Материал: Программное обеспечение, использующие в качестве вычислительного механизма для прогнозирования - нейронные сети

Рынок ценных бумаг, он же фондовый рынок, представляет собой публичную торговую площадку для торговли акциями различных компаний. Прогнозирование на рынке ценных бумаг - это попытка определить будущую цену акции компании. Успешное предсказывание цены может принести огромную прибыль торговцу. Одна из основных гипотез заключается в предположении, что цены на акции формируются исходя из всей доступной информации в мире о данных компаниях. Желание узнать будущую картину на фондовом рынке дало толчок развитию нескольких методологий для предсказывания ситуаций на рынке ценных бумаг. Выделяют три главные категории на которые разделяют существующие методологии, используемые для предсказывания цены акций: фундаментальный анализ, технический анализ и технологические методы. Каждая такая методология направлена на максимизация точности предсказания. При этом различные методологии предсказывают либо точное значение конечной цены, либо тренд движения цены в определенном временном интервале.

Проблема точности предсказывания цен акций является актуальной для всех спекулянтов на фондовом рынке. В данной работе будет предложено собственное решение данной проблемы основанное на технологии дата майнинга и машинного обучения1, а именно нейронных сетей. Нейронные сети не являются инновационным подходом к решению данной проблеме. Напротив, они используются довольно повсеместно. Самый популярный вид используемых нейронных сетей - нейронная сеть прямого распространения и метод обратного распространения ошибки, как метод обучения многослойного перцептрона.

Нейронные сети используются в финансовом анализе, как инструмент имитации агента, торгующего на фондовом или другом рынке, благодаря которому можно достичь отличительных доходов благодаря торговле на данных рынках.

Одна из самых важных проблем в работах с нейронными сетями - это неоднозначность способа предобработки входных данных, так как не существует общепризнанной методологии для оценки эффективности того или иного подхода в данном вопросе. Это может быть объяснено тем, что вариативность потенциальных входных данных выросла до такой степени, что разработать классификатор и методологию для каждого типа таких данных просто не предоставляется возможным. Таким образом, в данной работе, отдельная глава будет посвящена процессу предобработки данных и вводу необходимых входных зависимых переменных, которые в совокупности должны привести к более эффективному анализу и прогнозированию доходности на фондовом рынке.

В рамках практической части данной работы требуется разработать программное обеспечение, использующие в качестве вычислительного механизма для прогнозирования - нейронные сети. Выходные данные будут принимать вид конкретных значений экономических показателей в соответствии с поступающими числовыми входными данными. Задача оценки качества работы построенного приложения будет заключаться в сравнении результатов, полученных с помощью нейронной сети, с реальными значениями из тестирующей выборки.

1. ПРОГНОЗИРОВАНИЕ НА ФОНДОВОМ РЫНКЕ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

.1 РЫНОК ЦЕННЫХ БУМАГ

Фондовый рынок это место торговли владением различными компаниями компанией. Фондовый рынок2 - это рынок, на котором торгуют специфическим товаром - ценными бумагами. Реально эти бумаги практически ничего не стоят, однако их ценность определяется активами (имуществом, драгоценностями и т. п.), которые стоят за этими бумагами.

На протяжении долгого времени игроки на рынке были инвесторами с долгосрочными отношениями с той или иной фирмой на бирже. На текущий момент времени, типы участников фондового рынка варьируются от небольших инвесторов акций нескольких фирм до целых фондов.

Большинство акций фирм торгуется на виртуальном фондовом рынке, например NASDAC. Фактические торговли происходят в виде специфичного аукциона, на котором потенциальный покупатель объявляет об определённой цене за которую он готов купить акции, а потенциальный покупатель, в свою очередь, афиширует свою цену на имеющуюся у него интеллектуальную собственность.

Данные фондового рынка являются одними из наиболее исследованных данных, так как являются главными источником дохода для множества физических и юридических лиц. Различные методы были использованы для получения дорогой информации по будущим значениями цен, но в данной работе, будет рассмотрен метод, применяющий нейронные сети.

1.2 СТЕПЕНЬ РАЗРАБОТАННОСТИ ТЕМЫ В НАУЧНОЙ ЛИТЕРАТУРЕ

нейронный сеть прогнозирование торговля

Нейронные сети повсеместно применяются для прогнозирования всевозможных исходов на протяжении последних лет. Область фондового рынка не является исключением. Первыми трудами в данной области, считаются работы Питтса и Мак-Каллока3, которые стали первопроходцами в данной сфере. В своей работе Мак-Каллок и Питтс попытались понять как человеческий мозг генерирует высоко сложные решения используя в качестве основы базовые мозговые клетки. Они первыми формируют понятие нейрона, взяв описание и нейробиологии. В качестве отдельной литературы можно выделить работы Mingyue Qiu4, Yu Song, Fumio Akagi5, в которых приводится качественный анализ выбора корректных входных данных для обучения нейронной сети. В области систематизации информации можно выделить работы Хайкина6, Круглова7 и Бишопа8. В целом, можно сказать, что по данной теме существует множество научных работ, однако её степень разобранности еще далеко от полноты.

