주식 시장 수익률 예측은 금융에서 중요한 문제입니다. 이 논문의 목적은 artificial신경망 (ANN) 사용의 수익성을 조사하는 것입니다. 이 연구에서 ANN의 예측은 단순 매수 전략에 대해 수익성이 평가되는 단순 거래 전략으로 변환됩니다. 우리는 대만 가중 지수와 미국의 S&P 500을 분석하기 위해 신경망접근 방식을 채택했습니다. 결과적으로 우리는 ANN에 기반한 거래 규칙이 바이 홀드 전략보다 더 높은 수익을 생성한다는 것을 발견했습니다.
인공 신경망은 데이터를 일반화하거나 클러스터링 또는 구성하는 능력, 병렬 처리를 기반으로 하는 작업과 같은 특정 속성을 가진 계산 모델로 가장 적절하게 특성화될 수 있습니다. 그러나 위에서 언급한 속성 중 상당수는 기존 비신경 모델 흥미로운 질문은 신경 접근 방식이 기존 모델보다 특정 애플리케이션에 어느 정도 더 적합한 것으로 입증되는지입니다. 현재까지 이 질문에 대한 모호한 대답은 찾지 못했습니다.
전자 시장은 다양한 금융 자산의 거래를 위한 인기 있는 장소로 부상했으며 computer 기반 알고리즘 거래도 전 세계 금융 시장에서 지배적인 힘으로 자리 매김했습니다. 금융 시장에 대한 알고리즘 거래의 영향을 식별하고 이해하는 것은 시장 운영자와 규제 기관에게 중요한 문제가 되었습니다. 우리는 관찰된 거래 행동을 일으켰을 가능성이 가장 큰 보상 기능의 관점에서 거래자의 행동을 특성화할 것을 제안합니다. 우리의 접근 방식은 거래 결정을 Markov Decision Process(MDP)로 모델링하고 최적의 결정 정책을 관찰하여 보상 함수를 찾는 것입니다. 이를 역 강화 학습 (IRL)이라고 합니다. 거래자 행동을 특성화하기 위한 IRL 기반 접근 방식은 주문장 역학의 주요 경험적 속성을 포착하면서도 계산적으로 다루기 쉬운 상태를 유지한다는 점에서 두 가지 바람직한 기능 사이의 균형을 유지합니다. 선형 계획법에 기반한 IRL 알고리즘을 사용하여 시뮬레이션된 E-Mini S&P 500 선물 시장에 대한 실험에서 다른 거래 전략과 빈도가 높은 거래를 구별하는 데 90% 이상의 분류 정확도를 달성할 수 있습니다. 이러한 경험적 테스트의 결과는 개별 거래 행동의 관찰을 기반으로 고주파 거래 전략을 정확하게 식별하고 프로파일링할 수 있음을 시사합니다.
매력 모델은 시장 점유율에 대한 마케팅 도구의 효과를 연구하기 위한 마케팅 연구에서 매우 인기가 있습니다. 그러나 지금까지 마케팅 문헌은 매력 값에 대한 임계값 또는 포화 효과를 배제한 특정 기능적 형태의 매력 모델만 고려합니다. 여기에 소개된 신경망 기반 접근 방식을 사용하여 더 큰 유연성을 얻을 수 있습니다. 이 접근 방식은 하나의 은닉층이 있는 퍼셉트론을 통해 브랜드의 매력 가치를 평가합니다. 이 접근 방식은 로그 비율 변환된 시장 점유율을 종속 변수로 사용합니다. 확률적 경사하강법(quasi Newton method)이 뒤따르는 유사 뉴턴 방법은 매개변수를 추정합니다. 상점 수준 데이터의 경우 신경망 모델이 더 잘 수행되고 잘 알려진 다항 로짓 매력 모델과 질적으로 다른 가격 응답을 암시합니다. 신경망 유인 모델의 가격 탄력성은 최적 가격 측면에서 특정 관리적 의미로 이어집니다. (저자의 초록)
