Redes Neurais - página 21

Novo comentário
 

Previsor de BPNN


Arquivos anexados:
BPNN.zip  53 kb
 
A previsão do retorno do mercado de ações é uma questão importante nas finanças. O objetivo deste trabalho é investigar a rentabilidade do uso de artificial redes neurais(ANNs). Neste estudo, as previsões das ANNs são transformadas em uma simples estratégia comercial, cuja rentabilidade é avaliada em relação a uma simples estratégia de "buy-hold". Adotamos a abordagem de redes neurais para analisar o Taiwan Weighted Index e o S&P 500 nos Estados Unidos. Consequentemente, descobrimos que a regra comercial baseada nas ANNs gera retornos mais altos do que a estratégia de buy-hold.
 
tampa_:

Previsor de BPNN


Não está usando dados futuros?
 
Redes neurais artificiais podem ser adequadamente caracterizadas como modelos computacionais com propriedades particulares, tais como a capacidade de se adaptar ou aprender a generalizar ou agrupar ou organizar dados e qual operação é baseada em processamento paralelo No entanto, muitas das propriedades acima mencionadas podem ser atribuídas a modelos não neurais existentes, a questão intrigante é até que ponto a abordagem neural se mostra mais adequada para certas aplicações do que os modelos existentes
Arquivos anexados:
An introduction to Neural Networks.pdf  1338 kb
 
Os mercados eletrônicos surgiram como locais populares para a negociação de uma grande variedade de ativos financeiros, e computer baseado em algoritmos de negociação também se afirmou como uma força dominante nos mercados financeiros em todo o mundo. Identificar e compreender o impacto do comércio algorítmico nos mercados financeiros tornou-se uma questão crítica para os operadores de mercado e reguladores. Propomos caracterizar o comportamento dos comerciantes em termos das funções de recompensa mais prováveis de ter dado origem às ações comerciais observadas. Nossa abordagem é modelar as decisões de negociação como um Processo de Decisão Markov (MDP), e utilizar observações de uma política de decisão ótima para encontrar a função de recompensa. Isto é conhecido como Aprendizado de Reforço Inverso (IRL). Nossa abordagem baseada em IRL para caracterizar o comportamento do negociador estabelece um equilíbrio entre duas características desejáveis, na medida em que captura as principais propriedades empíricas da dinâmica do livro de pedidos e ainda permanece computacionalmente rastreável. Usando um algoritmo IRL baseado em programação linear, somos capazes de alcançar mais de 90% de precisão de classificação ao distinguir alta freqüência de negociação de outras estratégias de negociação em experimentos em um mercado futuro simulado E-Mini S&P 500. Os resultados destes testes empíricos sugerem que as estratégias de negociação de alta freqüência podem ser identificadas com precisão e perfiladas com base em observações de ações comerciais individuais.
 
Modelos de atração são muito populares na pesquisa de marketing para estudar os efeitos dos instrumentos de marketing sobre as quotas de mercado. Entretanto, até agora a literatura de marketing considera apenas modelos de atração com certas formas funcionais que excluem os efeitos de limiar ou saturação sobre os valores de atração. Podemos alcançar maior exibilidade utilizando a abordagem baseada na rede neural introduzida aqui. Esta abordagem avalia os valores de atração das marcas por meio de um perceptron com uma camada oculta. A abordagem utiliza log-ratio transformado de quotas de mercado como variáveis dependentes. A descida do gradiente estocástico seguida por um método quase Newton estima parâmetros. Para dados de nível de armazenamento, os modelos de rede neural têm melhor desempenho e implicam uma resposta de preço que é qualitativamente diferente do conhecido modelo de atração logarítmica multinomial. As elasticidades de preço dos modelos de atração da rede neural também levam a implicações gerenciais específicas em termos de preços ótimos. (resumo do autor)
 

Existe algum código que programe o processo de otimização? para que possamos automatizar a otimização.

lógica.

0) fazer somente no fim de semana.

1) definir parâmetros nestes intervalos, 0. 200 e com o passo 1.

2) obter o resultado da otimização

3) arredondamento do resultado do fator lucros, para 1,0 dígitos, de modo que 7,4=7 e 7,5 = 8.

4) então selecione o menor número de negociação no catagori da faixa de fatores de lucro de nível 2, que é o resultado de otimização que eu quero.

5) colocar a nova configuração na EA especializada e correr para a próxima semana.

A parte de otimização pode ser codificada?

 
Os últimos anos testemunharam o avanço dos sistemas algorítmicos automatizados trading como soluções institucionais na forma de autobots, caixas negras ou consultores especializados. No entanto, poucas pesquisas foram feitas nesta área com evidências suficientes para mostrar a eficiência destes sistemas. Este documento constrói um sistema comercial automatizado que implementa um modelo otimizado de rede neural de algoritmos genéticos (GANN) com conceitos cibernéticos e avalia o sucesso usando uma estrutura de valor em risco modificado (MVaR). O motor cibernético inclui um recurso de controle de feedback causal circular e um estimador de relação de ouro desenvolvido, que pode ser aplicado a qualquer forma de dados de mercado no desenvolvimento de modelos de preços de risco. O papel aplica as taxas de câmbio do euro e do iene como entrada de dados. É mostrado que a técnica é útil como um sistema de controle de negociação e volatilidade para instituições incluindo a política monetária do banco central como uma estratégia de minimização de risco. Além disso, os resultados são alcançados dentro de um prazo de 30 segundos para uma estratégia de negociação intra-semana, oferecendo um desempenho de latência relativamente baixo. Os resultados mostram que as exposições ao risco são reduzidas de quatro a cinco vezes com uma taxa máxima de sucesso possível de 96%, fornecendo evidências para mais pesquisas e desenvolvimento nesta área.
 
O estudo das Redes Neurais Artificiais deriva dos primeiros ensaios para traduzir em modelos matemáticos os princípios do "processamento" biológico. Uma Rede Neural Artificial trata da geração, nos tempos mais rápidos, de um modelo implícito e preditivo da evolução de um sistema. Em particular, deriva da experiência sua capacidade de ser capaz de reconhecer alguns comportamentos ou situações e de "sugerir" como levá-los em conta. Este trabalho ilustra uma abordagem para o uso de Redes Neurais Artificiais para Modelagem Financeira; nosso objetivo é explorar as diferenças estruturais (e implicações) entre modelos de um e múltiplos agentes e populações. Nos modelos de uma população, as ANNs estão envolvidas como dispositivos de previsão com agentes maximizadores de riqueza (nos quais os agentes tomam decisões para alcançar uma maximização da utilidade seguindo modelos não lineares para fazer previsões), enquanto nos modelos de múltiplas populações os agentes não seguem regras pré-determinadas, mas tendem a criar suas próprias regras de comportamento à medida que os dados de mercado são coletados. Em particular, é importante analisar as diversidades entre os modelos de um agente e de uma população; de fato, na construção do modelo de uma população é possível ilustrar endogenamente o equilíbrio do mercado, o que não é possível no modelo de um agente, onde todas as características ambientais são tomadas como dadas e além do controle do agente único. Uma aplicação particular que pretendemos estudar é aquela relativa ao "perfil do cliente", na qual (com base nas relações pessoais e diretas) o comportamento de "compra" de cada cliente pode ser definido, fazendo uso de modelos de inferência comportamental como os oferecidos pelas Redes Neurais Artificiais muito melhor do que as metodologias estatísticas tradicionais<br / translate="no">
 

Como está funcionando a AI ea?

1...1415161718192021222324252627
Novo comentário