Нейронные сети - страница 21

[tampa]

Предсказатель BPNN

[John Seekers]

Прогнозирование доходности фондового рынка является важным вопросом в финансах. Целью данной работы является исследование прибыльности использования нейронных сетей artificial (ANNs). В данном исследовании прогнозы, сделанные с помощью ИНС, преобразуются в простую торговую стратегию, прибыльность которой оценивается в сравнении с простой стратегией покупки и удержания. Мы применяем нейросетевой подход для анализа Тайваньского взвешенного индекса и S&P 500 в Штатах. В результате мы обнаружили, что торговое правило, основанное на ИНС, приносит более высокую прибыль, чем стратегия удержания покупки.

[myname]

tampa_:

Предсказатель BPNN

Разве он не использует будущие данные?

[John Seekers]

Искусственные нейронные сети могут быть наиболее адекватно охарактеризованы как вычислительные модели с определенными свойствами, такими как способность адаптироваться или обучаться обобщать или кластеризовать или организовывать данные и работа которых основана на параллельной обработке Однако многие из вышеперечисленных свойств могут быть приписаны существующим ненейронным моделям Интригующий вопрос заключается в том, в какой степени нейронный подход оказывается лучше подходящим для определенных приложений, чем существующие модели На сегодняшний день однозначного ответа на этот вопрос не найдено

[John Seekers]

Электронные рынки стали популярными площадками для торговли широким спектром финансовых активов, а алгоритмическая торговля на основе computer также утвердилась в качестве доминирующей силы на финансовых рынках по всему миру. Выявление и понимание влияния алгоритмической торговли на финансовые рынки стало критически важным вопросом для операторов рынка и регулирующих органов. Мы предлагаем охарактеризовать поведение трейдеров с точки зрения функций вознаграждения, которые, скорее всего, привели к наблюдаемым торговым действиям. Наш подход заключается в моделировании торговых решений как Марковского процесса принятия решений (МПР) и использовании наблюдений за оптимальной политикой принятия решений для нахождения функции вознаграждения. Это известно как обратное обучение с усилением (IRL). Наш подход к описанию поведения трейдеров, основанный на IRL, позволяет найти баланс между двумя желательными характеристиками: он отражает ключевые эмпирические свойства динамики книги заявок и при этом остается вычислительно простым. Используя алгоритм IRL, основанный на линейном программировании, мы смогли достичь более чем 90% точности классификации в отличии высокочастотной торговли от других торговых стратегий в экспериментах на смоделированном фьючерсном рынке E-Mini S&P 500. Результаты этих эмпирических тестов показывают, что стратегии высокочастотной торговли могут быть точно идентифицированы и профилированы на основе наблюдений за отдельными торговыми действиями.

[John Seekers]

Модели привлечения очень популярны в маркетинговых исследованиях для изучения влияния маркетинговых инструментов на долю рынка. Однако до сих пор в маркетинговой литературе рассматривались только модели привлечения с определенными функциональными формами, исключающими пороговые эффекты или эффекты насыщения на значения привлечения. Мы можем добиться большей выразительности, используя представленный здесь подход на основе нейронных сетей. Этот подход оценивает привлекательность брендов с помощью перцептрона с одним скрытым слоем. В качестве зависимых переменных используются рыночные доли, преобразованные в логарифмы. Стохастический градиентный спуск с последующим использованием метода квази-Ньютона оценивает параметры. Для данных на уровне магазинов нейросетевые модели работают лучше и предполагают ценовую реакцию, качественно отличающуюся от известной мультиномиальной логит-модели привлечения. Ценовая эластичность нейросетевых моделей привлечения также приводит к конкретным управленческим последствиям в плане оптимальных цен. (автореферат)

[finimej]

Есть ли код, который программирует процесс оптимизации? чтобы мы могли автоматизировать оптимизацию.

логика.

0) делать только в выходные.

1) задаем параметры в данном диапазоне, 0. 200 и с шагом 1.

2) получаем результат оптимизации

3) округляем результат коэффициента прибыли, до 1.0 знака, так чтобы 7.4=7 и 7.5=8.

4) затем выбрать наименьший торговый номер в катагории верхнего 2 уровня диапазона коэффициента прибыли, это и есть результат оптимизации, который мне нужен.

5) поместить новую настройку в эксперта и запустить на следующей неделе.

Можно ли закодировать часть оптимизации?

[John Seekers]

В последние годы наблюдается развитие автоматизированных алгоритмических систем trading в качестве институциональных решений в виде автоботов, "черных ящиков" или экспертных советников. Однако в этой области было проведено мало исследований с достаточными доказательствами эффективности этих систем. В данной работе построена автоматизированная торговая система, которая реализует оптимизированную генетико-алгоритмическую нейросетевую(GANN) модель с кибернетическими концепциями и оценивает успех с помощью модифицированной системы оценки стоимости под риском (MVaR). Кибернетический механизм включает в себя функцию управления с круговой причинно-следственной обратной связью и разработанный оценщик золотого сечения, который может быть применен к любой форме рыночных данных при разработке моделей оценки риска. В качестве исходных данных в работе используются курсы евро и йены. Показано, что данная методика полезна в качестве системы торговли и контроля волатильности для институтов, включая монетарную политику центрального банка в качестве стратегии минимизации риска. Кроме того, результаты достигаются в течение 30 секунд для внутринедельной торговой стратегии, что обеспечивает относительно низкую задержку. Результаты показывают, что риски снижаются в четыре-пять раз при максимально возможном коэффициенте успешности 96%, что дает основания для дальнейших исследований и разработок в этой области.

[John Seekers]

Изучение искусственных нейронных сетей происходит от первых попыток перевести в математические модели принципы биологической "обработки". Искусственная нейронная сеть занимается созданием, в кратчайшие сроки, неявной и предсказательной модели эволюции системы. В частности, на основе опыта она получает способность распознавать некоторые модели поведения или ситуации и "подсказывать", как их учесть. Данная работа иллюстрирует подход к использованию искусственных нейронных сетей для финансового моделирования; мы стремимся изучить структурные различия (и последствия) между моделями с одним и несколькими агентами и популяциями. В однопопуляционных моделях ИНС используются в качестве устройств прогнозирования с агентами, максимизирующими благосостояние (в которых агенты принимают решения для достижения максимизации полезности, используя нелинейные модели для прогнозирования), в то время как в многопопуляционных моделях агенты не следуют заранее установленным правилам, а склонны создавать свои собственные правила поведения по мере сбора рыночных данных. В частности, важно проанализировать различия между одноагентной и однопопуляционной моделями; ведь при построении однопопуляционной модели можно эндогенно проиллюстрировать рыночное равновесие, что невозможно в одноагентной модели, где все характеристики окружающей среды принимаются как данность и неподконтрольны отдельному агенту. Особое приложение, которое мы хотим изучить, касается "профилирования клиентов", в котором (на основе личных и прямых отношений) можно определить "покупательское" поведение каждого клиента, что позволяет использовать модели поведенческих выводов, такие как модели, предлагаемые искусственными нейронными сетями, гораздо лучше, чем традиционные статистические методологии<br / translate="no">.

[MegaLeads]

Как обстоят дела с AI ea?