ВВЕДЕНИЕ 4
1. Основы прогнозирования временных рядов с помощью глубокого обучения 7
1.1. Рекуррентные нейронные сети 7
1.1.1. Классическая рекуррентная нейронная сеть (RNN) 7
1.1.2. Долгая краткосрочная память (LSTM) 10
1.1.3. Управляемый рекуррентный блок (GRU) 15
1.2. Архитектура Encoder-Decoder 16
1.3. Механизм внимания 19
2. Прогнозирование кривой доходности облигаций 23
2.1. Введение в прогнозирование кривой доходности облигаций 23
2.1.1. Кривая доходности облигаций 23
2.1.2. Обзор существующих методов прогнозирования кривой доходности 25
2.2. Разработка метода прогнозирования кривой доходности облигаций 26
2.3. Описание экспериментов 28
2.3.1. Особенности реализации 28
2.3.2. Описание набора данных 29
2.3.3. Результаты 30
3. Алгоритмическая торговля акциями 35
3.1. Введение в алгоритмическую торговлю акциями 35
3.2. Разработка метода алгоритмической торговли на рынке акций 37
3.2.1. Сбор и предварительная обработка данных 37
3.2.2. Модуль восприятия на основе глубокого обучения 39
3.2.2.1. Выбор и взвешивание характеристик данных 39
3.2.2.2. Моделирование временного ряда 40
3.2.3. Модуль принятия решений на основе обучения с подкреплением 41
3.2.4. Совместно контролируемое глубокое обучение и обучение с подкреплением 43
3.3. Описание экспериментов 44
3.3.1. Особенности реализации и описание набора данных 44
3.3.2. Базовые стратегии 45
3.3.3. Метрики 46
3.3.4. Результаты 47
ЗАКЛЮЧЕНИЕ 56
СПИСОК ЛИТЕРАТУРЫ 62
ПРИЛОЖЕНИЯ 68
ПРИЛОЖЕНИЕ 1 68
ПРИЛОЖЕНИЕ 2 83
Методы глубокого обучения и методы обучения с подкреплением (англ. reinforcement learning) становятся все более популярными при решении самых различных задач и показывают хорошие результаты во многих областях науки. Несмотря на то, что в академической литературе по глубокому обучению достаточно мало внимания уделяется прогнозированию финансовых временных рядов в целом, эта сфера на сегодняшний день является одной из самых перспективных сфер применения искусственного интеллекта.
Таким образом, целью данной работы являются разработка и реализация методов анализа финансовых рядов с помощью глубокого обучения: метода прогнозирования кривой доходности облигаций и метода алгоритмической торговли на рынке акций. Для достижения поставленной цели были определены следующие задачи:
— обзор литературы по прогнозированию временных рядов с помощью методов глубокого обучения,
— изучение существующих методов прогнозирования кривой доходности облигаций,
— разработка метода прогнозирования кривой доходности облигаций с помощью глубокого обучения,
— изучение существующих методов алгоритмической торговли на рынке акций,
— разработка метода алгоритмической торговли акциями с помощью глубокого обучения,
— программная реализация разработанных методов на языке программирования Python с использованием библиотеки для глубокого обучения PyTorch,
— обучение разработанных и реализованных моделей (нейронных сетей) и валидация их гиперпараметров,
— проведение различных экспериментов по исследованию эффективности разработанных и реализованных методов и анализ полученных результатов.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка алгоритмов анализа финансовых рядов с помощью глубокого обучения #9105417
Артикул: 9105417
- Предмет: Программирование
- Уникальность: 67% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2022 году
- Количество страниц: 110
- Формат файла: docx
2 499p.
1) Bloomberg : [сайт]. — 2021. — URL: https://www.bloomberg.com (дата обращения 01.02.2021). — Текст : электронный.
2) Algorithmic Trading : [сайт]. — 2022. — URL: https://www.investopedia.com/terms/a/algorithmictrading.asp (дата обращения 10.02.2022). — Текст : электронный.
3) Елизаров, А. А. Резюмирование текста с использованием методов машинного обучения: курсовая работа / А. А. Елизаров, Р. Р. Нигматуллин. — Текст : непосредственный // Казанский ун-т. — Казань, 2019. — 50 с.
