Nöral ağlar - sayfa 24

Yeni yorum
 

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.


 
İleri beslemeli bir hesaplamalı sinir ağı modeli (CNN) oluşturmak iki farklı görevi içerir: ağ topolojisinin belirlenmesi ve ağırlık tahmini. Bir problemin yeterli ağ topolojisinin belirlenmesi kilit bir konudur ve bu katkının birincil odak noktasıdır. Şimdiye kadar, bu konu ya uzamsal uygulama alanlarında tamamen ihmal edildi ya da arama buluşsal yöntemleriyle ele alındı (bkz. Fischer ve Gopal 1994). Etkileşimleri coğrafi alan üzerinden modelleme bakış açısıyla, bu makale bu sorunu küresel bir optimizasyon problemi olarak ele almakta ve geri yayılım öğrenmesini genetik algoritmaların evrimsel paradigmasına yerleştiren yeni bir yaklaşım önermektedir. Bu, ağ parametrelerini belirlemek için gradyan tabanlı geri yayılım öğrenimi ile optimal bir CNN topolojisi bulmak için genetik bir aramanın iç içe geçmesiyle gerçekleştirilir. Böylece, model oluşturucu, bir problemin gradyan iniş hatalarının geri yayılımı gibi basit ama güçlü öğrenme mekanizmalarıyla çözülmesine izin verecek uygun CNN topolojilerini belirleme yükünden kurtulacaktır. Yaklaşım, performansını göstermek ve sağlamlığını değerlendirmek için Avusturya için bölgeler arası telekomünikasyon trafik verilerini kullanan tek gizli katman, tek çıkış ileri beslemeli CNN modelleri ailesine uygulandı.
 
Sinir Ağları (NN), finansal analiz ve tahminde, özellikle kısa vadeli tahminlerde kullanılabilen, bilgisayar biliminin yapay zeka dalından doğrusal olmayan araçlardır. Diskriminant analizi ve regresyon gibi geleneksel yöntemlere, özellikle büyük, bazen eksik veri kümelerinde doğrusal olmayan veya bilinmeyen kalıpları keşfederken faydalı bir alternatif sunarlar. Güçlü NN'lerin büyük sınırlamaları vardır. Sonuçlar bazen sağlam değildir, ancak eğitime özgüdür ve tekrarlanması zordur. Tahvil derecelendirmeleri gibi bitişik kategorileri sıralamak genellikle yüksek hata oranlarına tabidir. NN'leri işlemek için kullanılan yazılımlar mevcuttur, ancak uygulamalar, veri setinin boyutuna ve NN'nin karmaşıklığına bağlı olarak zaman alıcı ve maliyetli hale gelebilir.
 
Güvenilirlik, günümüzün HPC ortamlarında iyi bilinen bir konudur ve gelecek nesil peta ölçekli sistemlerde daha da zorlu hale gelmesi beklenmektedir. Mevcut hata toleransı yaklaşımlarının (örneğin, kontrol noktası/yeniden başlatma mekanizmaları) performans ve ölçeklenebilirlik sorunları nedeniyle verimsiz olduğu düşünüldüğünden, Proaktif Hata Önleme (PFA) gibi geliştirilmiş hata toleransı yaklaşımları bugün araştırılmaktadır. PFA yaklaşımı, hem hataların uygulamalar üzerindeki etkisini hem de kurtarma süresini azaltmak için hata tahmini ve geçişi temel alır. Bu belgede, bir PFA bağlamında hata tahmini iyileştirmesi için Yapay Sinir Ağları (YSA) tekniklerinin kullanımını araştırıyoruz. Başlangıçta ileri beslemeli ağı denetimli bir geri yayılım öğrenme algoritmasıyla eğiterek, bu ağ daha sonra kümemizden toplanan geçmiş IPMI sensör verileriyle beslenir. Sonuçlar, önceki "eşik tetikleyici" yaklaşımına göre bir tahmin performansı iyileştirmesi gösterir.
 

