Nöral ağlar - sayfa 22

Yeni yorum
 
Finansal tahmin, finansal sistemin içsel karmaşıklığı nedeniyle zor bir iştir. Tahminde basitleştirilmiş bir yaklaşım, ekonominin yapısı hakkında çok az varsayımda bulunan sinir ağları gibi "kara kutu" yöntemleriyle verilmektedir. Bu yazıda, finansal zaman serisi tahmin yöntemi olarak sinir ağlarını kullanma deneyimimizi ilişkilendiriyoruz. Özellikle, %50'nin biraz üzerinde bir başarı oranıyla fiyat artışlarının işaretini tahmin edebilen bir sinir ağının bulunabileceğini gösteriyoruz. Hedef seriler, yaklaşık Ocak 1990 ile Şubat 2000 arasındaki dönemde farklı varlık ve endekslerin günlük kapanış fiyatlarıdır.
 
Göreceli güç endeksi ve stokastik göstergeler gibi zaman kaydırmalı torbalama tekniği ve finansal göstergeler ile NARX sinir ağına dayalı Forex piyasasındaki hareketleri tahmin etmek için yeni bir yöntem öneriyoruz. Sinir ağları, belirgin bir öğrenme yeteneğine sahiptir, ancak genellikle gürültülü veriler için kötü ve öngörülemeyen performans sergilerler. Statik sinir ağları ile karşılaştırıldığında, yöntemimiz yanıtın hata oranını önemli ölçüde azaltır ve tahminin performansını artırır. Yanıtı tahmin etmek için üç farklı mimari türünü test ettik ve en iyi ağ yaklaşımını belirledik. Metodumuzu saatlik döviz kurlarını tahmin etmek için uyguladık ve 2 farklı döviz kuru (GBPUSD ve EURUSD) ile kapsamlı deneylerde dikkate değer bir öngörülebilirlik bulduk.

 
 
Yüksek doğruluğa sahip olmasına rağmen, sinir ağlarının, bir girdide küçük bir bozulmanın yanlış etiketlenmesine neden olabileceği, çekişmeli örneklere karşı hassas olduğu gösterilmiştir. Bir sinir ağının sağlamlığını ölçmek için metrikler öneriyoruz ve sağlamlığın doğrusal bir program olarak kodlanmasına dayalı olarak bu metriklere yaklaşmak için yeni bir algoritma tasarlıyoruz. MNIST ve CIFAR-10 veri kümeleri üzerinde yapılan deneylerle derin sinir ağlarının sağlamlığını değerlendirmek için metriklerimizin nasıl kullanılabileceğini gösteriyoruz. Algoritmamız, mevcut algoritmalara dayalı tahminlere kıyasla daha bilgilendirici sağlamlık metrikleri tahminleri üretir. Ayrıca, sağlamlığı geliştirmeye yönelik mevcut yaklaşımların, belirli bir algoritma kullanılarak oluşturulan rakip örneklere nasıl "fazla uyduğunu" gösteriyoruz. Son olarak, tekniklerimizin hem önerdiğimiz metriklere göre hem de daha önce önerilen metriklere göre nöral ağ sağlamlığını ek olarak geliştirmek için kullanılabileceğini gösteriyoruz.
 
seekers_ :
İlginç. Teşekkürler :)
 

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
Yeni yorum