Redes Neurais - página 23

[John Seekers]

In this paper, a novel decision support system using a computational efficient functional link artificial neural network (CEFLANN) and a set of rules is proposed to generate the trading decisions more effectively. Here the problem of stock trading decision prediction is articulated as a classification problem with three class values representing the buy, hold and sell signals. The CEFLANN network used in the decision support system produces a set of continuous trading signals within the range 0 to 1 by analyzing the nonlinear relationship exists between few popular technical indicators. Further the output trading signals are used to track the trend and to produce the trading decision based on that trend using some trading rules. The novelty of the approach is to engender the profitable stock trading decision points through integration of the learning ability of CEFLANN neural network with the technical analysis rules. For assessing the potential use of the proposed method, the model performance is also compared with some other machine learning techniques such as Support Vector Machine (SVM), Naive Bayesian model, K nearest neighbor model (KNN) and Decision Tree (DT) model.

[John Seekers]

The motivation behind this research is to innovatively combine new methods like wavelet, principal component analysis (PCA), and artificial neural network (ANN) approaches to analyze trade in today’s increasingly difficult and volatile financial futures markets. The main focus of this study is to facilitate forecasting by using an enhanced denoising process on market data, taken as a multivariate signal, in order to deduct the same noise from the open-high-low-close signal of a market. This research offers evidence on the predictive ability and the profitability of abnormal returns of a new hybrid forecasting model using Wavelet-PCA denoising and ANN (named WPCA-NN) on futures contracts of Hong Kong’s Hang Seng futures, Japan’s NIKKEI 225 futures, Singapore’s MSCI futures, South Korea’s KOSPI 200 futures, and Taiwan’s TAIEX futures from 2005 to 2014. Using a host of technical analysis indicators consisting of RSI, MACD, MACD Signal, Stochastic Fast %K, Stochastic Slow %K, Stochastic %D, and Ultimate Oscillator, empirical results show that the annual mean returns of WPCA-NN are more than the threshold buy-and-hold for the validation, test, and evaluation periods; this is inconsistent with the traditional random walk hypothesis, which insists that mechanical rules cannot outperform the threshold buy-and-hold. The findings, however, are consistent with literature that advocates technical analysis.

[John Seekers]

O câmbio de moedas é a troca de uma moeda contra outra. As taxas FOREX são influenciadas por muitos fatores econômicos, políticos e psicológicos correlacionados e, portanto, prever que é uma tarefa árdua. Alguns métodos para prever a taxa FOREX incluem análise estatística, análise de séries cronológicas, sistemas fuzzy, redes neurais e sistemas híbridos. Estes métodos sofrem com o problema de prever com precisão a troca. Uma Rede Neural Artificial (ANN) e um sistema híbrido Neuro-Fuzzy (ANFIS) são propostos para prever a taxa futura do mercado FOREX. O MLP é usado para prever o aumento ou queda da taxa de câmbio enquanto o modelo ANFIS é usado para prever a taxa de câmbio para o dia seguinte. Para a experiência, é usada a taxa de câmbio USDINR do mercado forex. O erro quadrático médio (MSE) e o erro médio absoluto (MAE) são usados como indicadores de desempenho. A ANN alcançou um MSE de 0,033 e MAE de 0,0002 durante o treinamento enquanto o modelo ANFIS alcançou um MSE de 0,024 e um MAE de 6,7x10-8. A ANN alcançou um MSE de 0,003 e MAE de 0,00082 enquanto o modelo ANFIS alcançou um MSE de 0,02 e MAE de 0,00792 durante a fase de testes.

[John Seekers]

A literatura de marketing até agora só considera modelos de atração com formas funcionais estritas. Uma maior exibilidade pode ser alcançada pela abordagem baseada na rede neural introduzida que avalia os valores de atração das marcas por meio de um perceptron com uma camada oculta. Usando log-ratio transformou as quotas de mercado como variáveis dependentes de descida de gradiente estocástico seguido por um método quasi-Newton de estimativa de parâmetros. Para dados de nível de armazenamento, o modelo de rede neural tem melhor desempenho e implica em uma resposta de preço qualitativamente diferente do conhecido modelo de atração MNL. As elasticidades de preço destes modelos concorrentes também levam a implicações gerenciais específicas. (resumo do autor)

[John Seekers]

This paper propose that the combination of smoothing approach taking into account the entropic information provided by Renyi method, has an acceptable performance in term of forecasting errors. The methodology of the proposed scheme is examined through benchmark chaotic time series, such as Mackay Glass, Lorenz, Henon maps, the Lynx and rainfall from Santa Francisca series, with addition of white noise by using neural networks-based energy associated (EAS) predictor filter modified by Renyi entropy of the series. In particular, when the time series is short or long, the underlying dynamical system is nonlinear and temporal dependencies span long time intervals, in which this are also called long memory process. In such cases, the inherent nonlinearity of neural networks models and a higher robustness to noise seem to partially explain their better prediction performance when entropic information is extracted from the series. Then, to demonstrate that permutation entropy is computationally efficient, robust to outliers, and effective to measure complexity of time series, computational results are evaluated against several non-linear ANN predictors proposed before to show the predictability of noisy rainfall and chaotic time series reported in the literature.