최근 몇 년 동안 자동화된 알고리즘 trading 시스템이 오토봇, 블랙박스 또는 전문가 고문의 형태로 제도적 솔루션으로 발전하는 것을 목격했습니다. 그러나 이러한 시스템의 효율성을 보여주는 충분한 증거가 있는 이 분야에 대한 연구는 거의 이루어지지 않았습니다. 이 논문은 사이버네틱 개념으로 최적화된 유전자 알고리즘 신경망 (GANN) 모델을 구현하는 자동화된 거래 시스템을 구축하고 MVAR(Modified Value-at-risk) 프레임워크를 사용하여 성공을 평가합니다. 사이버네틱 엔진에는 순환 인과 관계 피드백 제어 기능과 개발된 황금 비율 추정기가 포함되어 있어 위험 가격 책정 모델 개발 시 모든 형태의 시장 데이터에 적용할 수 있습니다. 이 문서는 데이터 입력으로 유로 및 엔 환율을 적용합니다. 이 기법은 위험 최소화 전략으로 중앙 은행 통화 정책을 포함하는 기관의 거래 및 변동성 제어 시스템으로 유용함을 보여줍니다. 또한, 결과는 주간 거래 전략의 경우 30초 이내에 달성되어 상대적으로 낮은 대기 시간 성능을 제공합니다. 결과는 위험 노출이 최대 96%의 성공률로 4~5배 감소되었음을 보여주며 이 분야의 추가 연구 및 개발에 대한 증거를 제공합니다.
인공 신경망에 대한 연구는 생물학적 "처리"의 원리를 수학적 모델로 번역하기 위한 첫 번째 시도에서 파생됩니다. 인공 신경망은 가장 빠른 시간에 시스템 진화의 암시적이고 예측 가능한 모델을 생성하는 작업을 처리합니다. 특히, 그것은 경험에서 일부 행동이나 상황을 인식하고 이를 고려하는 방법을 "제안"할 수 있는 능력에서 파생됩니다. 이 작업은 금융 모델링을 위한 인공 신경망 사용에 대한 접근 방식을 보여줍니다. 우리는 단일 및 다중 에이전트와 모집단 모델 간의 구조적 차이점(및 의미)을 탐색하는 것을 목표로 합니다. 단일 인구 모델에서 ANN은 자산 극대화 에이전트(예측을 수행하는 비선형 모델에 따라 효용 극대화를 달성하기 위해 에이전트가 결정을 내림)가 있는 예측 장치로 관여하지만 다중 인구 모델에서는 에이전트가 따르지 않습니다. 미리 결정된 규칙이지만 시장 데이터가 수집됨에 따라 고유한 행동 규칙을 만드는 경향이 있습니다. 특히, 단일 에이전트와 단일 인구 모델 간의 다양성을 분석하는 것이 중요합니다. 사실, 단일 인구 모델을 구축할 때 내생적으로 시장 균형을 설명하는 것이 가능합니다. 이는 모든 환경 특성이 주어진 것으로 간주되고 단일 에이전트의 통제를 벗어나는 단일 에이전트 모델에서는 불가능합니다. 우리가 연구하고자 하는 특정 응용 프로그램은 "고객 프로파일링"에 관한 것입니다. 여기서 (개인적이고 직접적인 관계를 기반으로) 각 고객의 "구매" 행동을 정의할 수 있으며, 다음과 같은 행동 추론 모델을 사용합니다. 인공 신경망은 전통적인 통계 방법론보다 훨씬 우수합니다.
BPNN 예측자
BPNN 예측자
최적화 프로세스를 프로그래밍하는 코드가 있습니까? 최적화를 자동화할 수 있습니다.
논리.
0) 주말에만 한다.
1) 0. 200 범위의 매개변수 를 1단계로 설정합니다.
2) 최적화 결과 얻기
3) 이익 계수의 결과를 1.0 자리로 반올림하여 7.4=7 및 7.5 = 8이 되도록 합니다.
4) 상위 2단계 이익률 범위의 카테고리에서 가장 적은 거래 번호를 선택하면 내가 원하는 최적화 결과입니다.
5) 새로운 설정을 전문가 EA에 넣고 다음 주에 실행합니다.
최적화 부분을 코딩할 수 있습니까?
AI ea는 어떻게 작동합니까?