4) Рекуррентные нейронные сети : [сайт]. — 2021. — URL: https://neerc.ifmo.ru/wiki/index.php?title=Рекуррентные\_нейронные\_сети (дата обращения 20.02.2021). — Текст : электронный.
5) Рекуррентные нейронные сети: типы, обучение, примеры и применение : [сайт]. — 2018. — URL: https://neurohive.io/ru/osnovy-data- science/rekurrentnye-nejronnye-seti (дата обращения 25.03.2021). — Текст : электронный.
6) Hochreiter, S. Long Short-Term Memory / S. Hochreiter, J. Schmidhuber. — Текст : непосредственный // Neural Computation. — 1997. — Т. 9. — №8. — С. 1735–1780.
7) Understanding LSTM Networks : [сайт]. — 2015. — URL: https://colah.github.io/posts/2015-08-Understanding-LSTMs (дата обращения 01.03.2021). — Текст : электронный.
8) Chung, J. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling / J. Chung, C. Gulcehre, K. Cho, Y. Bengio. — Текст : непосредственный // Proceedings of the Conference on Neural Information Processing Systems. — 2014.
9) The Beginner’s Guide to Recurrent Neural Networks and Text Generation : [сайт]. — 2018. — URL: https://medium.com/@annikabrundyn1/the- beginners-guide-to-recurrent-neural-networks-and-text-generation-44a70c34067f (дата обращения 10.03.2021). — Текст : электронный.
10) Sutskever, I. Sequence to sequence learning with neural networks / I. Sutskever, O. Vinyals, Q. V. Le. — Текст : непосредственный // Proceedings of the International Conference on Neural Information Processing Systems. — 2014. — Т. 2. — С. 3104–3112.
11) Cho, K. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation / K. Cho, B. van Merrienboer, C. Gulcehr [и др.].
— Текст : непосредственный // Proceedings of the Conference on Empirical Methods in Natural Language. — 2014. — С. 1724–1734.
12) Understanding Encoder-Decoder Sequence to Sequence Model : [сайт]. — 2019. — URL: https://towardsdatascience.com/understanding-encoder- decoder-sequence-to-sequence-model-679e04af4346 (дата обращения 20.03.2021). — Текст : электронный.
13) Bahdanau, D. Neural Machine Translation by Jointly Learning to Align and Translate / D. Bahdanau, K. Cho, Y. Bengio. — Текст : непосредственный // Proceedings of the International Conference on Learning Representations. — 2015.
14) Schuster, M. Bidirectional recurrent neural networks / M. Schuster, K.
K. Paliwal. — Текст : непосредственный // IEEE Transactions on Signal Processing. — 1997. — Т. 45. — №11. — С. 2673–2681.
15) Vaswani, A. Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar. — Текст : непосредственный // Proceedings of the International Conference on Neural Information Processing Systems. — 2017.
16) Devlin, J. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding / J. Devlin, M. W. Chang, K. Lee, K. Toutanova. — Текст
: непосредственный // Proceedings of the Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. — 2019. — С. 4171–4186.
17) Что такое кривая доходности облигаций : [сайт]. — 2021. — URL: https://www.finam.ru/education/likbez/chto-takoe-krivaya-doxodnosti-obligacii- 774-20220214-130300 (дата обращения 05.02.2021). — Текст : электронный.
18) Кривая доходности облигаций : [сайт]. — 2018. — URL: https://blog.dti.team/kak-po-krivoi-dohodnosti-mozhno-predskazat-recessiu (дата обращения 10.02.2021). — Текст : электронный.
19) Nelson, C. R. Parsimonious Modeling of Yield Curves / C. R. Nelson,
A. F. Siegel. — Текст : непосредственный // The Journal of Business. — 1987. — Т. 60. — №. 4. — С. 473–489.
20) Arrieta Ibarra, I. Testing for predictability in financial returns using statistical learning procedures / I. Arrieta Ibarra, I. N. Lobato. — Текст : непосредственный // Journal of Time Series Analysis. — 2015. — Т. 36. — № 5.— С. 672–686.
21) Nunes, M. A Comparison of Multitask and Single Task Learning with Artificial Neural Networks for Yield Curve Forecasting / M. Nunes, E. Gerding, F. McGroarty, M. Niranjan. — Текст : непосредственный // Expert Systems with Applications. — 2019. — Т. 119. — С. 362–375.
