Программа дисциплины «Нейронные сети как метод прогнозирования финансового рынка»

Вид материала

Программа дисциплины

Содержание 1Область применения и нормативные ссылки 2Цели освоения дисциплины 3Компетенции обучающегося, формируемые в результате освоения дисциплины 4Место дисциплины в структуре образовательной программы 5Тематический план учебной дисциплины 6Формы контроля знаний студентов 6.1Критерии оценки знаний, навыков 7Содержание дисциплины БУ 1, глава 8, 10. БУ 3, глава 8. БУ 4, глава 7. БУ 3, глава 7. БУ 1, глава 2. БУ 1, глава 11. 8 Образовательные технологии 8.1. Методические рекомендации преподавателю 9Оценочные средства для текущего контроля и аттестации студента 9.1Вопросы для оценки качества освоения дисциплины 10Порядок формирования оценок по дисциплине

Подобный материал:

• Учебно-тематический план дисциплины программа дисциплины, 312.6kb.
• Программа дисциплины «Теория нечетких множеств и нейронные сети» Для специальности, 567.45kb.
• Нейронные сети как механизм представления лексико-семантической информации, 376.06kb.
• Программа, 39.37kb.
• Самостоятельная работа по прогнозированию экономических процессов на тему: нейронные, 148.65kb.
• Лекция 2 Лекция «Нейронные сети» Начнем с определения: Искусственные нейронные сети, 131.57kb.
• Рабочая программа учебной дисциплины нейронные сети наименование магистерской программы, 103.98kb.
• Семинарских занятий по рцб тема Рынок ценных бумаг и его участники, 71.64kb.
• "Нейроновые сети ", 374.46kb.
• Методы Разработки и Визуализации Данных, 21.72kb.

Национальный исследовательский университет «Высшая школа экономики» Программа дисциплины «Нейронные сети как метод прогнозирования финансового рынка» для специальности 080102.65 «Мировая экономика» подготовки специалиста

Правительство Российской Федерации


Федеральное государственное автономное образовательное учреждение высшего профессионального образования
"Национальный исследовательский университет
"Высшая школа экономики"


Факультет мировой экономики и мировой политики


Программа дисциплины «Нейронные сети

как метод прогнозирования финансового рынка»


для специальности 080102.65 «Мировая экономика»

подготовки специалиста


Автор программы:

Головачев С.С., преподаватель, (serg_golovachev@mail.ru)


Одобрена на заседании кафедры международных валютно-финансовых отношений

« 14 » ноября 2011 г

Зав. кафедрой: Евстигнеев В.Р.


Рекомендована секцией УМС «Мировая экономика и мировая политика»

« 24 » ноября 2011 г.

Председатель И.Д. Иванов


Утверждена УС факультета мировой экономики и мировой политики

« 19 » декабря 2011 г.

Ученый секретарь А.И. Суздальцев


Москва, 2011

Настоящая программа не может быть использована другими подразделениями университета и другими вузами без разрешения кафедры-разработчика программы.

1Область применения и нормативные ссылки

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности.

Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов 4 курса специальности 080102.65 «Мировая экономика», обучающихся по специализации «Международные валютно-финансовые отношения», изучающих дисциплину «Нейронные сети как метод прогнозирования финансового рынка»

Программа разработана в соответствии с:

• ГОС;
  
• Образовательными программами подготовки специалистов по специальности 080102.65 «Мировая экономика»
  
• Рабочим учебным планом университета подготовки специалистов по специальности 080102.65 «Мировая экономика», утвержденным в 2011г.
  

2Цели освоения дисциплины

Ознакомить слушателей с основами прогнозирования фондового и других финансовых рынков с помощью искусственных нейронных сетей.

• Проследить логику применения искусственных нейронных сетей в финансовом моделировании и прогнозировании;
  
• Ознакомить слушателей с основными типами искусственных нейронных сетей, их отличием от биологических нейронных сетей;
  
• Ознакомить слушателей с принципами построения искусственных нейронных сетей и их обучения;
  
• Показать возможность построения торговых стратегий для фондового рынка с помощью искусственных нейронных сетей.
  

3Компетенции обучающегося, формируемые в результате освоения дисциплины

В результате изучения дисциплины «Искусственные нейронные сети как метод прогнозирования фондового рынка» студент должен:

• Понимать логическую связь между биологическими и искусственными нейронными сетями;
  
• Знать основные типы искусственных нейронных сетей и принципы их построения;
  
• Уметь строить торговые стратегии с использованием искусственных нейронных сетей для прогнозирования фондового и других финансовых рынков.
  

4Место дисциплины в структуре образовательной программы

Настоящая дисциплина относится к циклу социально-экономических дисциплин. Настоящая дисциплина является дисциплиной по выбору. Каждое занятие состоит из лекционной и семинарской частей.

Индивидуальная работа преподавателя со студентами предусматривает консультации преподавателя по темам дисциплины.

