Redes neuronales - página 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]

El cambio de divisas es la negociación de una moneda contra otra. Los tipos de cambio están influidos por muchos factores económicos, políticos y psicológicos correlacionados, por lo que predecirlos es una tarea ardua. Algunos métodos para predecir el tipo de cambio FOREX son el análisis estadístico, el análisis de series temporales, los sistemas difusos, las redes neuronales y los sistemas híbridos. Estos métodos adolecen del problema de predecir con exactitud el cambio. Se propone una red neuronal artificial (RNA) y un sistema híbrido neuro-fuzzy (ANFIS) para predecir el tipo de cambio futuro del mercado FOREX. El MLP se utiliza para predecir la subida o bajada del tipo de cambio, mientras que el modelo ANFIS se utiliza para predecir el tipo de cambio del día siguiente. Para el experimento, se utiliza el tipo de cambio USDINR del mercado de divisas. El error cuadrático medio (MSE) y el error absoluto medio (MAE) se utilizan como indicadores de rendimiento. La RNA consiguió un MSE de 0,033 y un MAE de 0,0002 durante el entrenamiento, mientras que el modelo ANFIS consiguió un MSE de 0,024 y un MAE de 6,7x10-8. La RNA alcanzó un MSE de 0,003 y un MAE de 0,00082, mientras que el modelo ANFIS logró un MSE de 0,02 y un MAE de 0,00792 durante la fase de prueba.

[John Seekers]

Hasta ahora, la literatura de marketing sólo considera modelos de atracción con formas funcionales estrictas. El enfoque basado en redes neuronales introducido, que evalúa los valores de atracción de las marcas mediante un perceptrón con una capa oculta, permite una mayor flexibilidad. Utilizando las cuotas de mercado transformadas en logaritmos como variables dependientes, el descenso de gradiente estocástico seguido de un método cuasi-Newton estima los parámetros. Para los datos a nivel de tienda, el modelo de red neuronal funciona mejor e implica una respuesta de precios cualitativamente diferente del conocido modelo de atracción MNL. Las elasticidades de los precios de estos modelos en competencia también conducen a implicaciones específicas para la gestión. (resumen del autor)

[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 kernels dinámicos, con la capacidad de integrar información medida a distintas frecuencias y en intervalos de tiempo irregulares als in financial markets. Un proceso de compresión de datos redefine las series temporales financieras originales en bloques de datos temporales, analizando la información temporal de múltiples intervalos de tiempo als. El análisis se realiza a través de kernels dinámicos multiv ariate dentro de la regresión de vectores de soporte. En también proponemos dos núcleos para series temporales financieras que son computacionalmente efficientes sin sacrificar la precisión. La efficacia de la metodología se demuestra mediante experimentos empíricos sobre la previsión del desafiante mercado 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]

La inyección de ruido es un método estándar para mitigar el sobreajuste en las redes neuronales (NN). Los recientes desarrollos en la inyección de ruido Bernoulli, tal y como se ha implementado en los procedimientos dropout y shakeout, demuestran la eficiencia y la viabilidad de la inyección de ruido en la regularización de las NNs profundas. Proponemos whiteout, una nueva técnica de regularización mediante la inyección de ruidos gaussianos adaptativos en una NN profunda. Whiteout ofrece tres parámetros de ajuste, ofreciendo flexibilidad durante el entrenamiento de las NNs. Mostramos que whiteout se asocia con una función objetivo de optimización determinista en el contexto de los modelos lineales generalizados con un término de penalización de forma cerrada e incluye el lazo, la regresión de cresta, el lazo adaptativo y la red elástica como casos especiales. También demostramos que el whiteout puede verse como un aprendizaje robusto del modelo NN en presencia de perturbaciones pequeñas e insignificantes en los nodos de entrada y ocultos. En comparación con el dropout, el whiteout tiene un mejor rendimiento cuando se entrenan datos de tamaños relativamente pequeños con la sparsity introducida a través de la regularización l1 . En comparación con shakeout, la función objetivo penalizada en whiteout tiene mejores comportamientos de convergencia y es más estable dada la continuidad de los ruidos inyectados. Establecemos teóricamente que la función de pérdida empírica perturbada por el ruido con whiteout converge casi con seguridad a la función de pérdida ideal, y las estimaciones de los parámetros NN obtenidas al minimizar la primera función de pérdida son consistentes con las obtenidas al minimizar la función de pérdida ideal. Computacionalmente, el whiteout puede incorporarse al algoritmo de retropropagación y es eficiente desde el punto de vista computacional. La superioridad del whiteout sobre el dropout y el shakeout en el entrenamiento de NNs en la clasificación se demuestra utilizando los datos MNIST.

[John Seekers]

Aunque la profundidad tiende a mejorar el rendimiento de las redes, también dificulta el entrenamiento basado en el gradiente, ya que las redes más profundas tienden a ser más no lineales. El enfoque de destilación de conocimientos propuesto recientemente tiene como objetivo obtener modelos pequeños y rápidos de ejecutar, y ha demostrado que una red de alumnos podría imitar la salida suave de una red de profesores más grande o de un conjunto de redes. En este trabajo, ampliamos esta idea para permitir el entrenamiento de un alumno más profundo y delgado que el maestro, utilizando no sólo las salidas sino también las representaciones intermedias aprendidas por el maestro como pistas para mejorar el proceso de entrenamiento y el rendimiento final del alumno. Dado que la capa oculta intermedia del alumno será generalmente más pequeña que la capa oculta intermedia del profesor, se introducen parámetros adicionales para asignar la capa oculta del alumno a la predicción de la capa oculta del profesor. Esto permite entrenar a estudiantes más profundos que pueden generalizar mejor o correr más rápido, una compensación que es controlada por la capacidad elegida del estudiante. Por ejemplo, en CIFAR-10, una red de alumnos profunda con casi 10,4 veces menos parámetros supera a una red de profesores más grande y de última generación.

[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.