Прогнозирование фондового рынка с помощью искусственных нейронных сетей #9101428

Артикул: 9101428
  • Предмет: Прикладная информатика
  • Уникальность: 85% (Антиплагиат.ВУЗ)
  • Разместил(-а): 185 Рамиль в 2019 году
  • Количество страниц: 52
  • Формат файла: docx
  • Последняя покупка: 11.12.2022
999p. 2 000p. 3 и 4 ноября!
Оплатите артикул одним из 20 способов и сразу скачайте.
После оплаты он автоматически будет удален с сайта.
Никто кроме вас не сможет посмотреть его до 03.01.2025
1. ОСНОВНЫЕ ПОНЯТИЯ И ВИДЫ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ 5
2. ЦЕЛИ И ИНСТРУМЕНТЫ СОЗДАНИЯ ПРОГРАММЫ ДЛЯ ПРОГНОЗИРОВАНИЯ ФОНДОВОГО РЫНКА 13
2.1 Цель создания программы 13
2.2 Выбор инструментов разработки 14
3. ПРОГНОЗИРОВАНИЕ ФОНДОВОГО РЫНКА 17
3.1 Методы для реализации прогнозирования индексов фондового рынка 17
3.2 Реализация с помощью LSTM модели 20
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 40
Приложения 41

Цель магистерской диссертации – прогнозирование роста или падения акций, основываясь на ситуации на фондовом рынке. Нейронные сети находят широкое применение в аспекте нелинейного прогноза благодаря своей широкой адаптивности к обучению, в связи с этим в качестве метода для реализации программы была выбрана нейронная сеть. Способности искусственной нейронной сети к прогнозированию непосредственно вытекает из ее способности к синтезу и отбору скрытых зависимостей между входными и выходными данными. Пройдя обучение, нейронная сеть умеет спрогнозировать будущее значений какой-либо последовательности, основываясь на предыдущих значениях и фактах. Но стоит отметить, что прогноз возможен только тогда, когда предшествующие изменения на самом деле, влияют на будущие, то есть каким-то образом предопределяют их. Например, мы не способны предсказать результаты сегодняшнего розыгрыша, основываясь на прошлогодних результатах, но прогнозирование роста или падения акций может быть успешным. Для прогноза акций в данной работе, в качестве модели ИНС была выбрана долгая краткосрочная память (LSTM) - разновидность архитектуры рекуррентных нейронных сетей (RNN). Рекуррентные или периодические означает, что выход на текущем временном шаге становится входом на следующий временной шаг. В каждом элементе последовательности модель учитывает не только текущий ввод, но и то, что она помнит о предыдущих элементах. Эта память позволяет сети изучать долгосрочные зависимости в последовательности, это означает, что она может учитывать весь контекст при прогнозировании, будь то следующее слово в предложении, классификация настроений, следующее измерение температуры или котировка акций.
[1] Машинное обучение. Конспект лекций. Разинков Е.В. Казань, 2015 – 28 c.
[2] Нейронные сети и нейрокомпьютеры, П.Г.Круг. – М., 2002 – 52 с.
[3] Хайкин, С. Нейронные сети / С. Хайкин. - М., 2006. – 1101 с.
[4] Hochreiter S., Schmidhuber J. Long short-term memory. Neural computation.
— 1997. – 1780 c.
[5] Язык программирования Python [Электронный ресурс]- Режим доступа: https://web-creator.ru/articles/python (Дата обращения: 10.05.2019)
[6] TensorFlow туториал. Часть 1: тензоры и векторы [Электронный ресурс]-
Режим доступа: https://neurohive.io/ru/tutorial/tensorflow-tutorial-tenzory-i- vektory/(Дата обращения: 19.03.2019)
[7] Словарь современных терминов Data Science и машинного обучения [Электронный ресурс]- Режим доступа: http://www.sldonline.ru/article-content/ 420/ (Дата обращения: 20.05.2019)
[8] Deep Learning with Keras via Artificial Neural Network [Электронный ресурс]- Режим доступа: https://rpubs.com/A_Rodionoff/Regression-Keras(Дата обращения: 07.04.2019)
[9] Stock Price [Электронный ресурс]- Режим доступа: https://www.kaggle.com/mgkmgk/stock-price (Дата обращения: 24.01.2019)
[10] Обучение нейронной сети [Электронный ресурс]- Режим доступа: https://neuronus.com/theory/nn/238-obucheniya-nejronnoi-seti.html(Дата обращения: 02.02.2019)
[11] ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION [Электронный ресурс]- Режим доступа: https://arxiv.org/pdf/1412.6980.pdf (Дата обращения: 21.03.2019).
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: Прогнозирование фондового рынка с помощью искусственных нейронных сетей
Артикул: 9101428
Дата написания: 16.06.2019
Тип работы: Дипломная работа
Предмет: Прикладная информатика
Оригинальность: Антиплагиат.ВУЗ — 85%
Количество страниц: 52
Скрин проверки АП.ВУЗ приложен на последней странице.

В работе представлены только пояснительная записка и листинг программы. Самой программы нет
А ты умеешь выполнять такие работы?

Файлы артикула: Прогнозирование фондового рынка с помощью искусственных нейронных сетей по предмету прикладная информатика

Пролистайте "Прогнозирование фондового рынка с помощью искусственных нейронных сетей" и убедитесь в качестве

После покупки артикул автоматически будет удален с сайта до 03.01.2025
Дипломная — Прогнозирование фондового рынка с помощью искусственных нейронных сетей — 1
Дипломная — Прогнозирование фондового рынка с помощью искусственных нейронных сетей — 2
Дипломная — Прогнозирование фондового рынка с помощью искусственных нейронных сетей — 3
Дипломная — Прогнозирование фондового рынка с помощью искусственных нейронных сетей — 4
Дипломная — Прогнозирование фондового рынка с помощью искусственных нейронных сетей — 5
Дипломная — Прогнозирование фондового рынка с помощью искусственных нейронных сетей — 6
Посмотреть остальные страницы ▼
Честный антиплагиат! Честный антиплагиат!
Уникальность работы — 85% (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! 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?

Утром сдавать, а работа еще не написана?
Через 30 секунд после оплаты вы скачаете эту работу!
Сегодня уже купили 5 работ. Успей и ты забрать свою пока это не сделал кто-то другой!