Программное обеспечение, использующие в качестве вычислительного механизма для прогнозирования - нейронные сети - Дипломная работа

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. 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. 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.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 текущий момент времени, типы участников фондового рынка варьируются от небольших инвесторов акций нескольких фирм до целых фондов.Нейронные сети повсеместно применяются для прогнозирования всевозможных исходов на протяжении последних лет. 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.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. Благодаря такой характеристике, нейронные сети нашли свою популярность в области прогнозирования на фондовом рынке. 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. 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. 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.Цель исследования - разработать способ прогнозирования доходности на фондовом рынке с помощью моделей искусственных нейронных сетей. Для эффективного выполнения поставленной цели, в данной работе решаются следующие задачи: • предложить собственную спецификацию нейронной сети для прогнозирования ценовых показателей на фондовом рынке • продемонстрировать возможность корректного прогнозирования показателей цены акций на фондовых рынках с помощью разработанных моделей нейронных сетей • произвести демо торговлю с помощью построенной нейронной сети Для практического тестирования построенных в работе моделей искусственных нейронных сетей были использованы реальные котировки фондового рынка.Основываясь на анализе работ описанных в первой главе, в данной главе разрабатывается гибридная модель аккумулирующая положительные выводы предыдущих работ и воплощая их в единую систему прогнозирования цен на акции.Классические нейронные сети, модель работы которых описана в первой главе, идеально подходят для решения проблем классификации. Другими словами, сети прямого распространения сигнала хорошо подходят для решения задач функционального маппинга. Формулой данное заявление можно отобразить следующим образом: Y (t)= W*X(t) Проблемы данного типа должны учитывать события, происходящие до входного сигнала.Прогноз будущих значений цен на акции формируются за счет предыдущих значений цен на акции. Главной объясняющей переменной является сама цена на акцию в прошлом и чем ближе к текущему периоду времени значение цены, тем большее влияние она оказывает на текущее формирование цены. Таким образом, обязательной составляющей входных данных является последовательность значений цены на акции фирмы.В качестве инструмента прогнозирования на основе временных рядов, в данной работе будут использованы нейронные сети. Является целесообразным опробовать качество работы несколько видов нейронных сетей на сформированных входных данных.Mean Absolute Error (MAE) - средняя абсолютная ошибка Root-mean-square error (RMSE) Установив порог качества в фиксированное значение, превышение или недобор до установленной планки будет означать успех или провал эксперимента.Точность прогноза полученная в предыдущем параграфе, несмотря на свое высокое значение, может оказаться недостаточной при плохо составленной модели торговли на реальной бирже. Существует несколько возможностей применения полученного результата на практике, которые могут варьироваться в зависимости от степени участи

СОДЕРЖАНИЕ

Введение

1. Прогнозирование на фондовом рынке с помощью нейронных сетей

1.1 Рынок ценных бумаг

1.2 Степень разработанности темы в научной литературе

1.3 Нейронные сети

1.4 Цели и задачи исследования

2. Разработка собственной модели решения

2.1 Определение типа нейронной сети

2.2 Определение входных данных и их обработка

2.3 Архитектура нейронной сети

2.4 Точность результата

2.5 Моделирование торговли

3. Применение разработанного решения

3.1 Входные данные

3.2 Предобработка данных

3.3 Дополнительные объясняющие переменные

3.4 Нейронная сеть прямого распространения сигнала

3.4.1 Прогнозирование объема

3.4.2 Прогнозирование цены

3.5 Рекуррентная нейронная сеть Элмана

3.5.1 Прогнозирование объема

3.5.2 Прогнозирование цены

3.6 Оценки ошибок

3.7 Моделирование торговли

Заключение

Список использованных источников

Приложения