[John Seekers]

W e propose a forecasting procedure based on multivariate kernels dinâmicos, com a capacidade de integrar informações medidas em frequências different e em tempo irregular interv als em mercados financial. Um processo de compressão de dados redefines a série cronológica original financial em blocos de dados temporais, analisando as informações temporais de múltiplos intervalos de tempo interv als. A análise é feita através de múltiplos kernels dinâmicos ariate dentro da regressão vetorial de suporte. W e também propõe dois kernels para as séries temporais financial que são computacionalmente efficient sem um sacrifice sobre exatidão. O efficacy da metodologia é demonstrado por experimentos empíricos sobre a previsão do desafiador mercado S&P500

[John Seekers]

This study presents a neural network & web-based decision support system (DSS) for foreign exchange (forex) forecasting and trading decision, which is adaptable to the needs of financial organizations and individual investors. In this study, we integrate the back-propagation neural network (BPNN)- based forex rolling forecasting system to accurately predict the change in direction of daily exchange rates, and the Web-based forex trading decision support system to obtain forecasting data and provide some investment decision suggestions for financial practitioners. This research reveals the structure of the DSS by the description of an integrated framework, and meantime we find that the DSS is integrated, user-oriented by its implementation, and practical applications reveal that this DSS demonstrates very high forecasting accuracy and its trading recommendations are reliable.

[John Seekers]

A injeção de ruídos é um método pronto para mitigar o excesso de ajuste em redes neurais (NNs). Os recentes desenvolvimentos na injeção de ruído Bernoulli, implementados nos procedimentos de dropout e shakeout, demonstram a eficiência e viabilidade da injeção de ruído na regularização de NNs profundos. Propomos whiteout, uma nova técnica de regularização através da injeção de Gaussiannoises adaptativos em um NN profundo. Whiteout oferece três parâmetros de afinação, oferecendo flexibilidade durante o treinamento de NNs. Mostramos que o whiteout está associado à função objetiva de otimização adeterminística no contexto de modelos lineares generalizados com um termo de penalidade de forma fechada e inclui laço, ridgeregression, laço adaptativo e rede elástica como casos especiais. Nós também demonstramos que o whiteout pode ser visto como um aprendizado robusto do modelo NN na presença de pequenas e insignificantes perturbações na entrada e nós ocultos. Comparado ao dropout, o whiteout tem melhor desempenho quando se trata de dados de treinamento de tamanhos relativamente pequenos com a esparsidade introduzida através do l1 regularização. Comparado ao shakeout, a função objetiva penalizada inwhiteout tem melhores comportamentos de convergência e é mais estável dada a continuidade dos ruídos injetados. Estabelecemos teoricamente que a função de perda empírica com whiteout então perturbada converge quase certamente para a função de perda ideal, e as estimativas dos parâmetros NN obtidos para a função de perda anterior são consistentes com aqueles obtidos para a função de perda ideal. Computacionalmente, o whiteout pode ser incorporado no algoritmo de retropropagação e é computacionalmente eficiente. A superioridade do whiteout sobre o dropout e shakeout no treinamentoNNs na classificação é demonstrada usando os dados do MNIST.

[John Seekers]

Enquanto a profundidade tende a melhorar o desempenho da rede, ela também dificulta o treinamento com base na graduação, uma vez que as redes mais profundas tendem a ser mais morenamente lineares. A abordagem de destilação de conhecimento recentemente proposta tem como objetivo atóbicar modelos pequenos e de rápida execução, e mostrou que uma rede de estudantes poderia imitar a saída suave de uma rede de professores maior ou um conjunto de redes. Neste artigo, estendemos esta idéia para permitir o treinamento de um aluno que é mais profundo e mais fino que o professor, utilizando não apenas a saída - mas também as representações intermediárias aprendidas pelo professor como dicas para melhorar o processo de treinamento e o desempenho final do aluno. Como a camada oculta intermediária do aluno será geralmente menor que a camada oculta do professor, parâmetros adicionais são introduzidos para mapear a camada oculta do aluno para a previsão da camada oculta do professor. Isto permite treinar alunos mais profundos que podem generalizar melhor ou correr mais rápido, atrade-off que é controlado pela capacidade do aluno escolhido. Por exemplo, o onCIFAR-10, uma rede de alunos profunda com quase 10,4 vezes menos parâmetros - tem um desempenho superior a uma rede de professores maior e de última geração.

[John Seekers]

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.