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

НЕЙРОННО-СЕТЕВЫЕ МОДЕЛИ

На данной задаче были опробованы различные нейронные классификаторы, и результаты сравнивались с тем, что дают классические дискриминантные методы. Мы рассматривали многослойные сети (MBPN = Multilayer Backpropagation Networks), причем ограничились трехслойными сетями с одним скрытым слоем. Коэффициент обучения был взят равным 0.1.
<< Предыдушая Следующая >>
= К содержанию =
Похожие документы: "НЕЙРОННО-СЕТЕВЫЕ МОДЕЛИ"
  1. Введение
    нейронные сети (сети компьютерных процессоров, взаимодействие которых построено по образцу процессов обучения, происходящих в человеческом мозге) и генетические алгоритмы (методы, в которых, исходя из большого набора первоначальных предположений, вырабатывают все более правильные представления о поведении рынка и, в конечном счете, более содержательные рабочие гипотезы). Про методы обоих видов
  2. Нейронно-сетевые методы
    нейронно-сетевых моделей. Описаны принципы разработки, обучения и оценки эффективности. Показано, каким образом множество задач, сильно различающихся параметрами сложности и устойчивости, может быть охвачено единой сетевой
  3. Отбор и диагностика модели
    нейронно-сетевой моде-ли с наилучшим обобщением - это проверка критерия согласия (МБЕ, АЯУ и др.) на тестовом множестве, которое не использовалось при обучении. Если же данных мало, разбивать их на обучающее и подтверждающее множество нужно разными способами. Такое пере-крестное подтверждение может потребовать много времени, особенно для нейронных сетей с их длительным процессом обучения. В
  4. Результаты работы
    нейронные сети продемонстрировали примерно такую же эффективность, как и модель Бокса-Дженкинса, в шести случаях - лучшую, и только в одном - для доходов частных лиц - заметно худшую. Для семи из восьми рядов ежемесячных показателей сеть дала значительно лучшие результаты, чем модель Бокса-Дженкинса ARIMA, и в одном случае ошибки были одного порядка. Суммируя результаты по всем 18 рядам, можно
  5. СЕТЕВАЯ ОЦЕНКА В ДВУМЕРНОЙ ЗАДАЧЕ (ОТОБРАЖЕНИЕ ХЕНОНА)
    нейронными сетями, мы сначала выполнили линейную регрессию на первых 153 членах временного ряда. Результаты регрессии для х{ представлены в табл. 3.2. Коэффициенты регрессии, в том числе сдвиг, существенно отличны от нуля на 95-процентном уровне. Уточненный В.1 равен 0. П.6 Коэффициен Стандартная 1- -статистика Р-значение Нижний Верхний ты 1 ошибка 95%-й уровень 95%-й уровень
  6. ВЫВОДЫ
    нейронно-сетевой модели. Показатели работы сети могут улучшиться после разбиения целевой переменной на составные части, потому что, например, на размер налога с продаж влияют одни факторы, а на размер налогов на наследство - совсем другие. Другой способ состоит в том, чтобы свести целевую переменную к совокупности банковских счетов. Так как разные группы налогоплательщиков перечисляют налоги на
  7. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ
    нейронные сети, позволяют получать возможности для извлечения прибыли на ограниченных отрезках времени и/или на краткосрочных контрактах. Даже если предположить, что рынок рационален, т.е. что все индивидуальные инвесторы ведут себя в среднем рационально, это вовсе не значит, что не может существо-вать не замеченных ранее закономерностей в ценах и различных индикаторах рынка. Поскольку новые
  8. СПОСОБЫ ОЦЕНКИ РЕЗУЛЬТАТОВ
    нейронной сети. Первый вопрос касается базовой валюты. Очевидно, что американский инвестор измеряет доходы и капитал в долларах и будет заинтересован в долларовой прибыли, так что на доходе его портфеля будет отражаться валютный риск, свойственный любым заграничным инвестициям. Инвестор из другой страны может на полном основании совершенно иначе оценивать риск и доход от того же самого портфеля.
  9. ФОРМИРОВАНИЕ ПОРТФЕЛЯ: ЭКСПЕРТНОЕ МНЕНИЕ
    нейронно-сетевых моделях мирового рынка все прогнозы формулируются в терминах отдельных рынков. В тех случаях, когда формат данных не позволяет отслеживать эффективность действий реальных менеджеров на отдельном рынке, мы просто производили перераспределение портфеля. Таким образом, мы приходим к следующей, более узкой задаче: сравнить результаты нейронно-сетевой модели с ежеквартальным
  10. Оценка кредитного рискана основании данных нефинансового характера
    нейронные сети могут работать и с числовыми, и с нечисловыми данными, было предпринято очень мало попыток включить в рассмотрение данные качественного характера. В описанном далее исследовании мы ставили перед собой цель построить нейронно-сетевые классификаторы для двух задач. Первая задача состояла в оценке финансовых трудностей компаний в ситуации ex ante на основе информации, которой