Оценка механизма формирования спроса, предложения, биржевой цены на фондовом рынке. Выбор структуры модели искусственной нейронной сети прямого распространения для эффективного решения класса задач анализа, прогнозирования финансовых временных рядов.
При низкой оригинальности работы "Нейросетевые методы анализа и прогнозирования финансовых рынков", Вы можете повысить уникальность этой работы до 80-100%
Подобный выбор связан с широкой популярностью нейросетевого моделирования для решения различных классов задач, а также интуитивная обоснованность данного подхода в рамках задачи анализа и прогнозирования финансовых временных рядов (так как искусственные нейронные сети являются имитационными моделями принципов работы головного мозга, а, как уже отмечалось ранее, анализ фондового рынка непосредственно связан с анализом совокупных ожиданий репрезентативных экономических агентов). В соответствии с целью исследования, ставятся и решаются следующие задачи: - выбор структуры модели искусственной нейронной сети прямого распространения для эффективного решения класса задач анализа и прогнозирования финансовых временных рядов. Искусственные нейронные сети, как инструмент для решения задач классификации, кластеризации, анализа и прогнозирования, активно набирают популярность. Нулевая гипотеза: технический анализ фондовых рынков при помощи аппарата искусственных нейронных сетей на основе предшествующей текущему моменту времени информации невозможен в силу абсолютной информационной эффективности рынков. В данной работе для решения задачи анализа и прогнозирования финансовых временных рядов будет использоваться нейронная сеть с типом архитектуры - многослойная сеть прямого распространения.Уже в рамках теории функционирования искусственных нейронных сетей, доказана гибкость исследуемого подхода, с той точки зрения, что многослойный перцептрон с любой архитектурой (любое количество слоев) способен решать заявленный класс задач. В результате данного исследования была построена и реализована оптимальная для каждого из инструментов (Сбербанк, ВТБ, Башнефть, Роснефть) искусственная нейронная сеть на основе модели многослойного перцептрона, которая эффективно решает задачу прогнозирования направления динамики изменения цен на данный биржевой актив. Более значимыми являются полученные качественные и количественные выводы: Вывод 1: Искусственная нейронная сеть многослойный перцептрон с обратным распространением ошибки, в рамках задачи аппроксимации функции финансового временного ряда, показывает более высокое качество предсказания направления динамики изменения биржевой цены актива при обучении сети на исторических данных исключительно исследуемого инструмента, в сравнении с обучением на всем эмпирическом массиве (в рамках конкретного исследования) данных. Вывод 2: Многослойный перцептрон, обучающийся на всем объеме эмпирический данных, аппроксимирует функцию финансового временного ряда биржевого инструмента с меньшей амплитудой флуктуаций качества, нежели при обучении на обособленных от рынка собственных данных. Вывод 4: Искусственная нейронная сеть многослойный перцептрон способна решать задачу прогнозирования финансовых временных рядов с различным уровнем качества, в зависимости от количества слоев (N) в архитектуре сети.Рисунок 9 - Экспортированные данные, на основе которых формируются входные данные для нейронной сетиРисунок 10 - Блок-схема процесса работы системы// если есть элемент общие строки, то достаем общие строки // создаем наш лист // добавляем его в список sheets.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
