Redes Neurais - página 25

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.


 
Prever o comportamento do mercado para lucrar com a comercialização de ações está longe de ser trivial. Tal tarefa torna-se ainda mais difícil quando os investidores não têm grandes quantias de dinheiro disponíveis e, portanto, não podem influenciar de forma alguma este complexo sistema. Os paradigmas de aprendizado de máquina já foram aplicados à previsão financeira, mas geralmente sem restrições quanto ao tamanho do orçamento do investidor. Neste documento, analisamos um otimizador evolutivo de portfólio para a gestão de orçamentos limitados, dissecando cada parte da estrutura, discutindo em detalhes as questões e as motivações que levaram às escolhas finais. Os retornos esperados são modelados recorrendo a redes neurais artificiais treinadas em dados de mercado passados, e a composição da carteira é escolhida aproximando-se a solução para um problema de restrição multiobjetivo. Um simulador de investimento é eventualmente usado para medir o desempenho da carteira. A abordagem proposta é testada em dados do mundo real das bolsas de Nova Iorque, Milão e Paris, explorando dados de junho de 2011 a maio de 2014 para treinar a estrutura, e dados de junho de 2014 a julho de 2015 para validá-la. Os resultados experimentais demonstram que a ferramenta apresentada é capaz de obter um lucro mais do que satisfatório durante o período de tempo considerado.
 

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. (c) 2013 Elsevier Ltd. All rights reserved.


 

Desenvolvimento de indicadores de redes neurais

Hi!

Estou tentando fazer alguns indicadores de rede neural para metatrader4, e gostaria de algumas sugestões, principalmente em relação a entradas e saídas da rede, e talvez a estrutura ou tipo de rede que você considera a melhor para esta aplicação.

Tanto quanto se sabe, os melhores resultados para a previsão de séries financeiras são a previsão da faixa de preços, a previsão do topo ou do fundo, e essa tubulação de coisas. A previsão direta do preço (aberto, fechado) não obtém bons resultados porque, por inúmeras razões, por exemplo, uma pequena mudança no tempo entre o tempo aberto e o tempo fechado poderia mudar seus valores de forma ponderada.

Se alguém tiver uma sugestão, terei prazer em ouvi-la e experimentá-la.

A propósito, não sou nenhum programador especializado em redes neurais, apenas tenho uma boa idéia geral sobre o assunto =P.

Obrigado de antemão,

JCC

 

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.


 
Este artigo estuda se é possível explorar o comportamento não-linear dos retornos diários do índice de ações espanhol Ibex-35 para melhorar as previsões em horizontes curtos e longos. Neste sentido, examinamos o desempenho de previsão fora da amostra dos modelos de autoregressão de transição suave (STAR) e redes neurais artificiais (ANNs). Usamos métodos de previsão em uma etapa (obtida usando regressões recursivas e não recursivas) e métodos de previsão com várias etapas. As previsões são avaliadas com critérios estatísticos e econômicos. Em termos de critérios estatísticos, comparamos as previsões fora da amostra usando a bondade das medidas de previsão e várias abordagens de teste. Os resultados indicam que as ANNs superam consistentemente o modelo de caminhada aleatória e, embora a evidência para isso seja mais fraca, fornecem melhores previsões do que o modelo AR linear e os modelos STAR para alguns horizontes de previsão e métodos de previsão. Em termos de critérios econômicos, avaliamos o desempenho relativo da previsão em uma estratégia comercial simples, incluindo o impacto dos custos de transação nos lucros da estratégia comercial. Os resultados indicam um melhor ajuste para os modelos ANN, em termos do retorno líquido médio e da relação Sharpe ajustada ao risco, usando previsões com uma etapa de avanço. Estes resultados mostram que há uma boa chance de obter um ajuste e previsão mais precisos dos retornos diários do índice de ações utilizando modelos com uma etapa de previsão e modelos não lineares, mas que estes são intrinsecamente complexos e apresentam uma interpretação econômica difícil.
 