22) Nunes, M. The Memory Advantage of Long Short-Term Memory Networks for Bond Yield Forecasting / M. Nunes, E. Gerding, F. McGroarty, M. Niranjan. — Текст : непосредственный // Proceedings of the International Conference on Forecasting Financial Markets. — 2019.
23) Suimon, Y. Autoencoder-Based Three-Factor Model for the Yield Curve of Japanese Government Bonds and a Trading Strategy / Y. Suimon, H. Sakaji, K. Izumi, H. Matsushima. — Текст : непосредственный // Journal of Risk and Financial Management. — 2020. — Т. 13. — №4. — С. 82.
24) Елизаров, А. А. Отчет учебной практики за 2-й семестр 2020–2021 учебного года / А. А. Елизаров. — Текст : непосредственный // Казанский ун- т. — Казань, 2021. — 60 с.
25) PyTorch : [сайт]. — 2021. — URL: https://pytorch.org (дата обращения 01.04.2021). — Текст : электронный.
26) Yahoo! Finance : [сайт]. — 2021. — URL: https://finance.yahoo.com (дата обращения 10.04.2021). — Текст : электронный.
27) Federal Reserve Economic Data : [сайт]. — 2021. — URL: https://fred.stlouisfed.org (дата обращения 05.04.2021). — Текст : электронный.
28) Wu, N. Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case / N. Wu, B. Green, X. Ben, S. O'Banion. — Текст : непосредственный // Preprint arXiv:2001.08317. — 2020.
29) Chen, X. Robust Covariate Shift Regression / X. Chen, M. Monfort, A. Liu, B. D. Ziebart. — Текст : непосредственный // Proceedings of Machine Learning Research. — 2016. — Т. 51. — С. 1270–1279.
30) Fama, E. F. Random Walks in Stock-Market Prices / E. F. Fama. — Текст : электронный. — 1965. — URL: https://www.jstor.org/stable/4479810 (дата обращения 20.04.2021).
31) Hendershott, T. Does Algorithmic Trading Improve Liquidity? / T. Hendershott, C. M. Jones, A. J. Menkveld. — Текст : непосредственный // Journal of Finance. — 2011. — Т. 66. — №1. — С. 33.
32) Chong, E. Deep learning networks for stock market analysis and prediction: methodology, data representations, and case studies / E. Chong, C. Han,
F. C. Park. — Текст : непосредственный // Expert Systems with Applications. — 2017. — Т. 83. — С. 187–205.
33) Akita, R. Deep learning for stock prediction using numerical and textual information / R. Akita, A. Yoshihara, T. Matsubara, K. Uehara. — Текст : непосредственный // Proceedings of the International Conference on Computer and Information Science. — 2016. — С. 1–6.
34) Pendharkar, P. C. Trading financial indices with reinforcement learning agents / P. C. Pendharkar, P. Cusatis. — Текст : непосредственный // Expert Systems with Applications. — 2018. — Т. 103. — С. 1–13.
35) Wang, Y. Deep Q-trading / Y. Wang, D. Wang, S. Zhang [и др.]. — Текст : электронный. — 2017. — URL: http://cslt.riit.tsinghua.edu.cn/mediawiki/images/5/5f/Dtq.pdf (дата обращения 20.02.2022).
36) Li, Y. Deep reinforcement learning: an overview / Y. Li. — Текст : непосредственный // Preprint arXiv:1701.07274. — 2018.
37) Gu, S. Interpolated Policy Gradient: Merging On-Policy and Off-Policy Gradient Estimation for Deep Reinforcement Learning / S. Gu, T. Lillicrap, Z. Ghahramani [и др.]. — Текст : непосредственный // Preprint arXiv:1706.00387.— 2017.
38) Lei, K. Time-driven feature-aware jointly deep reinforcement learning for financial signal representation and algorithmic trading / K. Lei, B. Zhang, Y. Li [и др.]. — Текст : непосредственный // Expert Systems with Applications. — 2019. — Т. 140. — №1.
39) Елизаров, А. Отчет учебной практики за 3-й семестр 2021–2022 учебного года / А. А. Елизаров. — Текст : непосредственный // Казанский ун- т. — Казань, 2022. — 33 с.
40) Berat Sezer, O. Financial time series forecasting with deep learning: A systematic literature review: 2005–2019 / O. Berat Sezer, M. Ugur Gudelek, A. Murat Ozbayoglu. — Текст : непосредственный // Applied Soft Computing. — 2019. — Т. 90.
