Réseaux neuronaux - page 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]

L'échange de devises est la négociation d'une devise contre une autre. Les taux FOREX sont influencés par de nombreux facteurs économiques, politiques et psychologiques corrélés, et leur prévision est donc une tâche ardue. Parmi les méthodes permettant de prédire le taux FOREX figurent l'analyse statistique, l'analyse des séries chronologiques, les systèmes flous, les réseaux neuronaux et les systèmes hybrides. Ces méthodes souffrent du problème de la prédiction précise du taux de change. Un réseau neuronal artificiel (ANN) et un système hybride neuro-flou (ANFIS) sont proposés pour prédire le taux futur du marché FOREX. Le MLP est utilisé pour prédire la hausse ou la baisse du taux de change tandis que le modèle ANFIS est utilisé pour prédire le taux de change du jour suivant. Pour l'expérience, le taux de change USDINR du marché des changes est utilisé. L'erreur carrée moyenne (MSE) et l'erreur absolue moyenne (MAE) sont utilisées comme indicateurs de performance. L'ANN a obtenu une MSE de 0,033 et une MAE de 0,0002 pendant la formation, tandis que le modèle ANFIS a obtenu une MSE de 0,024 et une MAE de 6,7x10-8. L'ANN a obtenu une MSE de 0,003 et une MAE de 0,00082, tandis que le modèle ANFIS a obtenu une MSE de 0,02 et une MAE de 0,00792 pendant la phase de test.

[John Seekers]

Jusqu'à présent, la littérature marketing n'a considéré que des modèles d'attraction ayant des formes fonctionnelles strictes. Une plus grande exibilité peut être obtenue par l'approche basée sur un réseau neuronal qui évalue les valeurs d'attraction des marques au moyen d'un perceptron à une couche cachée. En utilisant des parts de marché transformées en logarithme comme variables dépendantes, la descente de gradient stochastique suivie d'une méthode quasi-Newton estime les paramètres. Pour les données au niveau des magasins, le modèle de réseau neuronal est plus performant et implique une réponse des prix qualitativement différente du modèle d'attraction MNL bien connu. Les élasticités de prix de ces modèles concurrents conduisent également à des implications managériales spécifiques. (résumé de l'auteur)

[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 noyaux dynamiques, avec la capacité d'intégrer des informations mesurées à des fréquences differentes et à des intervalles de temps irréguliers als sur les marchés financiers. Un processus de compression des données redfines la série temporelle financière originale en blocs de données temporelles, en analysant les informations temporelles de multiples intervalles de temps als. L'analyse est effectuée par le biais de noyaux dynamiques multiv ariés dans la régression par vecteur de support. Nous e proposons également deux noyaux pour les séries temporelles financières qui sont efficient sur le plan informatique sans sacrifice sur la précision. L'efficacy de la méthodologie est démontrée par des expériences empiriques sur la prévision du difficile marché 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]

L'injection de bruit est une méthode standard pour atténuer le surajustement dans les réseaux de neurones (NNs). Les récents développements de l'injection de bruit de Bernoulli, tels qu'ils sont mis en œuvre dans les procédures de dropout et de shakeout, démontrent l'efficacité et la faisabilité de l'injection de bruit dans la régularisation des réseaux neuronaux profonds. Nous proposons le whiteout, une nouvelle technique de régularisation par injection de bruits gaussiens adaptatifs dans un NN profond. Le whiteout offre trois paramètres d'ajustement, offrant une flexibilité pendant l'entraînement des NNs. Nous montrons que le whiteout est associé à une fonction objective d'optimisation déterministe dans le contexte des modèles linéaires généralisés avec un terme de pénalité à forme fermée et inclut le lasso, la régression ridge, le lasso adaptatif et le filet élastique comme cas particuliers. Nous démontrons également que le whiteout peut être considéré comme un apprentissage robuste du modèle NN en présence de perturbations petites et insignifiantes dans les nœuds d'entrée et cachés. Par rapport au dropout, le whiteout a de meilleures performances lors de l'apprentissage de données de taille relativement petite avec la sparsité introduite par la régularisation l1 . Par rapport au shakeout, la fonction objective pénalisée dans le whiteout a un meilleur comportement de convergence et est plus stable étant donné la continuité des bruits injectés. Nous établissons théoriquement que la fonction de perte empirique perturbée par le bruit avec le whiteout converge presque sûrement vers la fonction de perte idéale, et les estimations des paramètres NN obtenues en minimisant la première fonction de perte sont cohérentes avec celles obtenues en minimisant la fonction de perte idéale. D'un point de vue informatique, le whiteout peut être incorporé dans l'algorithme de rétropropagation et est efficace sur le plan informatique. La supériorité du whiteout sur le dropout et le shakeout dans l'entraînement des NNs en classification est démontrée en utilisant les données MNIST.

[John Seekers]

Si la profondeur tend à améliorer les performances des réseaux, elle rend également plus difficile l'apprentissage basé sur le gradient, car les réseaux plus profonds ont tendance à être plus non linéaires. L'approche de distillation des connaissances récemment proposée vise à obtenir des modèles de petite taille et rapides à exécuter, et elle a montré qu'un réseau d'étudiants pouvait imiter la sortie douce d'un réseau d'enseignants ou d'un ensemble de réseaux plus important. Dans cet article, nous étendons cette idée pour permettre la formation d'un étudiant plus profond et plus fin que l'enseignant, en utilisant non seulement les sorties mais aussi les représentations intermédiaires apprises par l'enseignant comme des indices pour améliorer le processus de formation et la performance finale de l'étudiant. Comme la couche cachée intermédiaire de l'élève sera généralement plus petite que la couche cachée intermédiaire de l'enseignant, des paramètres supplémentaires sont introduits pour faire correspondre la couche cachée de l'élève à la prédiction de la couche cachée de l'enseignant. Cela permet de former des étudiants plus profonds qui peuvent mieux généraliser ou fonctionner plus rapidement, un compromis qui est contrôlé par la capacité de l'étudiant choisi. Par exemple, sur le CIFAR-10, un réseau profond d'étudiants avec presque 10,4 fois moins de paramètres surpasse un réseau d'enseignants plus grand et à la pointe de la technologie.

[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.