Redes neuronales - página 21

[tampa]

Predictor BPNN

[John Seekers]

La predicción de los rendimientos bursátiles es un tema importante en las finanzas. El objetivo de este trabajo es investigar la rentabilidad del uso de las redes neuronales(RNA) de artificial. En este estudio, las predicciones de las RNA se transforman en una simple estrategia de negociación, cuya rentabilidad se evalúa frente a una simple estrategia de compra y mantenimiento. Adoptamos el enfoque de la red neuronal para analizar el índice ponderado de Taiwán y el S&P 500 en los Estados. En consecuencia, descubrimos que la regla de negociación basada en las RNA genera una mayor rentabilidad que la estrategia de comprar y mantener.

[myname]

tampa_:

Predictor BPNN

¿No está utilizando datos futuros?

[John Seekers]

Las redes neuronales artificiales pueden ser caracterizadas como modelos computacionales con propiedades particulares, tales como la capacidad de adaptación o aprendizaje, la capacidad de agrupar u organizar los datos y el funcionamiento basado en el procesamiento paralelo. Sin embargo, muchas de las propiedades mencionadas anteriormente pueden ser atribuidas a los modelos no neuronales existentes, la pregunta intrigante es hasta qué punto el enfoque neuronal resulta ser más adecuado para ciertas aplicaciones que los modelos existentes.

[John Seekers]

Los mercados electrónicos han surgido como lugares populares para la negociación de una amplia variedad de activos financieros, y la negociación algorítmica basada en computer también se ha impuesto como una fuerza dominante en los mercados financieros de todo el mundo. Identificar y comprender el impacto de la negociación algorítmica en los mercados financieros se ha convertido en una cuestión fundamental para los operadores y reguladores del mercado. Proponemos caracterizar el comportamiento de los operadores en términos de las funciones de recompensa que probablemente hayan dado lugar a las acciones de negociación observadas. Nuestro enfoque consiste en modelar las decisiones de negociación como un Proceso de Decisión de Markov (MDP), y utilizar las observaciones de una política de decisión óptima para encontrar la función de recompensa. Esto se conoce como aprendizaje por refuerzo inverso (IRL). Nuestro enfoque basado en el IRL para caracterizar el comportamiento de los operadores logra un equilibrio entre dos características deseables, ya que capta las propiedades empíricas clave de la dinámica de la cartera de pedidos y, sin embargo, sigue siendo computacionalmente manejable. Utilizando un algoritmo IRL basado en la programación lineal, somos capaces de alcanzar más del 90% de precisión en la clasificación para distinguir la negociación de alta frecuencia de otras estrategias de negociación en experimentos sobre un mercado de futuros E-Mini S&P 500 simulado. Los resultados de estas pruebas empíricas sugieren que las estrategias de negociación de alta frecuencia pueden identificarse y perfilarse con precisión a partir de las observaciones de las acciones de negociación individuales.

[John Seekers]

Los modelos de atracción son muy populares en la investigación de marketing para estudiar los efectos de los instrumentos de marketing en las cuotas de mercado. Sin embargo, hasta ahora la literatura de marketing sólo considera modelos de atracción con determinadas formas funcionales que excluyen los efectos de umbral o saturación en los valores de atracción. Podemos lograr una mayor exibilidad utilizando el enfoque basado en redes neuronales que aquí se presenta. Este enfoque evalúa los valores de atracción de las marcas mediante un perceptrón con una capa oculta. El enfoque utiliza como variables dependientes las cuotas de mercado transformadas en logaritmos. El descenso de gradiente estocástico, seguido de un método casi Newton, estima los parámetros. Para los datos a nivel de tienda, los modelos de redes neuronales funcionan mejor e implican una respuesta de precios cualitativamente diferente del conocido modelo de atracción logit multinomial. Las elasticidades de precios de los modelos de atracción de redes neuronales también conducen a implicaciones de gestión específicas en términos de precios óptimos. (resumen del autor)

[finimej]

¿Existe algún código que programe el proceso de optimización? para poder automatizar la

lógica.

