Штучні нейронні мережі: структура, архітектура, класифікація. Використання інформаційних систем алгоритмічної торгівлі. Керування портфелями фінансових інструментів. Прогнозування цін за допомогою нейронних мереж, вибір програмного забезпечення.
Аннотация к работе
Прогнозування цін за допомогою нейронних мереж1.3 Архітектура зєднань штучних нейронів.1 Підготовка данихЯк тільки зявилась наука електроніка, вчені почали спроби відтворення процесу мислення за допомогою апаратів. Дослідна лабораторія ІВМ та Дартмуський дослідний проект з штучного інтелекту забезпечили розвиток нейромереж у двох напрямках: промисловому (експертні системи) та моделювання мозку Пізніше Джон фон Нейман (John fon Neumann) ввів імітацію простих функцій нейронів з використанням вакуумних трубок або телеграфної передачі, а Бернард Відров (Bernard Widrow) та Марсіан Хофф (Marcian Hoff) розробили моделі ADALINE та MADALINE (Множинні Адаптивні Лінійні Елементи (Multiple ADAPTIVE LINEAR Elements)). Нейробіологом Френко Розенблаттом (Frank Rosenblatt) була почата робота над одношаровим перцептроном, що став класичною нейромережею.Нейрон, виконуючи певні функції, водночас отримує багато вхідних сигналів, кожен з яких має власну синаптичну вагу, яка надає входу вплив, що необхідний для функції суматора елементу обробки і є мірою сили вхідних звязків, моделюючи різноманітні синаптичні сили біологічних нейронів. Її результат перетворюється у вихідний сигнал через передатну функцію, в якій для визначення виходу нейрона загальна сума приближена або порівняється до певного порогу (як правило, це діапазон [0,1] або [-1,1], можливі й інші. Коли сигнал оброблено, нейрон має результат передатної функції, що передається до зовнішнього зєднання відповідно до структури нейромережі або на входи інших нейронів.[19] Для групи слабозвязаних нейронних мереж характерно, що кожний нейрон повязаний лише із сусіднім, а в повновязних групах - входи кожного нейрона мають вихід на всі інші. В багатьох мережах кожен нейрон прихованого прошарку отримує сигнали від нейронів вхідного або попереднього прошарку і вже після обробки сигналів передає свій вихід до нейронів всіх інших прошарків, тим самим забезпечує передачу вперед (feedforward) на вихід.Для початку роботи потрібно підготувати дані, від правильності цієї роботи залежить 80% успіху. Оскільки ці зміни, як правило, набагато менше за амплітудою, ніж самі котирування, між послідовними значеннями курсів є велика кореляція - найбільш ймовірне значення курсу в наступний момент дорівнює його попередньому значенню. Наприклад, стверджується, що максимальні і мінімальні значення ряду навіть у відносно далекому минулому надають досить сильний вплив на психологію гравців, і, отже, повинні бути значущими для прогнозу. З іншого боку, розширення вікна до таких значень, коли захоплюються далекі екстремальні значення ряду, підвищує розмірність мережі, що у свою чергу призводить до зниження точності нейромережевого прогнозування - вже через розростання розміру мережі. Для того щоб дані були сприйняті як цифри, а не як рядки, потрібно поміняти роздільник цілої і дробової частини на точку: Сервіс-> Параметри-> Міжнародні-> Роздільник цілої і дробової частиниВикористовуючи найпростішу нейромережеву архітектуру (перцептрон з одним схованим шаром) і базу даних (із продажами й усіма параметрами) легко одержати працюючу систему прогнозування. Причому враховувати, чи не враховувати зовнішні параметри системою буде визначатися включенням, або виключенням відповідного входу в нейронну мережу. Експерт може скористатися яким-небудь алгоритмом визначення важливості і відразу визначити значимість вхідних змінних, щоб потім виключити з розгляду параметри, що мають незначний вплив. Ще одна серйозна перевага нейронних мереж полягає в тому, що експерт не є заручником вибору математичної моделі поведінки часового ряду. При цьому нейронній мережі предявляються приклади з бази даних і вона сама підлаштовується під ці дані.
План
ЗМІСТ
ВСТУП
РОЗДІЛ І. ШТУЧНІ НЕЙРОННІ МЕРЕЖІ: СТУКТУРА, АРХІТЕКТУРА, КЛАСИФІКАЦІЯ