Введение 3
1. Теоретические аспекты нейронных сетей для анализа финансовых рынков 5
1.1. Сущность и особенности нейронных сетей для анализа финансовых рынков 5
1.2. Сущность и виды искусственного нейрона - персептрона 6
1.3. Особенности построения свёрточной нейронной сети 23
2. Реализация инструментов нейронных сетей для предсказания тренда 27
2.1. Подготовка данных для подачи в нейронную сеть 27
2.2. Архитектура многослойных персептронов и свёрточных нейронных сетей 29
3. Прогнозирование значений для анализа финансовых рынков 32
3.1. Анализ результатов многослойных 32
персептронов и свёрточных нейронных сетей 32
3.2. Эффективности конфигураций нейронных сетей для финансового рынка 35
Заключение 38
Список использованных источников 39
Приложение 43
Для прогнозирования финансовых рынков используют различные методы машинного обучения, например, наивный байесовский классификатор, метод опорных векторов, случайные леса, искусственные нейронные сети и так далее. На сегодняшний одной из популярных моделей для прогнозирования финансовых рынков являются искусственные нейронные сети.
В статье проводилось сравнение искусственной нейронной сети и метода опорных векторов для прогнозирования стоимости акций. Авторы выяснили, что способность прогнозирования у искусственной нейронной сети выше, чем у метода опорных векторов.
В работе авторы прогнозировали цены NASDAQ на основе двух массивов данных (на основе предыдущих 4 дней и 9 дней) с помощью многослойного персептрона с тремя скрытыми слоями. В результате авторы получили, что нет значительной разницы в прогнозировании на основе данных массивов данных.
Из подмножества искусственных нейронных сетей для прогнозирования самыми популярными являются рекуррентные нейронные сети с долгой краткосрочной памятью.
В работе сравниваются архитектуры методы машинного обучения и рекуррентная нейронная сеть с долгой краткосрочной памятью. По результатам работы рекуррентная нейронная сеть с долгой краткосрочной памятью справилась с задачей лучше.
' .
Нейронные сети для анализа финансовых рынков #9101449
Артикул: 9101449
- Предмет: Информационные системы и технологии
- Уникальность: 83% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2019 году
- Количество страниц: 48
- Формат файла: docx
- Последняя покупка: 14.06.2024
1 999p.
1. Kara Y. Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange / Y. Kara, M. A. Boyacioglu, O. K. Baykan — Expert Systems with Applications №38(5), 2011. — с. 5311-5319.
2. Moghaddam A. H. Stock market index prediction using artificial neural network / A. H. Moghaddam, M. H. Moghaddam, M. Esfandyari — Journal of Economics, Finance and Administrative Science №21(41), 2016. — p. 89-93.
3. Nelson D. M. Stock market's price movement prediction with LSTM neural networks / D. M. Nelson, A. C. Pereira, R. A. de Oliveira — 2017 International Joint Conference on Neural Networks (IJCNN), 2017. — p. 1419-1426.
4. Bao W. A deep learning framework for financial time series using stacked autoencoders and long-short term memory / W. Bao, J. Yue, Y. Rao — PLoS ONE 12(7): e0180944, 2017. – 24p.
5. Sheng C. Stock Prediction Using Convolutional Neural Network / C. Sheng, He Hongxiang — IOP Conference Series: Materials Science and Engineering №435(1), 2018. – 9p.
6. Hoseinzade E. CNNPred: CNN-based stock market prediction using several data sources / E. Hoseinzade, S. Haratizadeh — arXiv:1810.08923, 2018. – 39p.
7. Perceptron: The Artificial Neuron (An Essential Upgrade To The McCulloch-Pitts Neuron) [Электронный ресурс] / towardsdatascience.com
— Towards Data Science — Режим доступа: https://towardsdatascience.com/perceptron-the-artificial-neuron- 4d8c70d5cc8d — Дата обращения: 09.03.2019.
8. Perceptron Learning Algorithm: A Graphical Explanation Of Why It Works [Электронный ресурс] / towardsdatascience.com — Towards Data Science
— Режим доступа: https://towardsdatascience.com/perceptron-learning- algorithm-d5db0deab975 — Дата обращения: 11.03.2019.
9. Deep Dive into Math Behind Deep Networks – Towards Data Science [Электронный ресурс] / towardsdatascience.com — Towards Data Science
— Режим доступа: https://towardsdatascience.com/https-medium-com- piotr-skalski92-deep-dive-into-deep-networks-math-17660bc376ba — Дата обращения: 14.03.2019.
10. Это нужно знать: Ключевые рекомендации по глубокому обучению (Часть 2) | DataReview.info [Электронный ресурс] / datareview.info — DataReview.info — Ваш проводник в мире анализа данных — Режим доступа: http://datareview.info/article/eto-nuzhno-znat-klyuchevyie- rekomendatsii-po-glubokomu-obucheniyu-chast-2/ — Дата обращения: 19.03.2019.
