Reti neurali - pagina 22

Nuovo commento
 
La previsione finanziaria è un compito difficile a causa della complessità intrinseca del sistema finanziario. Un approccio semplificato nella previsione è dato da metodi a "scatola nera" come le reti neurali che presuppongono poco sulla struttura dell'economia. Nel presente articolo mettiamo in relazione la nostra esperienza utilizzando le reti neurali come metodo di previsione delle serie temporali finanziarie. In particolare mostriamo che è possibile trovare una rete neurale in grado di prevedere il segno degli incrementi di prezzo con un tasso di successo leggermente superiore al 50%. Le serie target sono il prezzo di chiusura giornaliero di diversi asset e indici nel periodo che va da circa gennaio 1990 a febbraio 2000.
 
Proponiamo un nuovo metodo per prevedere i movimenti nel mercato Forex basato sulla rete neurale NARX con la tecnica del time shifting bagging e indicatori finanziari, come l'indice di forza relativa e gli indicatori stocastici. Le reti neurali hanno un'abilità di apprendimento prominente, ma spesso esibiscono prestazioni cattive e imprevedibili per i dati rumorosi. Rispetto alle reti neurali statiche, il nostro metodo riduce significativamente il tasso di errore della risposta e migliora le prestazioni della previsione. Abbiamo testato tre diversi tipi di architettura per prevedere la risposta e determinato il miglior approccio di rete. Abbiamo applicato il nostro metodo per predire i tassi di cambio orari e abbiamo trovato una notevole prevedibilità in esperimenti completi con 2 diversi tassi di cambio (GBPUSD e EURUSD).

 
 
Nonostante l'alta precisione, le reti neurali hanno dimostrato di essere suscettibili agli esempi avversi, dove una piccola perturbazione ad un input può causare un'errata etichettatura. Proponiamo delle metriche per misurare la robustezza di una rete neurale e ideiamo un nuovo algoritmo per approssimare queste metriche basate su una codifica della robustezza come un programma lineare. Mostriamo come le nostre metriche possono essere utilizzate per valutare la robustezza delle reti neurali profonde con esperimenti sui dataset MNIST e CIFAR-10. Il nostro algoritmo genera stime più informative delle metriche di robustezza rispetto alle stime basate su algoritmi esistenti. Inoltre, mostriamo come gli approcci esistenti per migliorare la robustezza "overfit" agli esempi avversi generati utilizzando un algoritmo specifico. Infine, mostriamo che le nostre tecniche possono essere utilizzate per migliorare ulteriormente la robustezza delle reti neurali sia secondo le metriche che proponiamo, ma anche secondo le metriche proposte in precedenza.
 
seekers_:
Interessante. Grazie :)
 

Effectiveness of firefly algorithm based neural network in time series forecasting

 

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.



 

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.


 

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


 

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.


1...15161718192021222324252627
Nuovo commento
Motivazione: