Нейронные сети для анализа финансовых рынков #9101449

Артикул: 9101449
999p. 2 000p. Только 26 и 27 сентября!
Оплатите работу одним из 20 способов и сразу скачайте.
После оплаты работа автоматически будет удалена с сайта.
Никто кроме вас не сможет посмотреть её до 25.11.2020
Как получить эту работу? Как получить эту работу через 2 минуты?
Введение 3
1. Теоретические основы современного развития нейросетевых технологий 5
1.1. Обзор основных результатов по применению нейронных сетей для анализа финансовых рынков 5
1.2. Теоретические основы построения персептронов. Метод обратного распространения ошибки 6
1.3. Теоретические основы построения свёрточной нейронной сети 26
2. Использование различных конфигураций нейронных сетей для предсказания тренда 29
2.1. Предварительная подготовка данных для подачи в нейронную сеть 29
2.2. Использование многослойных персептронов 31
2.3. Использование свёрточных нейронных сетей 32
3. Сравнительный анализ рассмотренных конфигураций 34
3.1. Интерпретация результатов работы многослойных персептронов 34
3.2. Интерпретация результатов работы свёрточных нейронных сетей 35
3.3. Оценка эффективности рассмотренных нейросетевых технологий 37
Заключение 40
Список использованных источников 41
Примечание

Актуальностью работы является сравнение результатов работы различных конфигураций нейронных сетей, а именно многослойного персептрона и свёрточной нейронной сети для прогнозирования данных финансовых рынков.
Цель работы – реализовать различные конфигурации нейронных сетей для анализа финансовых рынков и провести их сравнение с позиций прогнозирования.
Задачи:
1. исследовать теоретические основы проектирования искусственных нейронных сетей;
2. провести анализ существующих решений для прогнозирования данных финансовых рынков;
3. реализовать многослойный персептрон и свёрточную нейронную сеть;
4. провести анализ результатов.
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.
21. Introduction to 1D Convolutional Neural Networks in Keras for Time Sequences [Электронный ресурс] / towardsdatascience.com — Towards Data Science — Режим доступа: https://blog.goodaudience.com/introduction-to-1d-convolutional-neural- networks-in-keras-for-time-sequences-3a7ff801a2cf — Дата обращения: 01.05.2019.
22. Applied Deep Learning - Part 4: Convolutional Neural Networks [Электронный ресурс] / towardsdatascience.com — Towards Data Science
— Режим доступа: https://towardsdatascience.com/applied-deep-learning- part-4-convolutional-neural-networks-584bc134c1e2 — Дата обращения: 05.05.2019.
23. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. Пер. с польского И.Д. Рудинского. — 2-е изд., стереотип. — М.: Горячая линия - Телеком, 2013. — 384 с.
24. Галушкин А.И. Нейронные сети: основы теории / А.И. Галушкин — М.: Горячая линия — Телеком, 2012. — 496 с.
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: 47

Файлы дипломной работы: Нейронные сети для анализа финансовых рынков по предмету информационные системы и технологии

Пролистайте работу "Нейронные сети для анализа финансовых рынков" и убедитесь в качестве

После покупки работа автоматически будет удалена с сайта до 25.11.2020
Дипломная — Нейронные сети для анализа финансовых рынков — 1
Дипломная — Нейронные сети для анализа финансовых рынков — 2
Дипломная — Нейронные сети для анализа финансовых рынков — 3
Дипломная — Нейронные сети для анализа финансовых рынков — 4
Дипломная — Нейронные сети для анализа финансовых рынков — 5
Дипломная — Нейронные сети для анализа финансовых рынков — 6
Посмотреть остальные страницы ▼
Работа успешно защищена! Работа успешно защищена!
Работа успешно защищена в 2019 году, продается только на этом сайте в итоговом варианте после устранения всех имевшихся замечаний. Вместе с работой вы получите все приложения и подготовленные дополнительные материалы.
Честный антиплагиат! Честный антиплагиат!
Оригинальность работы — 83%, приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем несколько 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, без лишних спец. символов и т.п.
Гарантируем возврат денег! 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.
Внести изменения в работу? Внести изменения в работу?
Готовая работа вам подходит, но нужно добавить ещё пару параграфов? Автор написавший её обязательно доделает её для вас. Изменение готовой работы по вашим требованиям возможно за дополнительную плату. Для этого оформите заявку.

Утром сдавать, а работа еще не написана?

Утром сдавать, а работа еще не написана?
Через 30 секунд после оплаты вы скачаете эту работу!
Сегодня уже купили 71 работу. Успей и ты забрать свою пока это не сделал кто-то другой!