Прогнозирование финансовых рынков с использованием искусственных нейронных сетей

Дипломная работа, 24 Апреля 2013, автор: пользователь скрыл имя

Краткое описание

Целью данной работы является изучение опыта специалистов в области прогнозирования финансовых рынков с использованием искусственных нейросетей, а также разработка собственных подходов к прогнозированию рынка FOREX и проектированию торговых систем, пригодных для использования в торговом зале.
Для достижения поставленной цели в дипломной работе решаются следующие задачи:
а) проведение обзора специализированной литературы, ресурсов глобальной сети Интернет, а также рынка программных средств, реализующих нейросетевые принципы для решения задач прогнозирования;
б) постановка и выполнение оптов с целью определения этапов процесса решения задачи прогнозирования, которые нуждаются в автоматизации; сделать выводы по результатам опытов

Оглавление

ВВЕДЕНИЕ 7
1. ПРОГНОЗИРОВАНИЕ ФИНАНСОВЫХ РЫНКОВ 10
1.1. СОВРЕМЕННЫЕ ФИНАНСОВЫЕ РЫНКИ. МЕЖДУНАРОДНЫЙ ВАЛЮТНЫЙ РЫНОК FOREX 10
1.2. ПРОГНОЗИРОВАНИЕ ФИНАНСОВЫХ РЫНКОВ 12
1.2.1. Прогноз и цели его использования 12
1.2.2. Основные понятия и определения проблемы прогнозирования 13
1.2.3. Методы прогнозирования финансовых рынков 17
1.2.4. Использование систем с искусственной «памятью» для решения задач прогнозирования 22
1.3. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ 24
1.3.1. Биологические нейронные сети 24
1.3.2. Математическая модель нейрона, искусственные нейросети 26
1.3.3. Основополагающие принципы нейровычислений 29
1.3.4. Обучение искусственных нейронных сетей 31
1.3.5. Задача прогнозирования с использованием технологии нейровычислений 33
1.4. ОБЗОР ПРОГРАММНЫХ СРЕДСТВ, РЕАЛИЗУЮЩИХ АЛГОРИТМЫ НЕЙРОВЫЧИСЛЕНИЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ 35
2. ПРОГНОЗИРОВАНИЕ РЫНКА FOREX С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОСЕТЕЙ 42
2.1. ПОСТАНОВКА ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ РЫНКОВ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОСЕТЕЙ 42
2.2. ОПИСАНИЕ ТЕКУЩЕЙ РЫНОЧНОЙ СИТУАЦИИ. ПРЕДСТАВЛЕНИЕ ВХОДНЫХ ДАННЫХ 45
2.2.1. Перемасштабирование графика цены в единичный интервал 45
2.2.2. Описание рыночной ситуации при помощи приращений котировок 47
2.2.3. Обобщение значений индикаторов технического анализа 51
2.3. ПРОГНОЗИРУЕМЫЕ ВЕЛИЧИНЫ. ПРЕДСТАВЛЕНИЕ ВЫХОДНЫХ ДАННЫХ 53
2.3.1. Классификация рыночных ситуаций. Шаблон максимальной прибыли 53
2.3.2. Аппроксимация прогнозируемых величин. Сглаженный шаблон максимальной прибыли 58
2.3.3. Классификация рыночных ситуаций по достижимости значимых уровней. 61
2.2.4. Аппроксимация отношения текущего положения цены к коридору будущих цен 62
2.4. ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОСЕТЕЙ. АНАЛИЗ РЕЗУЛЬТАТОВ 63
2.4.1. Нейросетевой индикатор для прогнозирования рынка евро/доллар 63
2.4.2. Классификация рыночных ситуаций 76
2.4.3. Оценка положения текущей цены в коридоре будущих котировок 80
2.4.4. Оценка достижимости ценой значимых уровней 82
2.4.5. Прогнозирование максимального и минимального уровней цены на один период вперед 85
2.4.6. Выводы 87
2.5. КОНЦЕПТУАЛЬНАЯ СХЕМА СИСТЕМЫ ПРОГНОЗИРОВАНИЯ 89
ЗАКЛЮЧЕНИЕ 96
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 98
ПРИЛОЖЕНИЯ 102

Скачать в ZIP (339.20 Кб) Сколько стоит заказать работу?