Stock market decision making is a very challenging and difficult task of �financial data prediction. Prediction about stock market with high accuracy movement yield pro�fit for investors of the stocks. Because of the complexity of stock market �financial data, development of efficient models for prediction decision is very difficult and it must be accurate. This study attempted to develop models for prediction of the stock market and to decide whether to buy/hold the stock using data mining and machine learning techniques. The machine learning technique like Naive Bayes, k-Nearest Neighbor(k-NN), Support Vector Machine(SVM), Arti�cial Neural Network(ANN) and Random Forest has been used for developing of prediction model. Technical indicators are calculated from the stock prices based on time-line data and it is used as inputs of the proposed prediction models. Ten years of stock market data has been used for signal prediction of stock. Based on the data set, these models are capable to generate buy/hold signal for stock market as a output. The main goal of this project is to generate output signal(buy/hold) as per users requirement like amount to be invested, time duration for investment, minimum profit, maximum loss using data mining and machine learning techniques.



 

In this work we present an Artificial Neural Network (ANN) approach to predict stock market indices. In particular, we focus our attention on their trend movement up or down. We provide results of experiments exploiting different Neural Networks architectures, namely the Multi-layer Perceptron (MLP), the Convolutional Neural Networks (CNN), and the Long Short-Term Memory (LSTM) recurrent neural networks technique. We show importance of choosing correct input features and their preprocessing for learning algorithm. Finally we test our algorithm on the S&P500 and FOREX EUR/USD historical time series, predicting trend on the basis of data from the past n days, in the case of S&P500, or minutes, in the FOREX framework. We provide a novel approach based on combination of wavelets and CNN which outperforms basic neural networks approaches.


 

The Global Financial Crisis of 2007-2008 wiped out US$37 trillions across global financial markets, this value is equivalent to the combined GDPs of the United States and the European Union in 2014. The defining moment of this crisis was the failure of Lehman Brothers, which precipitated the October 2008 crash and the Asian Correction (March 2009). Had the Federal Reserve seen these crashes coming, they might have bailed out Lehman Brothers, and prevented the crashes altogether. In this paper, we show that some of these market crashes (like the Asian Correction) can be predicted, if we assume that a large number of adaptive traders employing competing trading strategies. As the number of adherents for some strategies grow, others decline in the constantly changing strategy space. When a strategy group grows into a giant component, trader actions become increasingly correlated and this is reflected in the stock price. The fragmentation of this giant component will leads to a market crash. In this paper, we also derived the mean-field market crash forecast equation based on a model of fusions and fissions in the trading strategy space. By fitting the continuous returns of 20 stocks traded in Singapore Exchange to the market crash forecast equation, we obtain crash predictions ranging from end October 2008 to mid-February 2009, with early warning four to six months prior to the crashes.


 
Bu diyagramlar, çekici manzaraların karmaşık koleksiyonunun mantıksal yapısını temsil etmek için dilbilim için Sydney Lamb'in ilişkisel ağ kavramının kullanımını araştırıyor (Walter Freeman'ın nöro-dinamik hesabında olduğu gibi). Omurgalı sinir sistemi gibi yeterince büyük bir sistem göz önüne alındığında, çekici net kendisinin dinamik bir sistem olduğu, nöronal düzeyde gerçekleştirilen dinamik sistemlerden daha yüksek bir düzende olduğu düşünülebilir. Yapılar şunları içerir: çeşitlilik ('is-a' kalıtım), basit hareketler, sayma ve yer notasyonu, zaman ve mekanda oryantasyon, dil, öğrenme.
 

Effectiveness of the use of neural-net technology for the solving of shell theory problems is shown. Some results of neural-net interpolation and extrapolation for direct and inverse problems are discussed. Exact accuracy of neural-net solving opens wide latitude for shell constructions engineering design and optimization.


 

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.


1...1718192021222324252627
Yeni yorum