Нейронные сети - страница 25

Новый комментарий
 

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.


 
Предсказание поведения рынка для получения прибыли от торговли акциями - далеко не тривиальная задача. Такая задача становится еще сложнее, когда инвесторы не располагают большими суммами денег, а значит, не могут никак повлиять на эту сложную систему. Парадигмы машинного обучения уже применялись для финансового прогнозирования, но обычно без ограничений на размер бюджета инвестора. В этой статье мы анализируем эволюционный оптимизатор портфеля для управления ограниченными бюджетами, препарируя каждую часть структуры, подробно обсуждая вопросы и мотивы, которые привели к окончательному выбору. Ожидаемая доходность моделируется с помощью искусственных нейронных сетей, обученных на прошлых рыночных данных, а состав портфеля выбирается путем аппроксимации решения многоцелевой задачи с ограничениями. В конечном итоге для оценки эффективности портфеля используется инвестиционный симулятор. Предложенный подход тестируется на реальных данных с Нью-Йоркской, Миланской и Парижской фондовых бирж, используя данные с июня 2011 года по май 2014 года для обучения системы и данные с июня 2014 года по июль 2015 года для ее проверки. Экспериментальные результаты показывают, что представленный инструмент способен получить более чем удовлетворительную прибыль за рассматриваемый период времени.
 

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.


 

Разработка нейросетевых индикаторов

Привет!

Я пытаюсь сделать несколько нейросетевых индикаторов для metatrader4, и хотел бы получить несколько предложений, в основном относительно входов и выходов сети, и, возможно, структуры или типа сети, который вы считаете лучшим для этого приложения.

Насколько я знаю, лучшие выходы для прогнозирования финансовых серий - это прогнозирование ценового диапазона, прогнозирование вершин или дна, и тому подобное. Прогнозирование непосредственно по цене (открытия, закрытия) не дает хороших результатов по многим причинам, например, небольшой сдвиг во времени между временем открытия и закрытия может значительно изменить их значения.

Если у кого-то есть предложение, я буду рад выслушать его и попробовать.

Кстати, я не являюсь экспертом в программировании нейронных сетей, я просто имею хорошее общее представление о предмете =P.

Заранее спасибо,

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.


 
В данной работе исследуется возможность использования нелинейного поведения ежедневных доходностей испанского фондового индекса Ibex-35 для улучшения прогнозов на коротких и длинных горизонтах. В этом смысле мы исследуем эффективность прогнозирования вне выборки моделей авторегрессии с плавным переходом (STAR) и искусственных нейронных сетей (ИНС). Мы используем одношаговые (полученные с помощью рекурсивных и нерекурсивных регрессий) и многошаговые методы прогнозирования. Прогнозы оцениваются с помощью статистических и экономических критериев. С точки зрения статистических критериев, мы сравнили прогнозы вне выборки, используя показатели достоверности прогноза и различные подходы к тестированию. Результаты показывают, что ИНС последовательно превосходят модель случайного хождения и, хотя доказательства этого слабее, дают лучшие прогнозы, чем линейная AR-модель и STAR-модели для некоторых горизонтов прогнозирования и методов прогнозирования. Что касается экономических критериев, мы оцениваем относительную эффективность прогнозов в простой торговой стратегии, включая влияние транзакционных издержек на прибыль торговой стратегии. Результаты показывают, что модели ANN, с точки зрения средней чистой доходности и коэффициента Шарпа с поправкой на риск, лучше подходят для использования прогнозов на один шаг вперед. Эти результаты показывают, что есть хорошие шансы получить более точное соответствие и прогноз ежедневной доходности фондового индекса, используя прогнозы с опережением на один шаг и нелинейные модели, но они по своей сути сложны и представляют собой трудную экономическую интерпретацию.
 
Мы прогнозируем фондовые рынки, используя информацию, содержащуюся в статьях, опубликованных в Интернете. В качестве исходных данных берутся преимущественно текстовые статьи, опубликованные в ведущих и наиболее влиятельных финансовых газетах. На основе этих статей прогнозируются ежедневные значения закрытия основных индексов фондового рынка в Азии, Европе и Америке. Текстовые сообщения содержат не только эффект (например, акции упали), но и возможные причины события (например, акции упали из-за слабости доллара и, следовательно, ослабления казначейских облигаций). Таким образом, использование текстовой информации повышает качество входных данных. Прогнозы доступны в режиме реального времени через сайт www.cs.ust.hk/~beat/Predict ежедневно в 7:45 утра по гонконгскому времени. Таким образом, все прогнозы доступны до начала торгов на основных азиатских рынках. Для составления прогнозов было использовано несколько методов, таких как алгоритм, основанный на правилах, алгоритм k-NN и нейронная сеть. Эти методы сравниваются друг с другом. Торговая стратегия, основанная на системе...
 
На основе трендового фона финансового развития Китая в последние годы и статистического анализа линии тренда в данной работе создается количественная торговая стратегия с помощью алгоритма нейронной сети BP и линейного дискриминанта Фишера. Во-первых, данные линейно регрессируются в равные по длине линии тренда, а наклон фаззифицируется для построения матрицы восходящего тренда и нисходящего тренда. Затем с помощью алгоритма нейронной сети BP и линейного дискриминанта Фишера осуществляется прогноз цены и поведение сделки, соответственно, в качестве примера для обратного теста мы берем фьючерсы на фондовый индекс Шанхая и Шэньчжэня 300. Результат показывает, что, во-первых, первоначальный ценовой тренд хорошо сохраняется при подгонке; во-вторых, прибыльность и способность торговой системы контролировать риски улучшаются благодаря оптимизации обучения нейронной сети и линейного дискриминанта Фишера.
 

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 реализует методы добычи данных в виде набора функций. Они могут быть встроены в другие программные инструменты с использованием интерфейса прикладного программирования (API) для взаимодействия между программным инструментом и задачами прогнозной аналитики. В этом отношении графический пользовательский интерфейс отсутствует, но некоторые функции могут поддерживать интеграцию специфических инструментов визуализации.

Основным преимуществом OpenNN является ее высокая производительность. Эта библиотека превосходит другие по скорости выполнения и распределению памяти. Она постоянно оптимизируется и распараллеливается для достижения максимальной эффективности.

http://www.opennn.net/
 

Нейронная сеть

Нейронные сети: темы обсуждения/разработки

  1. Тема разработки советника Better NN EA с индикаторами, pdf файлами и т.д.
  2. Окончательная версия NN EA
  3. Тема Нейронные сети (хорошее публичное обсуждение)
  4. Как построить NN-EA в MT4: полезнаятема для разработчиков.
  5. Радиальная базисная сеть (RBN) - как фильтр для цены:поток

Нейронные сети: Разработка индикаторов и систем

  1. Самообучающийся MA cross!:поток разработки нового поколения индикаторов
  2. Алгоритм Левенберга-Марквардта:поток разработки

Нейронная сеть: Советники

  1. Советник CyberiaTrader:тема обсуждения итема советников.
  2. Тема самообучающихся экспертов с файлами советниковздесь.
  3. Потоки советников с искусственным интеллектом: как "обучать" и использовать AI ("нейронный") советник ипоток искусственного интеллекта
  4. Тема советника и индикатора Forex_NN_Expert.
  5. SpiNNaker -поток советника с нейронной сетью.

Нейронная сеть: Книги

  1. Что читать и где учиться машинному обучению(10 бесплатных книг) -пост.

1...18192021222324252627
Новый комментарий
Причина обращения: