Redes neuronales - página 25

Nuevo comentario
 

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.


 
Predecir el comportamiento del mercado para obtener beneficios en el comercio de acciones no es nada trivial. Esta tarea se hace aún más difícil cuando los inversores no disponen de grandes cantidades de dinero y, por tanto, no pueden influir en este complejo sistema de ninguna manera. Los paradigmas de aprendizaje automático ya se han aplicado a la previsión financiera, pero normalmente sin restricciones en cuanto al tamaño del presupuesto del inversor. En este trabajo, analizamos un optimizador evolutivo de carteras para la gestión de presupuestos limitados, diseccionando cada parte del marco, discutiendo en detalle los problemas y las motivaciones que llevaron a las elecciones finales. Los rendimientos esperados se modelan recurriendo a redes neuronales artificiales entrenadas con datos de mercado pasados, y la composición de la cartera se elige aproximando la solución a un problema multiobjetivo con restricciones. Finalmente, se utiliza un simulador de inversiones para medir el rendimiento de la cartera. El enfoque propuesto se prueba con datos reales de las bolsas de Nueva York, Milán y París, explotando datos de junio de 2011 a mayo de 2014 para entrenar el marco, y datos de junio de 2014 a julio de 2015 para validarlo. Los resultados experimentales demuestran que la herramienta presentada es capaz de obtener un beneficio más que satisfactorio para el marco temporal considerado.
 

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. (c) 2013 Elsevier Ltd. All rights reserved.


 

Desarrollo de indicadores de redes neuronales

¡Hola!

Estoy tratando de hacer algunos indicadores de red neuronal para metatrader4, y me gustaría tener algunas sugerencias, sobre todo en relación con las entradas y salidas de la red, y tal vez la estructura o el tipo de red que usted considera el mejor para esta aplicación.

Por lo que sé las mejores salidas para la previsión de series financieras, son la previsión de rangos de precios, previsión de máximos o mínimos, y ese tipo de cosas. Pronosticar directamente el precio (apertura, cierre) no da buenos resultados debido a numerosas razones, por ejemplo un pequeño cambio en el tiempo entre la hora de apertura y la hora de cierre podría cambiar sus valores considerablemente.

Si alguien tiene una sugerencia estaré encantado de escucharla y probarla.

Por cierto, no soy un experto programador de redes neuronales, sólo tengo una buena idea general sobre el tema =P.

Gracias de antemano,

JCC

 

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.


 
Este trabajo estudia si es posible explotar el comportamiento no lineal de las rentabilidades diarias del índice bursátil español Ibex-35 para mejorar las previsiones en horizontes cortos y largos. En este sentido, examinamos el rendimiento de las previsiones fuera de muestra de los modelos de autorregresión de transición suave (STAR) y de las redes neuronales artificiales (RNA). Utilizamos métodos de previsión de un paso (obtenidos mediante regresiones recursivas y no recursivas) y de varios pasos. Las previsiones se evalúan con criterios estadísticos y económicos. En cuanto a los criterios estadísticos, comparamos las previsiones fuera de muestra utilizando medidas de bondad de las previsiones y varios enfoques de prueba. Los resultados indican que las RNA superan sistemáticamente al modelo de paseo aleatorio y, aunque las pruebas son más débiles, proporcionan mejores previsiones que el modelo lineal AR y los modelos STAR para algunos horizontes de previsión y métodos de previsión. En cuanto a los criterios económicos, evaluamos el rendimiento relativo de las previsiones en una estrategia de negociación simple que incluye el impacto de los costes de transacción en los beneficios de la estrategia de negociación. Los resultados indican un mejor ajuste de los modelos RNA, en términos de rentabilidad neta media y ratio de riesgo ajustado de Sharpe, al utilizar previsiones con un paso de antelación. Estos resultados muestran que existe una buena posibilidad de obtener un ajuste y una previsión más precisos de los rendimientos diarios de los índices bursátiles utilizando predictores de un paso adelante y modelos no lineales, pero que éstos son intrínsecamente complejos y presentan una difícil interpretación económica.
 
