| 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 |
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В АНАЛИЗЕ ВРЕМЕННЫХ РЯДОВЗадача анализа временных рядов |
Временной ряд - это упорядоченная последовательность вещественных чисел х,, г = 1,2,... ,Т, представляющих собой результаты наблюдений некоторой величины. Эти значения обычно получают как результаты измерений в некоторой физической системе. Если нас интересуют зависимости между текущими и прошлыми значениями, то нужно рассматривать вектор задержки {х(_{,х{_2,. ,.,хг_п) в л-мер- ном пространстве сдвинутых во времени значений, или пространстве задержки.
Цель анализа временных рядов состоит в том, чтобы извлечь из данного ряда полезную информацию. Для этого необходимо построить математическую модель явления. Такая модель должна объяснять существо процесса, порождающего данные, в частности - описывать характер данных (случайные, имеющие тренд, периодические, стационарные и т.п.). После этого можно применять различные методы фильтрации данных (сглаживание, удаление выбросов и др.) с конечной целью - предсказать будущие значения.
Таким образом, этот подход основан на предположении, что временной ряд имеет некоторую математическую структуру (которая, например, может быть следствием физической сути явления). Эта структура существует в так называемом фазовом пространстве, координаты которого - это независимые переменные, описывающие состояние динамической системы2. Поэтому первая задача, с которой придется столкнуться при моделированииЧ это подходящим образом определить фазовое пространство. Для этого нужно выбрать некоторые характеристики системы в качестве фазовых переменных. После этого уже можно ставить вопрос о предсказании или экстраполяции. Как правило, во временных рядах, полученных в результате измерений, в разной пропорции присутствуют случайные флуктуации и шум. Поэтому качество модели во многом определяется ее способностью аппроксимировать предполагаемую структуру данных, отделяя ее от шума.
Что могут дать в этом отошении нейронные сети? В этой главе будет показано, что нейронные сети можно рассматривать как обобщение традиционных подходов к анализу временных рядов. Нейронные сети дают дополнительные возможности в моделировании нелинейных явлений и распознавании хаотического поведения. Благодаря своей большой гибкости (на одной топологии можно реализовать много различных отображений), сети могут ухватывать самые разные структуры в фазовом пространстве.
|
| << Предыдушая |
Следующая >> |
| = К содержанию = |
Похожие документы: "ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В АНАЛИЗЕ ВРЕМЕННЫХ РЯДОВЗадача анализа временных рядов" |
- 4.10. НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ФИНАНСОВО-ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ
применении логики нечетких множеств - от электронных таблиц (Fuzzy Cale) до экспертных систем (Cubi Cale) корпорации Hyper Jodie (США), все больший интерес для финансово- экономической деятельности представляют аналитические информационные технологии, основанные на использовании нейронных сетей. Нейронные сети - обобщенное название групп алгоритмов, которые умеют обучаться на примерах, извлекая
- 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
применения в практике управления и принятия решений, в том числе - в финансовой и торговой сферах. Лежащая в ее основе теория нелинейных адаптивных систем доказала свою полезность при выработке прогнозов в целом ряде отраслей экономики и финансов. Книга знакомит со способами применения методологии нейронных сетей для решения задач анализа и прогноза в таких актуальных для современной российской
- Введение
применении правил, который принят в экспертных системах. Системы, основанные на знаниях, обладают тем недостатком, что построенные на их основе методы торговли оказываются довольно негибкими. Наконец, совершенно новый взгляд на мир предлагает теория динамических систем, или теория хаоса. С ее помощью в явлениях, ранее считавшихся случайными, удается обнаружить порядок или некоторую структуру.
- 2.Применение нейронных сетей в задачах классификации и анализа временных рядов
нейронных сетей в задачах классификации и анализа временных
- Применение нейронных сетей в задачах классификации и анализа временных рядов
нейронных сетей рассматривается с точки зрения двух наиболее важных видов приложений - задач классификации и анализа временных рядов. Задача классификации понимается как задача отнесения образца к одному из нескольких попарно непересекающихся множеств. Чаще всего мы будем рассматривать двоичную классификацию. Примерами могут служить определение прибыльности или неприбыльности данной инвестиции,
- Пример: солнечные пятна
применения сетей к анализу классического временного рядаЧ ряда данных о пятнах на Солнце. Регулярные ежегодные записи этого явления ведутся с 1700 года. Ряд много раз анализировался в статистической литературе, и выяснилось, что он не является ни стационарным, ни линейным, ни гауссовым. Были ис-пробованы различные одномерные методы моделирования временных рядов. Габр и Рао [119] применяли
- ТЕОРИЯ ХАОСА И РЫНКИ КАПИТАЛА
применения в задачах прогноза различных нелинейных методов, в том числе, - нейронных сетей. В любом случае применение нейронных сетей согласуется с принципом ограниченной рациональности Саймона [243], согласно которому эффективность рынка ограниченна в силу ограниченных возможностей человека в обработке информации. Есть и другие, более практические причины роста интереса к изучению нелинейных
- НЕЙРОННО-СЕТЕВАЯ МОДЕЛЬ
применении к прогнозу ежемесячных налоговых сборов дал неудовлетворительные результаты. Поэтому МоБ решило применить одномерный метод Бокса-Дженкинса. Получившаяся в результате модель АШМА(0,0,0)(0,1,1)12 с параметрами, определенными из того же самого обучающего множества данных, имеет следующий вид: (1-В12)1пг( = 0.04367+ (1-0.751 В12)аг. (4) Здесь В - оператор сдвига назад, а а - составляющая
- МНОГОСЛОЙНАЯ СХЕМА С ОБРАТНЫМ РАСПРОСТРАНЕНИЕМ ОШИБКИ
применением алгоритма Nevada Quickrop (см. гл. 1) на мэйнфрейм-машине Convex были опробованы сети различной архитектуры. Базовая структура сети проста: входной вектор из шести переменных и одномерный выход (переменная VWNY). Остается выбрать число скрытых слоев и число нейронов. Далее, поскольку результаты Чена, Ролла и Росса указывают на присутствие линейных связей между входами и выходом,
- выводы
применения простых правил торговли, включающих зависимость от
|
Финансы