Введение 3
1 ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ МАШИННОГО ОБУЧЕНИЯ И ИССЛЕДОВАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ 6
1.1 Основные понятия машинного обучения 6
1.2 Методы машинного обучения 9
1.3 Алгоритмы машинного обучения 20
1.4 Анализ степени изученности темы исследования 23
2 ПРОЕКТИРОВАНИЕ МОДЕЛИ БИРЖЕВОГО АГЕНТА 24
2.1 Постановка задачи 24
2.2 Выбор инструментов реализации 26
3 РАЗРАБОТКА И РЕАЛИЗАЦИЯ МОДЕЛИ БИРЖЕВОГО АГЕНТА 35
Заключение 48
Список литературы 50
Приложение. Листинг программы 52
Объектом исследования является метод ансамбля моделей машинного обучения.
Цель диссертационного исследования состоит в создании на основе методов машинного обучения алгоритма, моделирующего поведение биржевого агента и максимизирующего прибыль, полученную за определенный интервал времени.
Для достижения поставленной цели необходимо решить следующие задачи:
- анализ предметной области алгоритмической торговли;
- изучение алгоритмов машинного обучения: ансамбли деревьев решений и изучение способов применения данных алгоритмов к сфере алгоритмической торговли;
- разработка и программная реализация алгоритма, моделирующего работу биржевого агента, максимизирующего прибыль на определенном временном интервале;
- проведение экспериментов на реальных биржевых данных;
- оценка качества работы алгоритма.
Методологической основой магистерской диссертации послужили научные и практические труды отечественных и зарубежных специалистов в области алгоритмической торговли и теории машинного обучения.
В работе были использованы метод сравнительного анализа, системный метод, а также методы ансамбля моделей в машинном обучении Bagging, Boosting и Stacking.
Новизна исследования. В работе рассматриваются простые версии деревьев решений для повышения их обобщающей способности. Благодаря использованию самой базовой разновидности деревьев можно достигать более высоких результатов по сравнению с модификациями, что и служит новой идеей, предложенной в работе.
Теоретической ценностью работы является развитие исследований по использованию методов машинного обучения к алгоритмической торговле, в частности, развитие подхода обучения с использованием ансамблем моделей. Помимо этого, такой метод может быть перенесён на иные предметные области, где задачи могут быть рассмотрены как задачи поиска стратегии поведения некоторого робота, который максимизирует его результат работы.
Практическая ценность исследования заключается в возможности использования полученных результатов при создании предназначенных для торговли на бирже программных продуктов, основанных на рассматриваемых в работе алгоритмах.
Ансамбли моделей в машинном обучении на примере биржевого агента (язык программирования - Python) #1508637
Артикул: 1508637
- Предмет: Бизнес-информатика
- Уникальность: 75% (Антиплагиат.ВУЗ)
- Разместил(-а): 744 Сауле в 2021 году
- Количество страниц: 56
- Формат файла: docx
- Последняя покупка: 11.12.2022
4 490p.
1. Струнин А.Е. Эволюция машинного обучения // Научно-практический журнал «Трибуна ученого». – № 4. – 2020.
2. http://www.neurohive.io/ru (дата обращения: 19.03.2021).
3. http://www.machinelearning.ru (дата обращения: 19.03.2021).
4. https://cryptowiki.ru (дата обращения: 20.03.2021).
5. Кафтанников И.Л., Парасич А.В. Проблемы формирования обучающей выборки в задачах машинного обучения // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиотехника». – № 3. – 2016. – С. 15–24.
6. http://www.studme.org (дата обращения: 20.03.2021).
7. http://www. helpiks.org.org (дата обращения: 20.03.2021).
8. Синяев И.Ф. Исследование Bagging подхода при построении ансамбля моделей для повышения точности классификации // Актуальные проблемы авиации и космонавтики. Информационные технологии. – № 3. – 2014. – С. 300–304.
9. http://www.businessdataanalytics.ru (дата обращения: 20.03.2021).
10. Сурков А.А. Повышение точности экономического прогнозирования на основе объединения экономических прогнозов // Вестник МФЮА. – № 2. – 2016. – С. 267–275.