Predecimos los mercados de valores utilizando la información contenida en los artículos publicados en la web. Se toman como entrada principalmente artículos textuales aparecidos en los principales y más influyentes periódicos financieros. A partir de esos artículos se predicen los valores de cierre diarios de los principales índices bursátiles de Asia, Europa y América. Los artículos textuales no sólo contienen el efecto (por ejemplo, las acciones a la baja), sino también las posibles causas del suceso (por ejemplo, las acciones a la baja por la debilidad del dólar y, en consecuencia, el debilitamiento de los bonos del Tesoro). La explotación de la información textual aumenta, por tanto, la calidad de la información. Las previsiones están disponibles en tiempo real a través de www.cs.ust.hk/~beat/Predict todos los días a las 7:45 de la mañana, hora de Hong Kong. Por tanto, todas las predicciones están disponibles antes de que los principales mercados asiáticos comiencen a operar. Para elaborar las previsiones se han empleado varias técnicas, como las basadas en reglas, el algoritmo k-NN y la red neuronal. Esas técnicas se comparan entre sí. Una estrategia de negociación basada en el sistema...
 
Basándose en los antecedentes de la tendencia del desarrollo financiero en China en los últimos años, y en el análisis estadístico de la línea de tendencia, este documento establece la estrategia de negociación cuantitativa a través del algoritmo de red neuronal BP y el discriminante lineal de Fisher. En primer lugar, los datos se convierten en líneas de tendencia de igual longitud, y la pendiente se difumina para construir la matriz de la tendencia ascendente y la tendencia descendente. A continuación, se utiliza el algoritmo de la red neuronal BP y el discriminante lineal de Fisher para llevar a cabo la previsión de los precios, respectivamente, y tomar el comportamiento de las transacciones, y, en consecuencia, tomamos los futuros del índice bursátil 300 de Shanghai y Shenzhen como ejemplo para llevar a cabo la prueba retrospectiva. El resultado muestra que, en primer lugar, la tendencia inicial de los precios se mantiene bien mediante el ajuste; en segundo lugar, la rentabilidad y la capacidad de control del riesgo del sistema de negociación se mejoran mediante la optimización del entrenamiento de la red neuronal y el discriminante lineal de Fisher.
 

OpenNN (Open Neural Networks Library) is a software library written in the C++ programming language which implements neural networks, a main area of deep learning research..

OpenNN implementa los métodos de minería de datos como un conjunto de funciones. Éstas pueden integrarse en otras herramientas de software mediante una interfaz de programación de aplicaciones (API) para la interacción entre la herramienta de software y las tareas de análisis predictivo. En este sentido, se echa en falta una interfaz gráfica de usuario, pero algunas funciones pueden soportar la integración de herramientas de visualización específicas.

La principal ventaja de OpenNN es su alto rendimiento. Esta biblioteca destaca en términos de velocidad de ejecución y asignación de memoria. Se optimiza y paraleliza constantemente para maximizar su eficacia.

http://www.opennn.net/
 

Red neuronal

Red neuronal: hilos de discusión/desarrollo

  1. Hilo de desarrollo de Better NN EA con indicadores, archivos pdf y demás.
  2. Hilo final de Better NN EA
  3. Hilo de Redes Neuronales (buena discusión pública)
  4. Cómo construir un NN-EA en MT4:hilo útil para desarrolladores.
  5. Red de Base Radial (RBN) - como filtro de ajuste para el precio:el hilo

Red Neural: Indicadores y desarrollo de sistemas

  1. MA autoentrenado cruzado: hilode desarrollo para la nueva generación de los indicadores
  2. Algoritmo de Levenberg-Marquardt: hilode desarrollo

Red neuronal: EAs

  1. CyberiaTrader EA:hilo de discusión ehilo de EAs.
  2. Hilo de expertos de autoaprendizaje con archivos de EAsaquí.
  3. Hilos de EAs de Inteligencia Artificial:Hilo de cómo "enseñar" y utilizar el EA de IA ("neurona") ehilo de Inteligencia Artificial
  4. Forex_NN_Expert EA e hilode indicadores.
  5. SpiNNaker - Un hilode EA de red neuronal.

Red Neural: Los libros

  1. Qué leer y dónde aprender sobre Aprendizaje Automático(10 libros gratuitos) - elpost.

1...18192021222324252627
Nuevo comentario
Razón de la queja: