Нейронные сети - страница 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]

Обмен валюты - это торговля одной валютой по отношению к другой. На курс FOREX влияет множество взаимосвязанных экономических, политических и психологических факторов, поэтому его прогнозирование является нелегкой задачей. Некоторые методы прогнозирования курса FOREX включают статистический анализ, анализ временных рядов, нечеткие системы, нейронные сети и гибридные системы. Эти методы страдают от проблемы точного прогнозирования биржи. Для прогнозирования будущего курса на рынке FOREX предлагается использовать искусственную нейронную сеть (ANN) и гибридную нейро-нечеткую систему (ANFIS). MLP используется для прогнозирования роста или падения обменного курса, а модель ANFIS - для прогнозирования обменного курса на следующий день. Для эксперимента использовался курс USDINR с рынка FOREX. В качестве показателей эффективности используются средняя квадратическая ошибка (MSE) и средняя абсолютная ошибка (MAE). В процессе обучения ANN достигла MSE 0,033 и MAE 0,0002, в то время как модель ANFIS достигла MSE 0,024 и MAE 6,7x10-8. На этапе тестирования ANN достигла MSE 0,003 и MAE 0,00082, а модель ANFIS - MSE 0,02 и MAE 0,00792.

[John Seekers]

В маркетинговой литературе до сих пор рассматривались только модели привлекательности со строгими функциональными формами. Большей гибкости можно достичь с помощью нейросетевого подхода, который оценивает привлекательность брендов с помощью перцептрона с одним скрытым слоем. Используя преобразованные в логарифмы рыночные доли в качестве зависимых переменных, стохастический градиентный спуск с последующим квази-ньютоновским методом оценивает параметры. Для данных на уровне магазина нейросетевая модель работает лучше и предполагает ценовую реакцию, качественно отличающуюся от известной модели привлечения MNL. Ценовая эластичность этих конкурирующих моделей также приводит к конкретным управленческим последствиям. (автореферат)

[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 динамические ядра, способные интегрировать информацию, измеряемую на разных частотах и в нерегулярные временные интервалы на финансовых рынках. Процесс сжатия данных переделывает исходный финансовый временной ряд на временные блоки данных, анализируя временную информацию нескольких временных интервалов. Анализ проводится с помощью многовариантных динамических ядер в рамках регрессии опорного вектора. В мы также предлагаем два ядра для финансовых временных рядов, которые являются вычислительно экономными без ущерба для точности. Эффективность методологии демонстрируется эмпирическими экспериментами по прогнозированию сложного рынка 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]

Инжекция шума - это готовый метод борьбы с чрезмерной подгонкой в нейронных сетях (НС). Последние разработки в области инжекции шума Бернулли, реализованные в процедурах dropout и shakeout, демонстрируют эффективность и осуществимость инжекции шума для регуляризации глубоких ИНС. Мы предлагаем Whiteout, новую технику регуляризации с помощью введения адаптивных гауссовских шумов в глубокий ИНС. Whiteout предлагает три параметра настройки, что обеспечивает гибкость при обучении ИНС. Мы показываем, что whiteout связан с детерминированной оптимизационной целевой функцией в контексте обобщенных линейных моделей с закрытым штрафным членом и включает лассо, гребневую регрессию, адаптивное лассо и эластичную сеть в качестве частных случаев. Мы также показываем, что whiteout можно рассматривать как устойчивое обучение модели NN в присутствии малых и незначительных возмущений на входе и в скрытых узлах. По сравнению с dropout, whiteout имеет лучшую производительность при обучении данных относительно небольшого размера с разреженностью, введенной с помощью l1 регуляризации. По сравнению с shakeout, пенализированная объективная функция в whiteout имеет лучшее поведение сходимости и является более устойчивой, учитывая непрерывность вводимых шумов. Теоретически установлено, что возмущенная шумами эмпирическая функция потерь с whiteout почти уверенно сходится к идеальной функции потерь, а оценки параметров NN, полученные при минимизации первой функции потерь, совпадают с оценками, полученными при минимизации идеальной функции потерь. С вычислительной точки зрения, whiteout может быть включен в алгоритм обратного распространения и является вычислительно эффективным. Превосходство whiteout над dropout и shakeout при обучении NN в классификации продемонстрировано на данных MNIST.

[John Seekers]

Хотя глубина, как правило, улучшает производительность сети, она также затрудняет обучение на основе градиента, поскольку более глубокие сети имеют тенденцию быть более нелинейными. Недавно предложенный подход к дистилляции знаний направлен на получение небольших и быстрых в исполнении моделей, и он показал, что сеть ученика может имитировать мягкий выход более крупной сети учителя или ансамбля сетей. В данной работе мы расширяем эту идею, позволяя обучать ученика, который глубже и тоньше учителя, используя не только выходы, но и промежуточные представления, полученные учителем, в качестве подсказок для улучшения процесса обучения и конечной производительности ученика. Поскольку промежуточный скрытый слой ученика обычно меньше, чем промежуточный скрытый слой учителя, вводятся дополнительные параметры для сопоставления скрытого слоя ученика с предсказаниями скрытого слоя учителя. Это позволяет обучать более глубоких учеников, которые могут лучше обобщать или быстрее работать - компромисс, который контролируется выбранной производительностью ученика. Например, на CIFAR-10 глубокая студенческая сеть с почти в 10,4 раза меньшим количеством параметров превзошла более крупную современную сеть с учителем.

[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.