41) Srivastava, R. K. Highway networks / R. K. Srivastava, K. Greff, J. Schmidhuber. — Текст : непосредственный // arXiv:1505.00387. — 2015.
42) Библиотека технического анализа Pandas TA : [сайт]. — 2022. — URL: https://github.com/twopirllc/pandas-ta (дата обращения 15.04.2022). — Текст : электронный.
43) Buy and Hold Definition : [сайт]. — 2020. — URL: https://www.investopedia.com/terms/b/buyandhold.asp (дата обращения 05.05.2022). — Текст : электронный.
44) Trend Trading Definition : [сайт]. — 2021. — URL: https://www.investopedia.com/terms/t/trendtrading.asp (дата обращения 05.05.2022). — Текст : электронный.
45) Sharpe Ratio Definition : [сайт]. — 2022. — URL: https://www.investopedia.com/terms/s/sharperatio.asp (дата обращения 05.05.2022). — Текст : электронный.
46) Sutton, R. S. Reinforcement learning: An introduction / R. S. Sutton, A.
G. Barto. — Текст : электронный. — 2018. — URL: http://incompleteideas.net/book/the-book-2nd.html/ (дата обращения 10.02.2022).
47) Елизаров, А. А. Метод адаптивной классификации изображений с использованием обучения с подкреплением / А. А. Елизаров. — Текст : непосредственный // Программные продукты и системы. — 2022. — Т. 35. —№ 1. — С. 28–36.
2) Algorithmic Trading : [сайт]. — 2022. — URL: https://www.investopedia.com/terms/a/algorithmictrading.asp (дата обращения 10.02.2022). — Текст : электронный.
3) Елизаров, А. А. Резюмирование текста с использованием методов машинного обучения: курсовая работа / А. А. Елизаров, Р. Р. Нигматуллин. — Текст : непосредственный // Казанский ун-т. — Казань, 2019. — 50 с.
4) Рекуррентные нейронные сети : [сайт]. — 2021. — URL: https://neerc.ifmo.ru/wiki/index.php?title=Рекуррентные\_нейронные\_сети (дата обращения 20.02.2021). — Текст : электронный.
5) Рекуррентные нейронные сети: типы, обучение, примеры и применение : [сайт]. — 2018. — URL: https://neurohive.io/ru/osnovy-data- science/rekurrentnye-nejronnye-seti (дата обращения 25.03.2021). — Текст : электронный.
6) Hochreiter, S. Long Short-Term Memory / S. Hochreiter, J. Schmidhuber. — Текст : непосредственный // Neural Computation. — 1997. — Т. 9. — №8. — С. 1735–1780.
7) Understanding LSTM Networks : [сайт]. — 2015. — URL: https://colah.github.io/posts/2015-08-Understanding-LSTMs (дата обращения 01.03.2021). — Текст : электронный.
8) Chung, J. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling / J. Chung, C. Gulcehre, K. Cho, Y. Bengio. — Текст : непосредственный // Proceedings of the Conference on Neural Information Processing Systems. — 2014.
9) The Beginner’s Guide to Recurrent Neural Networks and Text Generation : [сайт]. — 2018. — URL: https://medium.com/@annikabrundyn1/the- beginners-guide-to-recurrent-neural-networks-and-text-generation-44a70c34067f (дата обращения 10.03.2021). — Текст : электронный.
10) Sutskever, I. Sequence to sequence learning with neural networks / I. Sutskever, O. Vinyals, Q. V. Le. — Текст : непосредственный // Proceedings of the International Conference on Neural Information Processing Systems. — 2014. — Т. 2. — С. 3104–3112.
11) Cho, K. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation / K. Cho, B. van Merrienboer, C. Gulcehr [и др.].
— Текст : непосредственный // Proceedings of the Conference on Empirical Methods in Natural Language. — 2014. — С. 1724–1734.
12) Understanding Encoder-Decoder Sequence to Sequence Model : [сайт]. — 2019. — URL: https://towardsdatascience.com/understanding-encoder- decoder-sequence-to-sequence-model-679e04af4346 (дата обращения 20.03.2021). — Текст : электронный.
13) Bahdanau, D. Neural Machine Translation by Jointly Learning to Align and Translate / D. Bahdanau, K. Cho, Y. Bengio. — Текст : непосредственный // Proceedings of the International Conference on Learning Representations. — 2015.