Файлы: 1 файл

2 Прогнозирование форекса с нейронными сетями - Готовый диплом.doc

— 731.00 Кб (Скачать)

Модуль формирования комитета совместно с модулем оптимизации нейронных сетей обеспечивают формирование такой выборки нейросетей, которая обеспечивает наилучшие результаты при прогнозировании.  
Такой отбор может производиться по следующей схеме. Среди множества обученных конфигураций нейросетей проводится отбор победителей на двух этапах по критерию надежности. Первый отбор сетей-кандидатов  
для решения прогнозной задачи происходит на этапе их обучения, второй - на этапе применения. Процентное соотношение отобранных на этапе обучения нейроэкспертов к общему числу обученных сетей-кандидатов может доходить до 1%. Т.е. в комитет может попадать, например, 
только каждая сотая нейросеть. Прогноз строится системой на основе линейной комбинации лучших отобранных из комитета на этапе применения нейроэкспертов.

Задача обучения возлагается на модуль обучения нейросетей. Как показывает практика, для того, чтобы нейронная  сеть смогла отыскать зависимости во временном ряде, необходимо использовать передовые алгоритмы обучения. Хорошие  результаты сегодня показывают методы обучения, базирующиеся на генетических алгоритмах.

В модуле интерфейса пользователя реализовывается  обеспечение работы пользователя с  системой. Рассмотрим технологическую  цепочку работы с предложенной системой прогнозирования.

На первом шаге пользователь создает проект (торговую систему, стратегию), при помощи встроенных возможностей описывает ее, устанавливает ключевые параметры. В тех местах, где в системе предполагается использовать прогнозы нейронных сетей, настраиваются модели прогнозирования.

На втором этапе для каждой модели прогнозирования настраиваются  параметры модулей, связанных с  процессом обучения нейроэкспертов и получения результатов: какие  данные требуются, где они могут  быть найдены, шаблоны преобразования входных и выходных величин, параметры алгоритма обучения, настройки оптимизации модели и т.п. На этом этапе пользователь может также сам участвовать в создании базы данных с финансовыми показателями.

После установления всех параметров торговой системы, ей может быть отдан  сигнал, на запуск процессов оптимизации торговой системы (проекта), поиска оптимальной архитектуры нейронных сетей и обучения нейэкспертов. Прогнозирующая система должна уметь в автоматическом режиме осуществлять эти процессы. Обучение нейроэкспертов, самый критичный по времени процесс, может протекать в фоновом режиме постоянно, т.е. возобновляться каждый раз при включении компьютера. Чем больше система обучит нейроэкспертов, тем больше возможностей выбора появляется у нее при формировании комитетов.

После обучения достаточного для формирования комитетов количества нейроэкспертов, по правилам описанным в торговой системе (проекте), прогнозирующая система может генерировать сигналы, которые можно рассматривать как непосредственные приказы на торговлю. Можно предусмотреть несколько способов подачи сигнала на торговлю, например, через интерфейс пользователя – посредством сообщений, аудио и видеоэффектов, через локальные сети и Интернет – посредством сервиса ICQ, передачи сообщения на пейджер, передачи непосредственного приказа брокеру.

