Банковское дело / Доходы и расходы / Лизинг / Финансовая статистика / Финансовый анализ / Финансовый менеджмент / Финансы / Финансы и кредит / Финансы предприятий / Шпаргалки Главная
Финансы
Финансы
| Д.Э. БЭСТЕНС, В.М. ВАН ДЕН БЕРГ, Д. ВУД. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП,1997. - хх, 236 с., 1997 | |
Модели, основанные на нейронных сетях с прямой связью |
|
|
Любопытно заметить, что все описанные в предыдущем пункте модели могут быть реализованы посредством нейронных сетей. Любая зависимость вида х, = с непрерывной нелинейной функцией/может быть воспроизведена на многослойной сети. Пример приведен на рис. 2.4. Рис. 2.4. Реализация АВМА (р,ц) модели на простейшей нейронной сети Вместо того, чтобы отображать поверхность во входном (фазовом) пространстве, образованную данными, посредством одной ги перплоскости (AR), нескольких гиперплоскостей (TAR), или нескольких гиперплоскостей, гладко соединенных друг с другом (STAR), нейронная сеть может осуществить произвольное нелинейное отображение. Мы говорим это не для того, чтобы представить нейронные сети как универсальную модель в анализе временных рядов, а просто чтобы показать все многообразие структур, которые таким способом можно моделировать. Недавние исследования показали, что нейронные сети имеют, по сравнению с классическими мо-делями, более высокие потенциальные возможности при анализе сложной динамической структуры, но при этом дают лучшие результаты и на таких известных типах временных рядов, как стационарные, периодические, трендовые и некоторые другие (см. [275]). Мы согласны с мнением Куама [170], что перед окончательным формированием нейронной сети необходимо проделать моделирование на основе модульного подхода с выделением тренда и сезонных колебаний. Нейронные сети можно также применять для одномерного и многомерного анализа, должным образов сформировав множество независимых входов и зависящих от них выходов. Как правило, модель строится для того, чтобы предсказывать значения временного ряда для одной целевой переменной, однако, в принципе, модель может предсказывать значения и нескольких переменных (например, доходы по акциям на различное время вперед), если в сеть доба-вить дополнительные выходные элементы. При этом, однако, исследования в области моделирования временных рядов при помощи сетей продолжаются и в настоящее время, и никаких стандартных методов здесь пока не выработано. В нейронной сети многочисленные факторы взаимодействуют весьма сложным образом, и успех здесь пока приносит только эвристический (лкустарный) подход. Типичная последовательность действий при решении задачи прогнозирования финансовых показателей с помощью нейронных сетей показана на рис. 2.5. Сбор данных Архивация данных Фильтрация данных Выбор показателей Доводка Сценарии торговых операций Торговля Предварительная ж N. Анализ | обработка I у н предсказание I у РГОВЛЯ Рис. 2.5. Блок-схема финансового прогнозирования при помощи нейронных сетей Действия на первом этапе - этапе предварительной обработки данных, очевидно, сильно зависят от специфики задачи. Нужно правильно выбрать число и вид показателей, характеризующих процесс, в том числе, - структуру задержек. После этого надо выбрать топологию сети. Если применяются сети с прямой связью, нужно определить число скрытых элементов. Далее, для нахождения параметров модели нужно выбрать критерий ошибки и оптимизирующий (обучающий) алгоритм. Затем, используя средства диагностики, следует проверить различные свойства модели. Наконец, нужно проинтерпретировать выходную информацию сети и, может быть, подать ее на вход какой-то другой системы поддержки принятия решений. Далее мы рассмотрим вопросы, которые приходится решать на этапах предварительной обработки, оптимизации и анализа (доводки) сети. |
|
| << Предыдушая | Следующая >> |
| = К содержанию = | |
Похожие документы: "Модели, основанные на нейронных сетях с прямой связью" |
|
|