Нейронные сети - страница 22

Новый комментарий
 
Финансовое прогнозирование является трудной задачей из-за внутренней сложности финансовой системы. Упрощенный подход в прогнозировании дают методы "черного ящика", такие как нейронные сети, которые мало что предполагают о структуре экономики. В данной статье мы рассказываем о нашем опыте использования нейронных сетей в качестве метода прогнозирования финансовых временных рядов. В частности, мы показываем, что может быть найдена нейронная сеть, способная прогнозировать знак приращения цены с успешностью чуть выше 50%. Целевые ряды представляют собой ежедневные цены закрытия различных активов и индексов за период примерно с января 1990 года по февраль 2000 года.
 
Мы предлагаем новый метод прогнозирования движения на рынке Форекс на основе нейронной сети NARX с техникой временного сдвига и финансовых индикаторов, таких как индекс относительной силы и стохастические индикаторы. Нейронные сети обладают выдающейся способностью к обучению, но они часто демонстрируют плохую и непредсказуемую производительность для зашумленных данных. По сравнению со статическими нейронными сетями, наш метод значительно снижает уровень ошибок в ответе и улучшает эффективность прогнозирования. Мы протестировали три различных типа архитектуры для прогнозирования отклика и определили лучший сетевой подход. Мы применили наш метод для прогнозирования почасовых валютных курсов и обнаружили замечательную предсказуемость в комплексных экспериментах с двумя различными валютными курсами (GBPUSD и EURUSD).

 
 
Несмотря на высокую точность, было показано, что нейронные сети подвержены воздействию неблагоприятных примеров, когда небольшое возмущение входного сигнала может привести к его неправильной маркировке. Мы предлагаем метрики для измерения устойчивости нейронной сети и разрабатываем новый алгоритм для аппроксимации этих метрик, основанный на кодировании устойчивости в виде линейной программы. Мы показываем, как наши метрики могут быть использованы для оценки робастности глубоких нейронных сетей в экспериментах на наборах данных MNIST и CIFAR-10. Наш алгоритм генерирует более информативные оценки метрик робастности по сравнению с оценками, основанными на существующих алгоритмах. Кроме того, мы показываем, как существующие подходы к улучшению робастности "перестраиваются" под неблагоприятные примеры, сгенерированные с помощью конкретного алгоритма. Наконец, мы показываем, что наши методы могут быть использованы для дополнительного улучшения робастности нейронных сетей как по предложенным нами метрикам, так и по ранее предложенным.
 
seekers_:
Интересно. Спасибо :)
 

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
Новый комментарий