Благодаря такому подходу к организации  диалога, пользователь вообще освобождается  от необходимости следить за рынком, а сосредоточиться на проектировании и разработке новых торговых стратегий (проектов). По мнению экспертов, такой подход к организации торговли на финансовых рынках является оптимальным.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ЗАКЛЮЧЕНИЕ

 

 

Заключение

В заключение хочется отметить, что  использование нейронных сетей  во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. С уверенностью можно полагать, что появление столь мощного и эффективного инструмента не перевернет финансовый рынок, и не «отменит» традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов. В качестве нового эффективного средства для решения самых различных задач нейронные сети приходят и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы

Результаты применения нейронных  сетей для решения задач прогнозирования курсов валют в данной работе показали, что статическая нелинейная система может быть обучена так, чтобы выполнять анализ валютных рынков и прогнозировать курсы валют. В половине из описанных в работе опытов, были получены результаты, на основе которых разработаны прибыльные стратегии торговли. Можно заключить, что работа по созданию собственной автоматизированной системы прогнозирования имеет перспективы и может быть продолжена. Сегодня многие крупные фирмы и частные лица имеют собственные разработки в области технологий прогнозирования с использованием ИНС, но они не торопятся обнародовать их, предпочитая получать доход от непосредственного использования своих систем.

Однако, нужно учитывать тот  факт, что хотя нейросеть и является механизмом, способным решить широкий  класс задач, но правила управления этим механизмом пока что находятся  на уровне догадок и эвристических  соображений. Таким образом, прежде чем описанные в работе методики можно будет использовать для торговли на реальном рынке, необходимо провести дополнительные исследования.

 

 

 

 

 

 

 

 

 

 

 

 

 

СПИСОК ИСПОЛЬЗОВАННЫХ

ИСТОЧНИКОВ

 

 

