Reti neurali - pagina 25

Nuovo commento
 

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.


 
Prevedere il comportamento del mercato per trarre profitto dal trading di azioni è tutt'altro che banale. Tale compito diventa ancora più difficile quando gli investitori non hanno grandi quantità di denaro a disposizione, e quindi non possono influenzare questo sistema complesso in alcun modo. I paradigmi di apprendimento automatico sono già stati applicati alla previsione finanziaria, ma di solito senza restrizioni sulla dimensione del budget dell'investitore. In questo articolo, analizziamo un ottimizzatore evolutivo di portafoglio per la gestione di budget limitati, sezionando ogni parte del framework, discutendo in dettaglio le problematiche e le motivazioni che hanno portato alle scelte finali. I rendimenti attesi sono modellati ricorrendo a reti neurali artificiali addestrate su dati di mercato passati, e la composizione del portafoglio è scelta approssimando la soluzione di un problema vincolato multi-obiettivo. Un simulatore di investimento viene infine utilizzato per misurare la performance del portafoglio. L'approccio proposto viene testato su dati reali delle borse di New York, Milano e Parigi, sfruttando i dati da giugno 2011 a maggio 2014 per addestrare il framework, e i dati da giugno 2014 a luglio 2015 per validarlo. I risultati sperimentali dimostrano che lo strumento presentato è in grado di ottenere un profitto più che soddisfacente per il periodo di tempo considerato.
 

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.


 

Sviluppo di indicatori di rete neurale

Ciao!

Sto cercando di fare alcuni indicatori di rete neurale per Metatrader4, e vorrei alcuni suggerimenti, soprattutto per quanto riguarda gli ingressi e le uscite della rete, e forse la struttura o il tipo di rete che si considera il migliore per questa applicazione.

Per quanto ne so, i migliori output per la previsione di serie finanziarie sono le previsioni di range di prezzo, la previsione di top o bottom, e questo tipo di cose. Prevedere direttamente il prezzo (apertura, chiusura) non ottiene buoni risultati per numerose ragioni, per esempio un piccolo spostamento nel tempo tra l'ora di apertura e quella di chiusura potrebbe cambiare i loro valori in modo considerevole.

Se qualcuno ha un suggerimento, sarò felice di ascoltarlo e provarlo.

A proposito, non sono un esperto programmatore di reti neurali, ho solo una buona idea generale sull'argomento =P.

Grazie in anticipo,

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.


 
Questo articolo studia se è possibile sfruttare il comportamento non lineare dei rendimenti giornalieri dell'indice azionario spagnolo Ibex-35 per migliorare le previsioni su orizzonti brevi e lunghi. In questo senso, esaminiamo la performance previsionale out-of-sample dei modelli di autoregressione a transizione graduale (STAR) e delle reti neurali artificiali (ANN). Utilizziamo metodi di previsione one-step (ottenuti utilizzando regressioni ricorsive e non ricorsive) e multi-step-ahead. Le previsioni sono valutate con criteri statistici ed economici. In termini di criteri statistici, abbiamo confrontato le previsioni out-of-sample utilizzando misure di bontà della previsione e vari approcci di test. I risultati indicano che le RNA superano costantemente il modello random walk e, sebbene l'evidenza di ciò sia più debole, forniscono previsioni migliori del modello AR lineare e dei modelli STAR per alcuni orizzonti di previsione e metodi di previsione. In termini di criteri economici, valutiamo la performance relativa delle previsioni in una semplice strategia di trading, compreso l'impatto dei costi di transazione sui profitti della strategia di trading. I risultati indicano un migliore adattamento dei modelli ANN, in termini di rendimento netto medio e di rapporto Sharpe aggiustato per il rischio, utilizzando previsioni one-step-ahead. Questi risultati mostrano che c'è una buona possibilità di ottenere un adattamento e una previsione più accurata dei rendimenti giornalieri degli indici azionari utilizzando predittori one-step-ahead e modelli non lineari, ma che questi sono intrinsecamente complessi e presentano una difficile interpretazione economica.
 