14) Schuster, M. Bidirectional recurrent neural networks / M. Schuster, K.
K. Paliwal. — Текст : непосредственный // IEEE Transactions on Signal Processing. — 1997. — Т. 45. — №11. — С. 2673–2681.
15) Vaswani, A. Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar. — Текст : непосредственный // Proceedings of the International Conference on Neural Information Processing Systems. — 2017.
16) Devlin, J. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding / J. Devlin, M. W. Chang, K. Lee, K. Toutanova. — Текст
: непосредственный // Proceedings of the Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. — 2019. — С. 4171–4186.
17) Что такое кривая доходности облигаций : [сайт]. — 2021. — URL: https://www.finam.ru/education/likbez/chto-takoe-krivaya-doxodnosti-obligacii- 774-20220214-130300 (дата обращения 05.02.2021). — Текст : электронный.
18) Кривая доходности облигаций : [сайт]. — 2018. — URL: https://blog.dti.team/kak-po-krivoi-dohodnosti-mozhno-predskazat-recessiu (дата обращения 10.02.2021). — Текст : электронный.
19) Nelson, C. R. Parsimonious Modeling of Yield Curves / C. R. Nelson,
A. F. Siegel. — Текст : непосредственный // The Journal of Business. — 1987. — Т. 60. — №. 4. — С. 473–489.
20) Arrieta Ibarra, I. Testing for predictability in financial returns using statistical learning procedures / I. Arrieta Ibarra, I. N. Lobato. — Текст : непосредственный // Journal of Time Series Analysis. — 2015. — Т. 36. — № 5.— С. 672–686.
21) Nunes, M. A Comparison of Multitask and Single Task Learning with Artificial Neural Networks for Yield Curve Forecasting / M. Nunes, E. Gerding, F. McGroarty, M. Niranjan. — Текст : непосредственный // Expert Systems with Applications. — 2019. — Т. 119. — С. 362–375.
22) Nunes, M. The Memory Advantage of Long Short-Term Memory Networks for Bond Yield Forecasting / M. Nunes, E. Gerding, F. McGroarty, M. Niranjan. — Текст : непосредственный // Proceedings of the International Conference on Forecasting Financial Markets. — 2019.
23) Suimon, Y. Autoencoder-Based Three-Factor Model for the Yield Curve of Japanese Government Bonds and a Trading Strategy / Y. Suimon, H. Sakaji, K. Izumi, H. Matsushima. — Текст : непосредственный // Journal of Risk and Financial Management. — 2020. — Т. 13. — №4. — С. 82.
24) Елизаров, А. А. Отчет учебной практики за 2-й семестр 2020–2021 учебного года / А. А. Елизаров. — Текст : непосредственный // Казанский ун- т. — Казань, 2021. — 60 с.
25) PyTorch : [сайт]. — 2021. — URL: https://pytorch.org (дата обращения 01.04.2021). — Текст : электронный.
26) Yahoo! Finance : [сайт]. — 2021. — URL: https://finance.yahoo.com (дата обращения 10.04.2021). — Текст : электронный.
27) Federal Reserve Economic Data : [сайт]. — 2021. — URL: https://fred.stlouisfed.org (дата обращения 05.04.2021). — Текст : электронный.
28) Wu, N. Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case / N. Wu, B. Green, X. Ben, S. O'Banion. — Текст : непосредственный // Preprint arXiv:2001.08317. — 2020.
29) Chen, X. Robust Covariate Shift Regression / X. Chen, M. Monfort, A. Liu, B. D. Ziebart. — Текст : непосредственный // Proceedings of Machine Learning Research. — 2016. — Т. 51. — С. 1270–1279.
30) Fama, E. F. Random Walks in Stock-Market Prices / E. F. Fama. — Текст : электронный. — 1965. — URL: https://www.jstor.org/stable/4479810 (дата обращения 20.04.2021).
31) Hendershott, T. Does Algorithmic Trading Improve Liquidity? / T. Hendershott, C. M. Jones, A. J. Menkveld. — Текст : непосредственный // Journal of Finance. — 2011. — Т. 66. — №1. — С. 33.