Список использованных источников

  1. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП, 1997. - 236 с.
  2. Де Марк Т. Технический анализ - новая наука. - М.: Диаграмма, 1997.
  3. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия “Учебники экономико-аналитического института МИФИ” под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. – 224 с.
  4. Змиртович А.И. Интеллектуальные информационные системы. - Мн.: НТООО «ТетраСистемс», 1997. - 368 с.
  5. Лиховидов В.Н. Практический курс распознавания образов. - Владивосток, Изд-во ДВГУ, 1983.
  6. Лиховидов В.Н., Сафин В.И. Технический анализ валютных рынков. - Владивосток: Изд-во ДВГАЭУ, 1998. -200 с.
  7. Меладзе В. Курс технического анализа - М.: Серебряные нити, 1997. - 272 с.
  8. Наговицин А.Г., Иванов В.В. Валютный курс. Факторы. Динамика. Прогнозирование. - М.: Инфра-М, 1995. - 176 с.
  9. Пискулов Д.Ю. Теория и практика валютного дилинга = Foreign Exchange and Money Market Operations: Прикладное пособие. - 3-е изд., испр. и доп. - М.: Диаграмма, 1998. - 256 с.
  10. Сорос Дж. Алхимия финансов/ Пер. с англ. Аристова Т.С. - М.: ИНФРА-М, 1999. - 416 с.
  11. Уошем Т. Дж., Паррамоу К. Количественные методы в финансах: Учебное пособие для ВУЗов/ Пер. с англ. под редакцией М. Р. Ефимовой. - М: Финансы, Юнити, 1999. - 527 с.
  12. Элдер А. Как играть и выигрывать на бирже/ Пер. с англ. М. Волковой, А. Волкова. - М.: Крон-Пресс, 1996. - 336 с.
  13. Эрлих А. Технический анализ товарных и фондовых рынков. М.: Юнити, 1996.
  14. Анил К. Джейн, Жианчанг Мао, Моиуддин К М. Введение в искусственные нейронные сети. - http://www.osp.ru/os/1997/04/index.htm.
  15. Борисов Ю., Виталий К., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки. - http://www.osp.ru/os/1997/04/index.htm.
  16. Власов А.М. Обзор российского рынка нейросетевых технологий. - http://www.chat.ru/~vlasov.
  17. Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности. - http://www.user.cityline.ru/~neurnews/primer/finance.htm.
  18. Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России. - http://www.osp.ru/os/1997/04/index.htm.
  19. Гроссберг С. Внимательный мозг. - http://www.osp.ru/os/1997/04/index.htm.
  20. Дорогов А. Структурные модели и топологическое проектирование быстрых нейронных сетей. - http://www.orc.ru/~stasson/fann.zip.
  21. Емельянов-Ярославский Л.Б. Интеллектуальная квазибиологическая система. - http://www.aha.ru/~pvad/.
  22. Короткий С. Введение в теорию нейронных сетей и программная реализация их основных конфигураций. - http://www.orc.ru/~stasson/index.htm.
  23. Короткий С. Нейронные сети: основные положения. - http://www.orc.ru/~stasson/n1.zip.
  24. Короткий С. Нейронные сети: алгоритм обратного распространения. - http://www.orc.ru/~stasson/n2.zip.
  25. Короткий С. Нейронные сети: обучение без учителя. - http://www.orc.ru/~stasson/n3.zip.
  26. Короткий С. Нейронные сети Хопфилда и Хэмминга. - http://www.orc.ru/~stasson/n4.zip.
  27. Кук А. Обзор условно-бесплатных и бесплатных программ для моделирования нейронных сетей. - http://homepage.techno.ru/alexkuck.
  28. Малинин Д. Введение в нейросетевое моделирование. Программный пакет BrainMaker Pro 3.11. - http://win.aha.ru/~mdo/office/nnintro.htm.
  29. Митья Перус Нейронные сети, квантовые системы и сознание. - http://www.tribunes.com/tribune/art97/peru1.htm.
  30. Назаренко М. Курс лекций. Теория и практика формальных нейронных сетей. - http://nuweb.jinr.ru/~nazaren/unc/nn_ru.html.
  31. Пономарев С. Нейронные сети, «iNFUSED BYTES OnLine». - http://www.enlight.ru/ib/tech/neural/index.htm.
  32. Практикум применения пакета Brainmaker для прогнозирования на финансовых рынках/ Перевод и редакция Сергея Блинова. - http://win.aha.ru/~mdo/office/bm_fin.htm.
  33. Стариков А. Нейронные сети - математический аппарат. - http://www.basegroup.ryazan.ru/tech/neural-4.htm.
  34. Стариков А. Практическое применение нейронных сетей. - http://www.basegroup.ryazan.ru/tech/neural3.htm.
  35. Степанов В.С. Фондовый рынок и нейросети: Использование нейросетевых технологий (на базе пакета программ Brain Maker Pro) для анализа ситуации на российском фондовом рынке. - http://www.user.cityline.ru/~neurnews/univer/stepanov.htm.
  36. Струнков Т. Думал ли Гильберт о нейронных сетях? - http://www.neuroproject.ru/papers.htm.
  37. Шумский С.А. Избранные лекции по нейрокомпьютингу. - http://www. com2com.ru/dav/.
  38. Шумский С.А. Нейросетевые агенты в Интернете. - http://www.computerra.ru/2000/4/.
  39. Шумский С.А. Обнаружение скрытых знаний, улучшение имеющихся знаний, дата-майнинг. - http://www.com2com.ru~dav/som.htm.
  40. Шумский С.А. Современный технический анализ: самоорганизующиеся карты Кохонена на фондовом рынке. - www.com2com.ru~dav/practika2.htm.
  41. Часто задаваемые вопросы (FAQ) по нейронным сетям. - http://www.utica.kaman.com/techs/neural/neural.html.
  42. © Neural Bench Development. Использование нейропарадигмы «Back Propagation» для решения практических задач. - http://www.neuralbench.ru/THEORY/bp_task.htm.
  43. © Neural Bench Development. Нейроны, нейронные сети и нейрокомпьютеры. - http://www.neuralbench.ru/THEORY/introduc.htm.
  44. © Neural Bench Development. Постановка и возможные пути решения задачи обучения нейронных сетей. - http://www.neuralbench.ru/THEORY/training.htm.
  45. © Neural Bench Development.Основные функциональные возможности программ моделирования нейронных сетей. - http://www.neuralbench.ru/THEORY/soft4sim.htm.
  46. © Ward Systems Group, НейроПроект. Описание программного комплекса NeuroShell Day Trader - http://www.neuroproject.ru/DayTrader.htm.
  47. © Ward Systems Group, НейроПроект. Описание программного комплекса NeuroShell Predictor- http://www.neuroproject.ru/Predictor.htm.
  48. © Ward Systems Group, НейроПроект. Оптимизация в NeuroShell Trader Professional. - http://www.neuroproject.ru/T_optim.htm.
  49. © Ward Systems Group, НейроПроект. Электронный учебник по нейронным сетям. - http://www.neuroproject.ru/oglavl.htm.
  50. BrainMaker Professional. User's Guide and Reference Manual, 4th Edition, California Scientific Software, Nevada City, July, 1993. - http://www.calsci.com/.

