Применение нейронных сетей в задачах прогнозирования финансовых ситуаций и принятия решений
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
Аннотация
Данная дипломная работа посвящена исследованию применения нейронных сетей в задачах прогнозирования финансовых ситуаций и принятия решений.
В связи с этим, в этом дипломном проекте проведены исследования применения нейронных сетей для прогнозирования ситуации на фондовом рынке, с помощью программного пакета моделирования нейронных сетей Trajan 3.0: ввод и обработка данных различными математическими методами, статистический анализ результатов, предсказание на заданный период.
Дипломный проект выполнен Кондрашовым Владимиром Александровичем объемом: записка - 82 листа, приложения - 21 лист.
Содержание
Введение.6
Глава 1. Задача анализа деловой активности.8
1.1 Постановка задачи.8
1.2 Факторы, влияющие на принятие решений.8
1.3 Временные ряды.10
Выводы к главе 1:13
Глава 2. Задачи применения современных информационных технологий и нейронных сетей.14
2.1 Современные информационные технологии и нейронные сети.14
2.2 Особенности применения нейронных сетей.18
2.2.1 Как работает нейронная сеть.18
2.2.2 Формирование нейронной сети.19
2.2.3 Обучение нейронной сети.21
2.2.4 Имитация функционирования (тестирование) обученной23
нейронной сети.23
Выводы к главе 2:23
Глава. 3. Особенности нейронных сетей в программе Trajan .25
3.1 Типы нейронных сетей в программе Trajan.25
3.1.1 Многослойный персептрон.25
3.1.1.1 Обучение MLP сетей в программе Trajan.26
3.1.1.1.1 Алгоритм обратного распространения.28
3.1.1.1.2 Метод сопряженных градиентов.30
3.1.1.1.3 Метод Левенберга-Маркара.31
3.1.2 Радиальные базисные функции.32
3.1.3 Линейные модели.34
3.1.4 Сеть Кохонена.34
3.1.5 Вероятностные нейронные сети (PNN).36
3.2 Автоматический конструктор сети.37
Выводы к главе 3:38
Глава 4. Процедуры решения задачи.40
4.1 Преобразование первичных данных.40
4.1.1 Назначение программы и системные требования.40
4.1.2 Описание программы.40
4.1.3 Порядок работы с программой (инструкция пользователя).42
4.2 Обработка данных в программе Trajan.42
4.2.1 Открытие файла данных.42
4.2.2 Пре/пост-процессирование.44
4.3 Создание нейронной сети.46
4.4 Инструкция по обучению MLP сети на примере алгоритма обратного распространения.48
4.4.2 Условия остановки обучения.50
4.5 Запуск нейронной сети.51
4.6 Оценка качества работы.53
Выводы к главе 4:54
Глава 5. Решение поставленной задачи с помощью нейронной сети.55
5.1 Работа с исходными данными.55
5.2 Построение нейронной сети.56
5.3 Обучение нейронной сети.57
5.3.1 Обучение нейронной сети, по алгоритму обратного распространения.57
5.3.2 Обучение нейронной сети методом сопряженных градиентов.59
5.3.3 Обучение нейронной сети с помощью метода Левенберга-Маркара.61
5.4 Запуск и тестирование нейронной сети.63
5.5 Основные результаты экспериментов.65
Выводы к главе 5:66
Глава 6. Эргономическая оценка программы Trajan.67
Выводы к главе 6:70
Заключение.71
Список литературы:72
Приложение 1. Листинг программы.73
Приложение 2. Пример работы программы конвертора.83
Введение
В наше время все чаще возникает проблема анализа в различных областях деятельности человека. Необходимость предвидения последующих шагов в конкретных ситуациях. В данной работе рассматривается анализ биржевой активности с помощью нейронных сетей, которые являются одним из мощных средств анализа.
В последние несколько лет наблюдается взрыв интереса к нейронным сетям, они находят успешное применение в самых различных областях - бизнесе, медицине, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации и управления. Такие характеристики нейронных методов, как возможность нелинейного моделирования и сравнительная простота реализации, часто делают их незаменимыми при решении сложнейших многомерных задач.
Нейронные сети нелинейны по своей природе и представляют собой исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. На протяжении многих лет в качестве основного метода в большинстве областей использовалось линейное моделирование, поскольку для него хорошо разработаны процедуры оптимизации. Там, где линейная аппроксимация неудовлетворительна и линейные модели работают плохо, а таких задач достаточно много, основным инструментом становятся нейронные методы. Кроме того, нейронные сети справляются с проклятием размерности, которое не позволяет моделировать линейные зависимости в случае большого числа переменных.
Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает репрезентативную выборку, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень ?/p>