Автор: Пользователь скрыл имя, 24 Апреля 2013 в 18:42, дипломная работа
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
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
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
В заключение хочется отметить, что
использование нейронных сетей
во всех областях человеческой деятельности,
в том числе в области финансов
Результаты применения нейронных
сетей для решения задач
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
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