 

 

 

 

 

 

 

 

 

 

 

 

Приложения

 

 

 

Приложение 1

 

Характеристики комитета ИНС, сформированного  для решения задачи, описанной  в подразделе 2.4.2

ИНС

Конфигурация

MSE на обучающей выборке

eur001

12-32-24-1

0.1316

eur002

12-32-24-1

0.1304

eur003

12-32-24-1

0.1383

eur004

12-32-24-1

0.1405

eur005

12-32-24-1

0.1387

eur006

12-32-24-1

0.1316

eur007

12-32-24-1

0.1262

eur008

12-32-24-1

0.1423

eur009

12-32-24-1

0.1255

eur010

12-32-24-1

0.1273

eur011

12-32-24-1

0.1260

eur012

12-32-24-1

0.1283

eur013

12-32-24-1

0.1333

eur014

12-32-24-1

0.1361

eur015

12-32-24-1

0.1293

eur016

12-32-24-1

0.1296

eur017

12-32-24-1

0.1272

eur018

12-32-24-1

0.1318

eur019

12-32-24-1

0.1273

eur020

12-32-24-1

0.1291

eur021

12-32-24-1

0.1293


 

 

 

Приложение 2

 

Характеристики комитета ИНС, сформированного  для решения задачи, описанной  в подразделе 2.4.3.

ИНС

Конфигурация

MSE на обучающей выборке

eur001

12-32-24-1

0,1368

eur002

12-32-24-1

0,1375

eur003

12-32-24-1

0,1377

eur004

12-32-24-1

0,1380

eur005

12-32-24-1

0,1382

eur006

12-32-24-1

0,1382

eur007

12-32-24-1

0,1385

eur008

12-32-24-1

0,1390

eur009

12-32-24-1

0,1396

eur010

12-32-24-1

0,1370

eur011

12-32-24-1

0,1388

eur012

12-32-24-1

0,1394

eur013

12-32-24-1

0,1400

eur014

12-32-24-1

0,1374

eur015

12-32-24-1

0,1387

eur016

12-32-24-1

0,1398

eur017

12-32-24-1

0,1400

eur018

12-32-24-1

0,1414

eur019

12-32-24-1

0,1428

eur020

12-32-24-1

0,1401

eur021

12-32-24-1

0,1410

eur022

12-32-24-1

0,1416

eur023

12-32-24-1

0,1417

eur024

12-32-24-1

0,1417

eur025

12-32-24-1

0,1406

eur026

12-32-24-1

0,1409

eur027

12-32-24-1

0,1413

eur028

12-32-24-1

0,1422

eur029

12-32-24-1

0,1427

eur030

12-32-24-1

0,1427


 


Информация о работе Прогнозирование финансовых рынков с использованием искусственных нейронных сетей

Связанные документы

Эффект финансового рычага и его использования

Искусственный интелект и нейронные сети

Управление в искусственных нейронных сетях

Финансовый рынок

Финансовые рынки

Финансовый рынок

Финансовый рынок

Финансовые рынки

Финансовые рынки

Финансовые рынки

Финансовый рынок

Финансовые рынки

Похожие темы

Нейронная сеть

Использование финансовых ресурсов

Финансовые рынки России