0) hacer sólo en el fin de semana.

1) establecer los parámetros en este rango, 0. 200 y con el paso 1.

2) obtener el resultado de la optimización

3) redondear el resultado del factor de beneficios, a 1,0 dígitos, de modo que 7,4=7 y 7,5 = 8.

4) luego seleccionar el menor número de comercio en el catagori de la parte superior de 2 niveles del rango de factor de beneficios, que es el resultado de optimización que quiero.

5) poner la nueva configuración en el experto EA y ejecutar para la próxima semana.

¿Se puede codificar la parte de optimización?

[John Seekers]

Los últimos años han sido testigos del avance de los sistemas algorítmicos automatizados trading como soluciones institucionales en forma de autobots, cajas negras o asesores expertos. Sin embargo, se ha investigado poco en este ámbito con pruebas suficientes para demostrar la eficacia de estos sistemas. Este trabajo construye un sistema de trading automatizado que implementa un modelo optimizado de red neuronal de algoritmos genéticos (GANN) con conceptos cibernéticos y evalúa el éxito utilizando un marco de valor en riesgo modificado (MVaR). El motor cibernético incluye una función de control de retroalimentación causal circular y un estimador de la razón de oro desarrollado, que puede aplicarse a cualquier forma de datos de mercado en el desarrollo de modelos de valoración del riesgo. El artículo aplica los tipos de cambio del euro y el yen como datos de entrada. Se demuestra que la técnica es útil como sistema de negociación y control de la volatilidad para instituciones que incluyen la política monetaria de los bancos centrales como estrategia de minimización del riesgo. Además, los resultados se obtienen en un plazo de 30 segundos para una estrategia de negociación intra-semanal, ofreciendo un rendimiento de latencia relativamente bajo. Los resultados muestran que la exposición al riesgo se reduce entre cuatro y cinco veces, con una tasa de éxito máxima posible del 96%, lo que aporta pruebas para seguir investigando y desarrollando en este ámbito.

[John Seekers]

El estudio de las Redes Neuronales Artificiales deriva de los primeros ensayos para traducir en modelos matemáticos los principios del "procesamiento" biológico. Una Red Neuronal Artificial se ocupa de generar, en los tiempos más rápidos, un modelo implícito y predictivo de la evolución de un sistema. En particular, deriva de la experiencia su capacidad para poder reconocer algunos comportamientos o situaciones y "sugerir" cómo tenerlos en cuenta. Este trabajo ilustra una aproximación al uso de las redes neuronales artificiales para la modelización financiera; nuestro objetivo es explorar las diferencias estructurales (y las implicaciones) entre los modelos de uno y varios agentes y poblaciones. En los modelos de una población, las RNA intervienen como dispositivos de previsión con agentes maximizadores de la riqueza (en los que los agentes toman decisiones para conseguir una maximización de la utilidad siguiendo modelos no lineales para hacer previsiones), mientras que en los modelos multipoblación los agentes no siguen reglas predeterminadas, sino que tienden a crear sus propias reglas de comportamiento a medida que se recogen los datos del mercado. En particular, es importante analizar las diferencias entre los modelos de un agente y de una población; de hecho, en la construcción de un modelo de una población es posible ilustrar el equilibrio del mercado de forma endógena, lo que no es posible en el modelo de un agente, en el que todas las características del entorno se dan por supuestas y están fuera del control del agente único. Una aplicación particular que pretendemos estudiar es la relativa a la "elaboración de perfiles de clientes", en la que (basándose en las relaciones personales y directas) se puede definir el comportamiento de "compra" de cada cliente, lo que hace que el uso de modelos de inferencia de comportamiento como los que ofrecen las Redes Neuronales Artificiales sea mucho mejor que las metodologías estadísticas tradicionales<br / translate="no">.

[MegaLeads]

¿Cómo está funcionando la IA ea?