11. http://www. neerc.ifmo.ru (дата обращения: 21.03.2021).
12. http://www. wikichi.ru.ru (дата обращения: 21.03.2021).
13. Носков Д.В. Классификация текстов при помощи алгоритмов машинного обучения // Вестник науки и образования. Серия «Компьютерные технологии, управление, радиотехника». – № 2. – 2018.
14. http://www. infopedia.su.ru (дата обращения: 22.03.2021).
15. http://www. habr.com (дата обращения: 22.03.2021).
16. http://www. craftappmobile.com (дата обращения: 22.03.2021).
17. http://www. tproger.ru (дата обращения: 22.03.2021).
18. http://www. amisite.ru (дата обращения: 22.03.2021).
19. http://www. trading-room.ru (дата обращения: 22.03.2021).
20. http://www. apoption.ru (дата обращения: 05.04.2021).
21. http://www. financc.ru (дата обращения: 05.04.2021).
22. http://ru.wikipedia.org (дата обращения: 06.04.2021).
23. http://bigdataschool.ru (дата обращения: 06.04.2021).
24. Гуриков, С.Р. Основы алгоритмизации и программирования на Python / С.Р. Гуриков. - М.: Форум, 2018. – 991 c.
25. Златопольский, Д. М. Основы программирования на языке Python / Д.М. Златопольский. - М.: ДМК Пресс, 2017. - 277c.
26. Эрик, Мэтиз Изучаем Python. Программирование игр, визуализация данных, веб-приложения / Мэтиз Эрик. - М.: Питер, 2017. – 551 c.
27. https://www.cfin.ru/finmarket/Market_Indicators.shtml (дата обращения: 03.05.2021).
28. http://finlot-td.com/index.php/component/k2/item/185 (дата обращения: 03.05.2021).
29. http://robotosha.ru/algorithm/training-set-and-test-data.html (дата обращения: 03.05.2021).
30. https://probtc.info (дата обращения: 03.05.2021).
31. https://www.kaggle.com/faressayah/stock-market-analysis-prediction-using-lstm
2. http://www.neurohive.io/ru (дата обращения: 19.03.2021).
3. http://www.machinelearning.ru (дата обращения: 19.03.2021).
4. https://cryptowiki.ru (дата обращения: 20.03.2021).
5. Кафтанников И.Л., Парасич А.В. Проблемы формирования обучающей выборки в задачах машинного обучения // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиотехника». – № 3. – 2016. – С. 15–24.
6. http://www.studme.org (дата обращения: 20.03.2021).
7. http://www. helpiks.org.org (дата обращения: 20.03.2021).
8. Синяев И.Ф. Исследование Bagging подхода при построении ансамбля моделей для повышения точности классификации // Актуальные проблемы авиации и космонавтики. Информационные технологии. – № 3. – 2014. – С. 300–304.
9. http://www.businessdataanalytics.ru (дата обращения: 20.03.2021).
10. Сурков А.А. Повышение точности экономического прогнозирования на основе объединения экономических прогнозов // Вестник МФЮА. – № 2. – 2016. – С. 267–275.
11. http://www. neerc.ifmo.ru (дата обращения: 21.03.2021).
12. http://www. wikichi.ru.ru (дата обращения: 21.03.2021).
13. Носков Д.В. Классификация текстов при помощи алгоритмов машинного обучения // Вестник науки и образования. Серия «Компьютерные технологии, управление, радиотехника». – № 2. – 2018.
14. http://www. infopedia.su.ru (дата обращения: 22.03.2021).
15. http://www. habr.com (дата обращения: 22.03.2021).
16. http://www. craftappmobile.com (дата обращения: 22.03.2021).
17. http://www. tproger.ru (дата обращения: 22.03.2021).
18. http://www. amisite.ru (дата обращения: 22.03.2021).
19. http://www. trading-room.ru (дата обращения: 22.03.2021).
20. http://www. apoption.ru (дата обращения: 05.04.2021).
21. http://www. financc.ru (дата обращения: 05.04.2021).
