Redes Neurais - página 24

Novo comentário
 

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.


 
A construção de um modelo de rede neural computacional feedforward (CNN) envolve duas tarefas distintas: determinação da topologia da rede e estimativa de peso. Até agora, esta questão tem sido completamente negligenciada nos domínios de aplicações espaciais, ou abordada pela heurística de busca (ver Fischer e Gopal 1994). Com a visão de modelagem de interações no espaço geográfico, este artigo considera este problema como um problema de otimização global e propõe uma nova abordagem que incorpora o aprendizado da retropropagação no paradigma evolucionário dos algoritmos genéticos. Isto é conseguido entrelaçando a busca agenética para encontrar uma topologia CNN ótima com o aprendizado de retropropagação baseado em gradiente para determinar os parâmetros da rede. Assim, o construtor do modelo será aliviado do fardo de identificar topologias CNN apropriadas que permitirão resolver um problema com mecanismos de aprendizagem simples, mas poderosos, como a retropropagação de descendentes de gradientes. A abordagem foi aplicada à família de três entradas, uma única camada oculta, uma única saída de alimentação para modelos CNN utilizando dados de tráfego de telecomunicações inter-regionais para a Áustria, para ilustrar seu desempenho e para avaliar sua robustez.
 
As Redes Neurais (NN) são ferramentas não lineares do ramo de inteligência artificial da informática que podem ser utilizadas na análise e previsão financeira, especialmente para previsões a curto prazo. Elas oferecem uma alternativa útil aos métodos tradicionais, como análise e regressão discriminante, especialmente quando se explora padrões não lineares ou desconhecidos em conjuntos de dados maciços, às vezes incompletos. Os Poderosos NNs têm grandes limitações. Os resultados às vezes não são robustos, mas específicos do treinamento e difíceis de replicar. A classificação de categorias adjacentes, tais como classificação de títulos, está freqüentemente sujeita a altas taxas de erro. O software usado para processar os NNs está disponível, mas as baciloscopias podem se tornar demoradas e caras, dependendo do tamanho do conjunto de dados e da complexidade dos NNs.
 
A confiabilidade é uma questão bem conhecida nos ambientes HPC atuais e espera-se que se torne ainda mais desafiadora na próxima geração de sistemas em escala de peta. Como as abordagens atuais de tolerância a falhas (por exemplo, mecanismos de ponto de controle/reinício) são consideradas ineficientes devido a problemas de desempenho e escalabilidade, abordagens de tolerância a falhas melhoradas, como o Proactive Fault Avoidance (PFA), estão hoje sob investigação. A abordagem PFA é baseada na previsão de falhas e migração, a fim de reduzir tanto o impacto das falhas nas aplicações quanto o tempo de recuperação. Neste documento, exploramos o uso de técnicas de Redes Neurais Artificiais (ANNs) para a melhoria da previsão de falhas em um contexto de PFA. Ao treinar inicialmente a rede de alimentação para frente com um algoritmo de aprendizado supervisionado de propagação de retorno, esta rede é então alimentada com dados históricos de sensores IPMI coletados de nosso cluster. Os resultados mostram uma melhoria no desempenho da previsão em relação à abordagem anterior de "limiares de acionamento".
 

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.


 
Estes diagramas exploram o uso da noção de rede relacional de Sydney Lamb para representar a estrutura lógica da complexa coleção de paisagens atrativas (como no relato de Walter Freeman sobre neurodinâmica). Dado um sistema suficientemente grande, como um sistema nervoso vertebrado, pode-se pensar no atrativo net como sendo ele mesmo um sistema dinâmico, um sistema de ordem superior ao dos sistemas dinâmicos realizados em nível neuronal. As construções incluem: variedade ('is-a' herança), movimentos simples, notação de contagem e lugar, orientação no tempo e no espaço, linguagem, aprendizagem.
 

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
Novo comentário