Prevemos os mercados de ações utilizando informações contidas em artigos publicados na Web. A maioria dos artigos textuais que aparecem nos principais e mais influentes jornais financeiros é tomada como entrada. A partir desses artigos são previstos os valores diários de fechamento dos principais índices das bolsas de valores na Ásia, Europa e América. As declarações textuais contêm não apenas o efeito (por exemplo, ações em queda), mas também as possíveis causas do evento (por exemplo, ações em queda por causa da fraqueza do dólar e, consequentemente, um enfraquecimento dos títulos do tesouro). A exploração das informações textuais aumenta, portanto, a qualidade da entrada. As previsões estão disponíveis em tempo real via www.cs.ust.hk/~beat/Predict diariamente às 7:45h, horário de Hong Kong. Portanto, todas as previsões estão disponíveis antes que os principais mercados asiáticos comecem a ser negociados. Várias técnicas, como as baseadas em regras, algoritmo k-NN e rede neural, têm sido empregadas para produzir as previsões. Essas técnicas são comparadas umas com as outras. Uma estratégia comercial baseada no sistema...
 
Com base no histórico de tendências de desenvolvimento financeiro na China nos últimos anos, e na análise estatística da linha de tendência, este documento estabelece a estratégia comercial quantitativa através do Algoritmo da Rede Neural da BP e do Discriminador Linear da Fisher. Em primeiro lugar, os dados são linearmente regressados em linhas de tendência de comprimento igual e a inclinação é fuzzificada para construir a matriz de tendência ascendente e descendente. E então usamos o Algoritmo de Rede Neural da BP e o Discriminante Linear da Fisher para continuar a previsão de preço respectivamente e tomar o comportamento da transação, e correspondentemente tomamos os futuros do índice de ações de Shanghai e Shenzhen 300 como um exemplo para continuar o teste posterior. O resultado mostra que, em primeiro lugar, a tendência inicial de preço é bem mantida por ajuste; em segundo lugar, a rentabilidade e a capacidade de controle de risco do sistema comercial são melhoradas através da otimização do treinamento da Rede Neural e da Fisher Linear Discriminant.
 

OpenNN (Open Neural Networks Library) is a software library written in the C++ programming language which implements neural networks, a main area of deep learning research..

O OpenNN implementa métodos de mineração de dados como um pacote de funções. Estes podem ser incorporados em outras ferramentas de software usando uma interface de programação de aplicativos (API) para a interação entre a ferramenta de software e as tarefas analíticas preditivas. Neste sentido, falta uma interface gráfica de usuário, mas algumas funções podem suportar a integração de ferramentas de visualização específicas.

A principal vantagem do OpenNN é seu alto desempenho. Esta biblioteca se destaca em termos de velocidade de execução e alocação de memória. Ela é constantemente otimizada e paralela a fim de maximizar sua eficiência.

http://www.opennn.net/
 

Rede neural

Rede neural: tópicos de discussão/desenvolvimento

  1. Melhorlinha de desenvolvimento NN EA com indicadores, arquivos pdf e assim por diante.
  2. Melhorlinha final de NN EA
  3. Fio de redes neurais (boa discussão pública)
  4. Como construir uma NN-EA em MT4:linha útil para os desenvolvedores.
  5. Radial Basis Network (RBN) - As Fit Filter For Price:a rosca

Rede neural: Indicadores e desenvolvimento de sistemas

  1. Cruz MA auto-treinado!:linha de desenvolvimento para a nova geração de indicadores
  2. Algoritmo Levenberg-Marquardt:linha de desenvolvimento

Rede neural: EAs

  1. CyberiaTrader EA:fio de discussão efio de EAs.
  2. Tópico de auto-aprendizagem especializado com os arquivos de EAsaqui.
  3. Tópicos de Inteligência Artificial EAs: como "ensinar" e usar ofio AI ("neurônio") EA e fiode Inteligência Artificial
  4. Forex_NNN_Expert EA efio indicador.
  5. SpiNNaker - Uma rede neuralrosca EA.

Rede Neural: Os Livros

  1. O que ler e onde aprender sobre o Machine Learning(10 livros gratuitos) - ocorreio.

1...18192021222324252627
Novo comentário