Neuronale Netze - Seite 24

Neuer Kommentar
 

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.


 
Der Aufbau eines vorwärtsgerichteten computergestützten neuronalen Netzmodells (CNN) umfasst zwei verschiedene Aufgaben: die Bestimmung der Netztopologie und die Schätzung der Gewichte. Die Spezifikation einer problemadäquaten Netztopologie ist eine Schlüsselfrage und der Hauptfokus dieses Beitrags. Bisher wurde diese Frage in räumlichen Anwendungsbereichen entweder völlig vernachlässigt oder durch Suchheuristiken gelöst (siehe Fischer und Gopal 1994). Mit Blick auf die Modellierung von Interaktionen über den geographischen Raum betrachtet dieser Beitrag dieses Problem als ein globales Optimierungsproblem und schlägt einen neuartigen Ansatz vor, der das Backpropagation-Lernen in das evolutionäre Paradigma der genetischen Algorithmen einbettet. Dies wird erreicht, indem eine genetische Suche zur Ermittlung einer optimalen CNN-Topologie mit gradientenbasiertem Backpropagation-Lernen zur Bestimmung der Netzwerkparameter verwoben wird. Auf diese Weise wird der Modellbauer von der Aufgabe entlastet, geeignete CNN-Topologien zu finden, die es ermöglichen, ein Problem mit einfachen, aber leistungsstarken Lernmechanismen, wie Backpropagation von Gradientenabstiegsfehlern, zu lösen. Der Ansatz wurde auf die Familie der CNN-Modelle mit drei Eingängen, einer versteckten Schicht und einem Ausgang angewandt, wobei interregionale Telekommunikationsverkehrsdaten für Österreich verwendet wurden, um seine Leistung zu veranschaulichen und seine Robustheit zu bewerten.
 
Neuronale Netze (NN) sind nichtlineare Werkzeuge aus dem Bereich der künstlichen Intelligenz der Informatik, die in der Finanzanalyse und -prognose eingesetzt werden können, insbesondere für kurzfristige Vorhersagen. Sie bieten eine nützliche Alternative zu herkömmlichen Methoden wie Diskriminanzanalyse und Regression, insbesondere bei der Erforschung nichtlinearer oder unbekannter Muster in umfangreichen, manchmal unvollständigen Datensätzen. Leistungsstarke NNs haben jedoch erhebliche Einschränkungen. Die Ergebnisse sind manchmal nicht robust, sondern trainingsabhängig und schwer zu wiederholen. Die Sortierung benachbarter Kategorien, wie z. B. Anleiheratings, ist oft mit hohen Fehlerquoten verbunden. Software zur Verarbeitung von NNs ist verfügbar, aber je nach Größe des Datensatzes und der Komplexität des NNs kann die Anwendung zeit- und kostenaufwändig werden.
 
Zuverlässigkeit ist ein bekanntes Problem in den heutigen HPC-Umgebungen und wird in der nächsten Generation von Systemen im Peta-Maßstab voraussichtlich noch schwieriger werden. Da aktuelle Fehlertoleranzansätze (z. B. Checkpoint-/Restart-Mechanismen) aufgrund von Leistungs- und Skalierbarkeitsproblemen als ineffizient gelten, werden derzeit verbesserte Fehlertoleranzansätze wie die proaktive Fehlervermeidung (PFA) untersucht. Der PFA-Ansatz basiert auf Fehlervorhersage und Migration, um sowohl die Auswirkungen von Fehlern auf Anwendungen als auch die Wiederherstellungszeit zu reduzieren. In diesem Dokument untersuchen wir die Verwendung künstlicher neuronaler Netze (ANNs) zur Verbesserung der Fehlervorhersage im Rahmen von PFA. Das Feed-Forward-Netzwerk wird zunächst mit einem überwachten Backpropagation-Lernalgorithmus trainiert und dann mit historischen IPMI-Sensordaten aus unserem Cluster gespeist. Die Ergebnisse zeigen eine Verbesserung der Vorhersageleistung im Vergleich zum vorherigen Ansatz mit Schwellenwerten als Auslöser.
 

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.


 
Diese Diagramme erforschen die Verwendung des Begriffs des relationalen Netzwerks von Sydney Lamb für die Linguistik, um die logische Struktur komplexer Ansammlungen von Attraktorlandschaften darzustellen (wie in Walter Freemans Darstellung der Neurodynamik). Bei einem ausreichend großen System wie dem Nervensystem von Wirbeltieren könnte man sich den Attraktor net als dynamisches System vorstellen, das eine höhere Ordnung aufweist als die dynamischen Systeme, die auf neuronaler Ebene realisiert werden. Zu den Konstruktionen gehören: Vielfalt ("Ist-ein"-Vererbung), einfache Bewegungen, Zählen und Notieren von Orten, Orientierung in Zeit und Raum, Sprache, Lernen.
 

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
Neuer Kommentar
Grund der Beschwerde: