struttura logica di complesse collezioni di paesaggi attrattivi (come nel racconto di Walter Freeman sulla neurodinamica). Dato un sistema sufficientemente grande, come il sistema nervoso dei vertebrati, si potrebbe pensare che l'attrattore net sia esso stesso un sistema dinamico, uno di ordine superiore a quello dei sistemi dinamici realizzati a livello neuronale. Le costruzioni includono: varietà (eredità "is-a"), movimenti semplici, conteggio e notazione dei luoghi, orientamento nel tempo e nello spazio, linguaggio, apprendimento.
 

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
Nuovo commento