Prevediamo i mercati azionari utilizzando le informazioni contenute negli articoli pubblicati sul web. Vengono presi come input soprattutto articoli testuali che appaiono nei principali e più influenti giornali finanziari. Da questi articoli vengono predetti i valori di chiusura giornalieri dei principali indici di borsa in Asia, Europa e America. Le dichiarazioni testuali contengono non solo l'effetto (ad esempio, azioni in calo) ma anche le possibili cause dell'evento (ad esempio, azioni in calo a causa della debolezza del dollaro e di conseguenza un indebolimento dei buoni del tesoro). Lo sfruttamento delle informazioni testuali aumenta quindi la qualità dell'input. Le previsioni sono disponibili in tempo reale tramite www.cs.ust.hk/~beat/Predict ogni giorno alle 7:45 ora di Hong Kong. Quindi tutte le previsioni sono disponibili prima che i principali mercati asiatici inizino le contrattazioni. Diverse tecniche, come quelle basate su regole, algoritmo k-NN e rete neurale, sono state impiegate per produrre le previsioni. Queste tecniche sono confrontate l'una con l'altra. Una strategia di trading basata sul sistema...
 
Sulla base dello sfondo di tendenza dello sviluppo finanziario in Cina negli ultimi anni e dell'analisi statistica della linea di tendenza, questo documento stabilisce la strategia di trading quantitativo attraverso l'algoritmo della rete neurale BP e il discriminante lineare di Fisher. In primo luogo, i dati sono linearmente regrediti in linee di tendenza di uguale lunghezza e la pendenza è fuzzificata per costruire la matrice della tendenza al rialzo e della tendenza al ribasso. Poi usiamo l'algoritmo della rete neurale BP e il discriminante lineare di Fisher per portare avanti rispettivamente la previsione dei prezzi e prendere il comportamento delle transazioni, e corrispondentemente prendiamo i futures dell'indice azionario Shanghai e Shenzhen 300 come esempio per portare avanti il back test. Il risultato mostra che, in primo luogo, la tendenza iniziale del prezzo è ben mantenuta dal montaggio; in secondo luogo, la redditività e la capacità di controllo del rischio del sistema di trading sono migliorate attraverso l'ottimizzazione della formazione della rete neurale e del discriminante lineare di 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 metodi di data mining come un pacchetto di funzioni. Queste possono essere incorporate in altri strumenti software utilizzando un'interfaccia di programmazione delle applicazioni (API) per l'interazione tra lo strumento software e i compiti di analisi predittiva. A questo proposito, manca un'interfaccia utente grafica, ma alcune funzioni possono supportare l'integrazione di specifici strumenti di visualizzazione.

Il vantaggio principale di OpenNN è la sua alta performance. Questa libreria si distingue in termini di velocità di esecuzione e di allocazione della memoria. È costantemente ottimizzata e parallelizzata al fine di massimizzare la sua efficienza.

http://www.opennn.net/
 

Rete neurale

Rete Neurale: thread di discussione/sviluppo

  1. Better NN EAthread di sviluppo con indicatori, file pdf e così via.
  2. Migliorethread finale di NN EA
  3. Reti Neuralithread(buona discussione pubblica)
  4. Come costruire un NN-EA in MT4:thread utile per gli sviluppatori.
  5. Radial Basis Network (RBN) - come filtro per il prezzo:il thread

Rete neurale: Indicatori e sviluppo di sistemi

  1. Self-trained MA cross:thread di sviluppo per la nuova generazione di indicatori
  2. Algoritmo di Levenberg-Marquardt:thread di sviluppo

Rete Neurale: EAs

  1. CyberiaTrader EA:thread di discussione ethread degli EA.
  2. Thread degli esperti di autoapprendimento con i file degli EAsqui.
  3. Threads sugli EAs di intelligenza artificiale: come "insegnare" e usare l'AI ("neurone") EAthread ethread sull'intelligenza artificiale
  4. Forex_NN_Expert EA efilo di indicatori.
  5. SpiNNaker - Unthread EA a rete neurale.

Rete Neurale: I Libri

  1. Cosa leggere e dove imparare sul Machine Learning(10 libri gratuiti) - ilpost.

1...18192021222324252627
Nuovo commento