11. Learning Parameters, Part 1: Gradient Descent – Towards Data Science [Электронный ресурс] / towardsdatascience.com — Towards Data Science
— Режим доступа: https://towardsdatascience.com/learning-parameters- part-1-eb3e8bb9ffbb — Дата обращения: 24.03.2019.
12. Artificial Neural Networks: Mathematics of Backpropagation (Part 4) [Электронный ресурс] / briandolhansky.com — The personal webpage of Brian Dolhansky. Featuring machine learning, Android, and other code tutorials, my photography, and my mobile development portfolio. — Режим доступа:
http://www.briandolhansky.com/blog/2013/9/27/artificial-neural-networks- backpropagation-part-4 — Дата обращения: 29.03.2019.
13. Dropout — метод решения проблемы переобучения в нейронных сетях [Электронный ресурс] / habr.com/ru/ — Хабр — Режим доступа: https://habr.com/ru/company/wunderfund/blog/330814/ — Дата обращения: 03.04.2019.
14. A Gentle Introduction to Dropout for Regularizing Deep Neural Networks [Электронный ресурс] / machinelearningmastery.com — Machine Learning Mastery — Режим доступа: https://machinelearningmastery.com/ dropout-for-regularizing-deep-neural-networks/ — Дата обращения: 07.04.2019.
15. Types of Optimization Algorithms used in Neural Networks and Ways to Optimize Gradient Descent [Электронный ресурс] / towardsdatascience.com — Towards Data Science — Режим доступа: https://towardsdatascience.com/types-of-optimization-algorithms-used-in- neural-networks-and-ways-to-optimize-gradient-95ae5d39529f — Дата обращения: 11.04.2019.
16. Методы оптимизации нейронных сетей / Хабр [Электронный ресурс] / habr.com/ru/ — Хабр — Режим доступа: https://habr.com/ru/post/318970/ — Дата обращения: 15.04.2019.
17. Gentle Introduction to the Adam Optimization Algorithm for Deep Learning [Электронный ресурс] / machinelearningmastery.com — Machine Learning Mastery — Режим доступа: https://machinelearningmastery.com/ adam-optimization-algorithm-for-deep-learning/ — Дата обращения: 18.04.2019.
18. An overview of gradient descent optimization algorithms [Электронный ресурс] / ruder.io — Sebastian Ruder — Режим доступа: http://ruder.io/optimizing-gradient-descent/index.html — Дата обращения: 21.04.2019.
19. Gentle Dive into Math Behind Convolutional Neural Networks [Электронный ресурс] / towardsdatascience.com — Towards Data Science— Режим доступа: https://towardsdatascience.com/gentle-dive-into-math-behind-convolutional-neural-networks-79a07dd44cf9 — Дата обращения: 24.04.2019.
20. Building a Convolutional Neural Network (CNN) in Keras [Электронный ресурс] / owardsdatascience.com — Towards Data Science — Режим доступа: https://towardsdatascience.com/building-a-convolutional-neural- network-cnn-in-keras-329fbbadc5f5 — Дата обращения: 27.04.2019.
2. Moghaddam A. H. Stock market index prediction using artificial neural network / A. H. Moghaddam, M. H. Moghaddam, M. Esfandyari — Journal of Economics, Finance and Administrative Science №21(41), 2016. — p. 89-93.
3. Nelson D. M. Stock market's price movement prediction with LSTM neural networks / D. M. Nelson, A. C. Pereira, R. A. de Oliveira — 2017 International Joint Conference on Neural Networks (IJCNN), 2017. — p. 1419-1426.
4. Bao W. A deep learning framework for financial time series using stacked autoencoders and long-short term memory / W. Bao, J. Yue, Y. Rao — PLoS ONE 12(7): e0180944, 2017. – 24p.
5. Sheng C. Stock Prediction Using Convolutional Neural Network / C. Sheng, He Hongxiang — IOP Conference Series: Materials Science and Engineering №435(1), 2018. – 9p.
6. Hoseinzade E. CNNPred: CNN-based stock market prediction using several data sources / E. Hoseinzade, S. Haratizadeh — arXiv:1810.08923, 2018. – 39p.
7. Perceptron: The Artificial Neuron (An Essential Upgrade To The McCulloch-Pitts Neuron) [Электронный ресурс] / towardsdatascience.com
— Towards Data Science — Режим доступа: https://towardsdatascience.com/perceptron-the-artificial-neuron- 4d8c70d5cc8d — Дата обращения: 09.03.2019.