22. http://ru.wikipedia.org (дата обращения: 06.04.2021).
23. http://bigdataschool.ru (дата обращения: 06.04.2021).
24. Гуриков, С.Р. Основы алгоритмизации и программирования на Python / С.Р. Гуриков. - М.: Форум, 2018. – 991 c.
25. Златопольский, Д. М. Основы программирования на языке Python / Д.М. Златопольский. - М.: ДМК Пресс, 2017. - 277c.
26. Эрик, Мэтиз Изучаем Python. Программирование игр, визуализация данных, веб-приложения / Мэтиз Эрик. - М.: Питер, 2017. – 551 c.
27. https://www.cfin.ru/finmarket/Market_Indicators.shtml (дата обращения: 03.05.2021).
28. http://finlot-td.com/index.php/component/k2/item/185 (дата обращения: 03.05.2021).
29. http://robotosha.ru/algorithm/training-set-and-test-data.html (дата обращения: 03.05.2021).
30. https://probtc.info (дата обращения: 03.05.2021).
31. https://www.kaggle.com/faressayah/stock-market-analysis-prediction-using-lstm
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
Тема: | Ансамбли моделей в машинном обучении на примере биржевого агента (язык программирования - Python) |
Артикул: | 1508637 |
Дата написания: | 07.06.2021 |
Тип работы: | Магистерская диссертация |
Предмет: | Бизнес-информатика |
Оригинальность: | Антиплагиат.ВУЗ — 75% |
Количество страниц: | 56 |
Скрин проверки АП.ВУЗ приложен на последней странице.
К работе прилагается аннотация и ссылка на разработанную программу.
Поскольку в работе должны были быть созданы модели алгоритмов на основе методов ансамблей моделей, описанию данных методов была уделена достаточно объемная часть исследования.
Результаты выглядят таким образом, так как ансамбли моделей не в достаточно хорошей степени справляются с предсказанием временного ряда (а биржевые данные являются временными рядами). Представленный последний алгоритм LSTM – это нейронная сеть, которая как раз-таки была написана с целью предсказания временного ряда, поэтому данный алгоритм (LSTM) справляется лучше остальных приведенных алгоритмов. Соответственно, поэтому такая разница в полученных результатах эксперимента.
С помощью приведенного в гугл колабсе кода можно полностью повторить эксперимент, достаточно взять другую компанию или переменные для предсказания (ссылка на разработанное ПО прилагается).
К работе прилагается аннотация и ссылка на разработанную программу.
Поскольку в работе должны были быть созданы модели алгоритмов на основе методов ансамблей моделей, описанию данных методов была уделена достаточно объемная часть исследования.
Результаты выглядят таким образом, так как ансамбли моделей не в достаточно хорошей степени справляются с предсказанием временного ряда (а биржевые данные являются временными рядами). Представленный последний алгоритм LSTM – это нейронная сеть, которая как раз-таки была написана с целью предсказания временного ряда, поэтому данный алгоритм (LSTM) справляется лучше остальных приведенных алгоритмов. Соответственно, поэтому такая разница в полученных результатах эксперимента.
С помощью приведенного в гугл колабсе кода можно полностью повторить эксперимент, достаточно взять другую компанию или переменные для предсказания (ссылка на разработанное ПО прилагается).
Файлы артикула: Ансамбли моделей в машинном обучении на примере биржевого агента (язык программирования - Python) по предмету бизнес-информатика
Аннотация.docx
32.25 КБ
Ссылка на ПО.docx
156.86 КБ
Пролистайте "Ансамбли моделей в машинном обучении на примере биржевого агента (язык программирования - Python)" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 03.02.2025
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 75% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
Утром сдавать, а работа еще не написана?
Через 30 секунд после оплаты вы скачаете эту работу!
Сегодня уже купили 31 работу. Успей и ты забрать свою пока это не сделал кто-то другой!
ПРЕДЫДУЩАЯ РАБОТА
Анализ хозяйственно-экономической деятельности ПАО «Гостиничный комплекс «Космос»
СЛЕДУЮЩАЯ РАБОТА
Африканское обычное право и современное законодательство