32) Chong, E. Deep learning networks for stock market analysis and prediction: methodology, data representations, and case studies / E. Chong, C. Han,
F. C. Park. — Текст : непосредственный // Expert Systems with Applications. — 2017. — Т. 83. — С. 187–205.
33) Akita, R. Deep learning for stock prediction using numerical and textual information / R. Akita, A. Yoshihara, T. Matsubara, K. Uehara. — Текст : непосредственный // Proceedings of the International Conference on Computer and Information Science. — 2016. — С. 1–6.
34) Pendharkar, P. C. Trading financial indices with reinforcement learning agents / P. C. Pendharkar, P. Cusatis. — Текст : непосредственный // Expert Systems with Applications. — 2018. — Т. 103. — С. 1–13.
35) Wang, Y. Deep Q-trading / Y. Wang, D. Wang, S. Zhang [и др.]. — Текст : электронный. — 2017. — URL: http://cslt.riit.tsinghua.edu.cn/mediawiki/images/5/5f/Dtq.pdf (дата обращения 20.02.2022).
36) Li, Y. Deep reinforcement learning: an overview / Y. Li. — Текст : непосредственный // Preprint arXiv:1701.07274. — 2018.
37) Gu, S. Interpolated Policy Gradient: Merging On-Policy and Off-Policy Gradient Estimation for Deep Reinforcement Learning / S. Gu, T. Lillicrap, Z. Ghahramani [и др.]. — Текст : непосредственный // Preprint arXiv:1706.00387.— 2017.
38) Lei, K. Time-driven feature-aware jointly deep reinforcement learning for financial signal representation and algorithmic trading / K. Lei, B. Zhang, Y. Li [и др.]. — Текст : непосредственный // Expert Systems with Applications. — 2019. — Т. 140. — №1.
39) Елизаров, А. Отчет учебной практики за 3-й семестр 2021–2022 учебного года / А. А. Елизаров. — Текст : непосредственный // Казанский ун- т. — Казань, 2022. — 33 с.
40) Berat Sezer, O. Financial time series forecasting with deep learning: A systematic literature review: 2005–2019 / O. Berat Sezer, M. Ugur Gudelek, A. Murat Ozbayoglu. — Текст : непосредственный // Applied Soft Computing. — 2019. — Т. 90.
41) Srivastava, R. K. Highway networks / R. K. Srivastava, K. Greff, J. Schmidhuber. — Текст : непосредственный // arXiv:1505.00387. — 2015.
42) Библиотека технического анализа Pandas TA : [сайт]. — 2022. — URL: https://github.com/twopirllc/pandas-ta (дата обращения 15.04.2022). — Текст : электронный.
43) Buy and Hold Definition : [сайт]. — 2020. — URL: https://www.investopedia.com/terms/b/buyandhold.asp (дата обращения 05.05.2022). — Текст : электронный.
44) Trend Trading Definition : [сайт]. — 2021. — URL: https://www.investopedia.com/terms/t/trendtrading.asp (дата обращения 05.05.2022). — Текст : электронный.
45) Sharpe Ratio Definition : [сайт]. — 2022. — URL: https://www.investopedia.com/terms/s/sharperatio.asp (дата обращения 05.05.2022). — Текст : электронный.
46) Sutton, R. S. Reinforcement learning: An introduction / R. S. Sutton, A.
G. Barto. — Текст : электронный. — 2018. — URL: http://incompleteideas.net/book/the-book-2nd.html/ (дата обращения 10.02.2022).
47) Елизаров, А. А. Метод адаптивной классификации изображений с использованием обучения с подкреплением / А. А. Елизаров. — Текст : непосредственный // Программные продукты и системы. — 2022. — Т. 35. —№ 1. — С. 28–36.
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: | Разработка алгоритмов анализа финансовых рядов с помощью глубокого обучения |
| Артикул: | 9105417 |
| Дата написания: | 17.05.2022 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 67% |
| Количество страниц: | 110 |
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: Разработка алгоритмов анализа финансовых рядов с помощью глубокого обучения по предмету программирование
Пролистайте "Разработка алгоритмов анализа финансовых рядов с помощью глубокого обучения" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 26.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 67% (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.
ПРЕДЫДУЩАЯ РАБОТА
Разработка веб-приложения для поиска работы и публикации вакансий
СЛЕДУЮЩАЯ РАБОТА
Разработка приложения для архивации текстовых данных с возможностью выбора метода сжатия. Сравнительный анализ методов архивации