Redes Neurais - página 22

Novo comentário
 
A previsão financeira é uma tarefa difícil devido à complexidade intrínseca do sistema financeiro. Uma abordagem simplificada na previsão é dada por métodos de "caixa preta" como as redes neurais que assumem pouco sobre a estrutura da economia. No presente trabalho, relacionamos nossa experiência usando redes neurais como método de previsão de séries temporais financeiras. Em particular, mostramos que uma rede neural capaz de prever o sinal dos aumentos de preços com uma taxa de sucesso ligeiramente acima de 50% pode ser encontrada. As séries-alvo são o preço de fechamento diário de diferentes ativos e índices durante o período de aproximadamente janeiro de 1990 a fevereiro de 2000.
 
Propomos um novo método para prever os movimentos no mercado Forex baseado na rede neural NARX com técnica de ensacamento por deslocamento de tempo e indicadores financeiros, tais como índice de força relativa e indicadores estocásticos. As redes neurais têm capacidade de aprendizagem proeminente, mas freqüentemente apresentam um desempenho ruim e imprevisível para dados ruidosos. Quando comparado com as redes neurais estáticas, nosso método reduz significativamente a taxa de erro da resposta e melhora o desempenho da previsão. Testamos três tipos diferentes de arquitetura para prever a resposta e determinamos a melhor abordagem de rede. Aplicamos nosso método para prever as taxas de câmbio horárias e encontramos uma previsibilidade notável em experiências abrangentes com 2 taxas de câmbio diferentes (GBPUSD e EURUSD).

 
 
Apesar de terem alta precisão, as redes neurais têm se mostrado suscetíveis a exemplos adversos, onde uma pequena perturbação a um input pode fazer com que ele se torne mal etiquetado. Propomos métricas para medir a robustez de uma rede neural e concebemos um novo algoritmo para aproximar essas métricas com base em uma codificação da robustez como um programa linear. Mostramos como nossas métricas podem ser usadas para avaliar a robustez de redes neurais profundas com experimentos nos conjuntos de dados MNIST e CIFAR-10. Nosso algoritmo gera estimativas mais informativas da métrica de robustez em comparação com as estimativas baseadas nos algoritmos existentes. Além disso, mostramos como as abordagens existentes para melhorar a robustez "se ajustam" a exemplos contraditórios gerados usando um algoritmo específico. Finalmente, mostramos que nossas técnicas podem ser usadas para melhorar adicionalmente a robustez da rede neural, tanto de acordo com as métricas que propomos, como também de acordo com as métricas propostas anteriormente.
 
seekers_:
Interessante. Obrigado :)
 

Effectiveness of firefly algorithm based neural network in time series forecasting

 

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.



 

In this paper we investigate and design the neural networks model for FOREX prediction based on the historical data movement of USD/EUR exchange rates. Unlike many other techniques of technical analysis which are based on price trends analysis, neural networks offer autocorrelation analysis and the estimation of possible errors in forecasting. This theory is consistent with the semi-strong form of the efficient markets hypothesis. The empirical data used in the model of neural networks are related to the exchange rate USD/EUR in the period 23.04.2012–04.05.2012. The results shows that the model can be used for FOREX prediction.


 

Neural networks are known to be effective function approximators. Recently, deep neural networks have proven to be very effective in pattern recognition, classification tasks and human-level control to model highly nonlinear realworld systems. This paper investigates the effectiveness of deep neural networks in the modeling of dynamical systems with complex behavior. Three deep neural network structures are trained on sequential data, and we investigate the effectiveness of these networks in modeling associated characteristics of the underlying dynamical systems. We carry out similar evaluations on select publicly available system identification datasets. We demonstrate that deep neural networks are effective model estimators from input-output data


 

This study presents a novel application and comparison of higher order neural networks (HONNs) to forecast benchmark chaotic time series. Two models of HONNs were implemented, namely functional link neural network (FLNN) and pi-sigma neural network (PSNN). These models were tested on two benchmark time series; the monthly smoothed sunspot numbers and the Mackey-Glass time-delay differential equation time series. The forecasting performance of the HONNs is compared against the performance of different models previously used in the literature such as fuzzy and neural networks models. Simulation results showed that FLNN and PSNN offer good performance compared to many previously used hybrid models.


1...15161718192021222324252627
Novo comentário