1.3 НЕЙРОННЫЕ СЕТИ

Искусственные нейронные сети приобрели значительную популярность, как инструмент прогнозирования, за последние годы. Нейронная сеть - это система состоящая из множества простых процессных элементов действующих параллельно, чья функция определяется структурой сети, силой связей и процессом происходящим при компьютерных вычислениях этих элементов. Нейронная сеть накапливает знания благодаря процессу обучения. Связи между нейронами, называемые синаптическими весами, хранят накопленные знания.

Благодаря такой характеристике, нейронные сети нашли свою популярность в области прогнозирования на фондовом рынке. Они остаются актуальными по сей день и применяются во множестве программных пакетов. Альтернативные подходы, такие как линейные регрессии и кластеризация, считаются менее эффективными, таким образом, машинное обучение преобладает по эффективности в анализе над альтернативными подходами.

Проведя оценку теоретическую оценку потенциала возможностей нейронной сети, была поставлена цель создать собственную модификацию спецификации нейронной сети на практике для вычисления доходности акций на фондовой бирже NASDAQ.

В частности, задачи можно разбить на следующие пункты:

• ознакомиться с структурой базовой нейронной сети

• ознакомиться с существующими видами структур нейронной сети

• ознакомиться с различными методами обучения нейронных сетей

• определить объект для исследования в виде технологической компании, акции которой торгуются на бирже NASDAQ

• изучить доступные данные, произвести их препроцессинг (предобработку), ввести необходимые собственные дополнительные переменные

• определить необходимую структуру нейронной сети для решения поставленной цели

• произвести обучение нейронной сети

• удостовериться в качестве полученного результата, измерить точность искусственной нейронной сети

Правильность выбора нейронных сетей, как средства для прогнозирования цен акции на фондовом рынке можно аргументировать тем, что, в первую очередь, нейронные сети способны обрабатывать информацию параллельно, а во вторых, они способны самообучаться. Финансовые ряды особенно хорошо прогнозировать с помощью нейронных сетей, благодаря их следующим характеристикам, которые преобладают над свойствами альтернативных методов прогнозирования9:

. Нелинейность. Сети делятся по классам на линейные и нелинейные. Нейронные сети, которые по своей структуре состоят из нелинейных нейронов, способны обрабатывать входные сигналы, а также генерировать результат нелинейно, в отличие от альтернативных обычных подходов. Данное свойство является важным так как позволяет анализировать нелинейные входные данные, которыми, в частности, являются показатели фондового рынка.

2. Итеративность. Одну и ту же или различную информацию можно подавать на вход нейронной сети несколько раз, тем самым достигая максимальной точности системы на обучаемой выборке.

3. Распределённость. Каждый нейрон сети несёт в себе уникальное количество информации, что обеспечивает общую устойчивость и быструю скорость обработки информации системы.

4. Адапивность. Нейронная сеть постоянно обучается. Это означает, что она всегда модифицирует настроенные веса внутри каждого нейрона для минимизации ошибки получаемого результата на выходе. Это, в частности, позволяет использовать нейронные сети и в областях где имеется большое количество шума в информации. Кроме этого, существует возможность создания сети с постоянно меняющимися весами в случае постоянно изменчивой внешней среды.

5. Точность. Нейронную сеть возможно настроить на сбор информации не только для определения о принадлежности объекта к какому-нибудь классу, но и степень достоверности полученного результата, что позволит на конечном этапе откинуть сомнительные результаты.

6. Отказоустойчивость. Нейронные сети принято считать стабильным инструментом, который способен давать лишь незначительные погрешности в случае неблагоприятных обстоятельств. Как уже было описано ранее, данной свойство достигается благодаря распределенности сети. Таким образом, в случае повреждения одного из нейронов, распределенный формат хранения информации позволяет минимизировать негативный эффект данного обстоятельства.

7. Гибкость. Искуственные нейронные сети, наряду с свойством адаптивности, также могут быть легко перестроены в своей структуре. В процессе работы возможно менять количество слоев и изменять количество нейронов в них.

8. Память. Одно из самых главных преимуществ нейронной сети. Сеть способна не только запоминать поступающие абсолютные значения, но также их последовательность поступления, что позволяет достичь особой эффективности предсказывания на временных рядах.

9. Масштабируемость. Масштабируемость нейронных сетей обеспечивается благодаря параллельной структуре нейронных сетей.

Нейронная сеть подразумевает несколько основных главных принципов построения. Эти принципы необходимо явно определить при построении любой подобной сети, так как их выбор будет определять её функциональность.

В первую очередь, при построении нейронной сети, следует определить её архитектуру, под которой подразумевается схема узлов - нейронов, которые обрабатывают в ходящие сигналы. Нейроны получают и обрабатывают входящую информацию, которая в свою очередь передаётся дальше по сети через связи - веса. Веса нейронной сети связывают также слои нейронной сети, в которой находятся нейроны.

Источник: https://www.bibliofond.ru/view.aspx?id=896807

Смотрите также:







Анализ эффективности инвестиций предприятия на примере ООО «СпецПримСтрой»
Изложение содержания дела, по которому приняты судебные постановления
_-___-~1
_1-тема-СтрМетал