Réseaux neuronaux - page 22

[John Seekers]

Les prévisions financières sont une tâche difficile en raison de la complexité intrinsèque du système financier. Une approche simplifiée de la prévision est donnée par des méthodes de "boîte noire" comme les réseaux neuronaux qui supposent peu de choses sur la structure de l'économie. Dans le présent article, nous relatons notre expérience de l'utilisation des réseaux neuronaux comme méthode de prévision des séries chronologiques financières. En particulier, nous montrons qu'il est possible de trouver un réseau neuronal capable de prévoir le signe de l'augmentation des prix avec un taux de réussite légèrement supérieur à 50 %. Les séries cibles sont les prix de clôture quotidiens de différents actifs et indices au cours de la période allant de janvier 1990 à février 2000 environ.

[John Seekers]

Nous proposons une nouvelle méthode de prédiction des mouvements sur le marché des changes basée sur le réseau neuronal NARX avec une technique de mise en sac à décalage temporel et des indicateurs financiers, tels que l'indice de force relative et les indicateurs stochastiques. Les réseaux neuronaux ont une capacité d'apprentissage importante, mais ils présentent souvent des performances mauvaises et imprévisibles pour les données bruyantes. Par rapport aux réseaux neuronaux statiques, notre méthode réduit considérablement le taux d'erreur de la réponse et améliore les performances de la prédiction. Nous avons testé trois différents types d'architecture pour prédire la réponse et déterminé la meilleure approche de réseau. Nous avons appliqué notre méthode à la prédiction des taux de change horaires et avons trouvé une prédictibilité remarquable dans des expériences complètes avec 2 taux de change différents (GBPUSD et EURUSD).

[John Seekers]

[John Seekers]

Malgré leur grande précision, les réseaux neuronaux se sont avérés sensibles aux exemples adverses, où une petite perturbation d'une entrée peut entraîner un mauvais étiquetage. Nous proposons des métriques pour mesurer la robustesse d'un réseau de neurones et concevons un nouvel algorithme d'approximation de ces métriques basé sur un codage de la robustesse sous forme de programme linéaire. Nous montrons comment nos métriques peuvent être utilisées pour évaluer la robustesse des réseaux de neurones profonds à l'aide d'expériences sur les ensembles de données MNIST et CIFAR-10. Notre algorithme génère des estimations plus informatives des métriques de robustesse par rapport aux estimations basées sur les algorithmes existants. De plus, nous montrons comment les approches existantes pour améliorer la robustesse s'adaptent aux exemples adverses générés par un algorithme spécifique. Enfin, nous montrons que nos techniques peuvent être utilisées pour améliorer davantage la robustesse des réseaux neuronaux, à la fois selon les métriques que nous proposons, mais aussi selon les métriques proposées précédemment.

[techmac]

seekers_:

Intéressant. Merci :)

[John Seekers]

Effectiveness of firefly algorithm based neural network in time series forecasting

[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.

[John Seekers]

In this paper we investigate and design the neural networks model for FOREX prediction based on the historical data movement of USD/EUR exchange rates. Unlike many other techniques of technical analysis which are based on price trends analysis, neural networks offer autocorrelation analysis and the estimation of possible errors in forecasting. This theory is consistent with the semi-strong form of the efficient markets hypothesis. The empirical data used in the model of neural networks are related to the exchange rate USD/EUR in the period 23.04.2012–04.05.2012. The results shows that the model can be used for FOREX prediction.

[John Seekers]

Neural networks are known to be effective function approximators. Recently, deep neural networks have proven to be very effective in pattern recognition, classification tasks and human-level control to model highly nonlinear realworld systems. This paper investigates the effectiveness of deep neural networks in the modeling of dynamical systems with complex behavior. Three deep neural network structures are trained on sequential data, and we investigate the effectiveness of these networks in modeling associated characteristics of the underlying dynamical systems. We carry out similar evaluations on select publicly available system identification datasets. We demonstrate that deep neural networks are effective model estimators from input-output data

[John Seekers]

This study presents a novel application and comparison of higher order neural networks (HONNs) to forecast benchmark chaotic time series. Two models of HONNs were implemented, namely functional link neural network (FLNN) and pi-sigma neural network (PSNN). These models were tested on two benchmark time series; the monthly smoothed sunspot numbers and the Mackey-Glass time-delay differential equation time series. The forecasting performance of the HONNs is compared against the performance of different models previously used in the literature such as fuzzy and neural networks models. Simulation results showed that FLNN and PSNN offer good performance compared to many previously used hybrid models.