8. Perceptron Learning Algorithm: A Graphical Explanation Of Why It Works [Электронный ресурс] / towardsdatascience.com — Towards Data Science
— Режим доступа: https://towardsdatascience.com/perceptron-learning- algorithm-d5db0deab975 — Дата обращения: 11.03.2019.
9. Deep Dive into Math Behind Deep Networks – Towards Data Science [Электронный ресурс] / towardsdatascience.com — Towards Data Science
— Режим доступа: https://towardsdatascience.com/https-medium-com- piotr-skalski92-deep-dive-into-deep-networks-math-17660bc376ba — Дата обращения: 14.03.2019.
10. Это нужно знать: Ключевые рекомендации по глубокому обучению (Часть 2) | DataReview.info [Электронный ресурс] / datareview.info — DataReview.info — Ваш проводник в мире анализа данных — Режим доступа: http://datareview.info/article/eto-nuzhno-znat-klyuchevyie- rekomendatsii-po-glubokomu-obucheniyu-chast-2/ — Дата обращения: 19.03.2019.
11. Learning Parameters, Part 1: Gradient Descent – Towards Data Science [Электронный ресурс] / towardsdatascience.com — Towards Data Science
— Режим доступа: https://towardsdatascience.com/learning-parameters- part-1-eb3e8bb9ffbb — Дата обращения: 24.03.2019.
12. Artificial Neural Networks: Mathematics of Backpropagation (Part 4) [Электронный ресурс] / briandolhansky.com — The personal webpage of Brian Dolhansky. Featuring machine learning, Android, and other code tutorials, my photography, and my mobile development portfolio. — Режим доступа:
http://www.briandolhansky.com/blog/2013/9/27/artificial-neural-networks- backpropagation-part-4 — Дата обращения: 29.03.2019.
13. Dropout — метод решения проблемы переобучения в нейронных сетях [Электронный ресурс] / habr.com/ru/ — Хабр — Режим доступа: https://habr.com/ru/company/wunderfund/blog/330814/ — Дата обращения: 03.04.2019.
14. A Gentle Introduction to Dropout for Regularizing Deep Neural Networks [Электронный ресурс] / machinelearningmastery.com — Machine Learning Mastery — Режим доступа: https://machinelearningmastery.com/ dropout-for-regularizing-deep-neural-networks/ — Дата обращения: 07.04.2019.
15. Types of Optimization Algorithms used in Neural Networks and Ways to Optimize Gradient Descent [Электронный ресурс] / towardsdatascience.com — Towards Data Science — Режим доступа: https://towardsdatascience.com/types-of-optimization-algorithms-used-in- neural-networks-and-ways-to-optimize-gradient-95ae5d39529f — Дата обращения: 11.04.2019.
16. Методы оптимизации нейронных сетей / Хабр [Электронный ресурс] / habr.com/ru/ — Хабр — Режим доступа: https://habr.com/ru/post/318970/ — Дата обращения: 15.04.2019.
17. Gentle Introduction to the Adam Optimization Algorithm for Deep Learning [Электронный ресурс] / machinelearningmastery.com — Machine Learning Mastery — Режим доступа: https://machinelearningmastery.com/ adam-optimization-algorithm-for-deep-learning/ — Дата обращения: 18.04.2019.
18. An overview of gradient descent optimization algorithms [Электронный ресурс] / ruder.io — Sebastian Ruder — Режим доступа: http://ruder.io/optimizing-gradient-descent/index.html — Дата обращения: 21.04.2019.
19. Gentle Dive into Math Behind Convolutional Neural Networks [Электронный ресурс] / towardsdatascience.com — Towards Data Science— Режим доступа: https://towardsdatascience.com/gentle-dive-into-math-behind-convolutional-neural-networks-79a07dd44cf9 — Дата обращения: 24.04.2019.
20. Building a Convolutional Neural Network (CNN) in Keras [Электронный ресурс] / owardsdatascience.com — Towards Data Science — Режим доступа: https://towardsdatascience.com/building-a-convolutional-neural- network-cnn-in-keras-329fbbadc5f5 — Дата обращения: 27.04.2019.
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: | Нейронные сети для анализа финансовых рынков |
Артикул: | 9101449 |
Дата написания: | 12.09.2019 |
Тип работы: | Дипломная работа |
Предмет: | Информационные системы и технологии |
Оригинальность: | Антиплагиат.ВУЗ — 83% |
Количество страниц: | 48 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Нейронные сети для анализа финансовых рынков по предмету информационные системы и технологии
Пролистайте "Нейронные сети для анализа финансовых рынков" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 21.02.2025
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 83% (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 35 работ. Успей и ты забрать свою пока это не сделал кто-то другой!
ПРЕДЫДУЩАЯ РАБОТА
Разработка агрегатора ботов для мессенджеров
СЛЕДУЮЩАЯ РАБОТА
Обучающая программа по информационным технологиям