Изучение данной дисциплины базируется на следующих дисциплинах:

• «Теория вероятностей и математическая статистика»,
  
• «Математический анализ»,
  
• «Теория игр».
  
  
  

Для освоения учебной дисциплины, студенты должны владеть следующими знаниями:

• Базовые навыки работы в MS Excel, MathCAD и/или Wolfram Matematica.
  

5Тематический план учебной дисциплины

№ п/п	Название раздела	Всего	Лекции	Семинары	Самостоя­тельная работа
		(часов)	(часов)	(часов)	(часов)
1	Введение в искусственные нейронные сети. Сеть прямого прохода.	12	2	2	8
2	Методы предварительной обработки данных для искусственных нейронных сетей	12	2	2	8
3	Сеть Левенберга-Марквардта и сеть Хакена	12	2	2	8
4	Сеть Хопфильда	12	2	2	8
5	Стохастические методы обучения искусственных нейронных сетей	14	2	2	10
6	Методы ядра и главных компонент для обучения искусственных нейронных сетей	16	2	2	12
7	Генетические алгоритмы обучения искусственных нейронных сетей	16	2	2	12
8	Роевые механизмы обучения искусственных нейронных сетей	14	2	2	10
	ИТОГО	108	16	16	76

6Формы контроля знаний студентов

Тип контроля	Форма контроля	4год				Кафедра	Параметры **
				3
Текущий (неделя)	Контрольная работа			*		МВФО	Практическое применение полученных знаний о теоретическом моделировании изучаемых процессов на аудиторном занятии
Итоговый	Зачет			*		МВФО	Устный зачет

6.1Критерии оценки знаний, навыков

Студентам предлагается выполнить практические задания по применению теоретических знаний, полученных на аудиторном занятии. Такое практическое применение проверяется в виде практического задания в аудитории.

Студенты, выполнившие все практические задания, могут быть освобождены от сдачи итогового зачёта и получить отличную итоговую оценку (8 баллов) «автоматом». Для повышения оценки до 9-10 баллов по просьбе студентов им будет предложено ответить на, соответственно, один или два устных вопроса из билетов к зачёту.

Не выполнившие, по крайней мере, одного аудиторного и одного домашнего практического задания не могут получить отличной итоговой оценки даже при оценке 10 баллов непосредственно за зачёт.

При предъявлении результатов расчётов от студента требуется подробное объяснение теоретических предпосылок применённого метода. Как сдача зачёта, так и выступления в аудитории по итогам практических заданий предполагают умение прокомментировать полученные самостоятельно результаты.

7Содержание дисциплины

1. Раздел 1 Введение в искусственные нейронные сети. Сеть прямого прохода
   

Биологические нейронные сети. Классификация нейронных сетей и принципы построения. Применение нейронных сетей в различных областях. Сеть прямого прохода. Принципы программирования искусственных нейронных сетей в программе MathCAD. Прогнозирование макроэкономической динамики с помощью сети прямого прохода. Сеть прямого прохода Прогнозирование макроэкономической динамики с помощью сети прямого прохода.

2 часа.

Базовая литература.

2. БУ 1, глава 1.
   
3. БУ 2, глава 2.
   

Дополнительная литература.

4. Qin M. (2001), Predicting US recessions with leading indicators via neural network models// International Journal of Forecasting, p. 383–401.
   
   
   

2. Раздел 2. Методы предварительной обработки данных для искусственных нейронных сетей

Метод главных компонент и метод независимых компонент как инструмент обработки данных и прогнозирования различных временных рядов. Сравнение эффективности прогнозирования рыночной динамики с помощью метода главных компонент и метода независимых компонент. Применение метода главных компонент и метода независимых компонент в качестве инструмента снижения размерности входных данных для искусственных нейронных сетей.

2 часа.

Базовая литература.

• БУ 1, глава 8, 10.

• БУ 3, глава 8.
  

• БУ 4, глава 7.

Дополнительная литература.

• Back A.D., Weigend A.S. (1997), A First Application of Independent Component Analysis to Extracting Structure from Stock Returns// International Journal of Neural Systems, Vol. 8, No.5 (October).
  
• Baek K., Draper B.F., J., Beveridge R., She K. PCA vs. ICA: A comparison on the FERET data set// Colorado University
  
• Hyvärinen A., Oja E. (2000), Independent Component Analysis: Algorithms and Applications//Neural Networks, 13(4-5): 411-430.
  
• Lu C.-J., Le T.-S., Chiu C.-C. (2009), Financial time series forecasting using independent component analysis and support vector regression//Decision Support Systems 47, p. 115–125.
  

3. Раздел 3. Сеть Левенберга-Марквардта и сеть Хакена

Построение сети, обученной по общему генерализованному методу распространения ошибки (сети Левенберга-Марквардта). Применение метода главных компонент и метода независимых компонент в качестве инструмента предварительной обработки входных данных для сети Левенберга-Марквардта. Прогнозирование фондового рынка с помощью сети Левенберга-Марквардта.

Построение синергетической сети Германа Хакена. Применение метода главных компонент и метода независимых компонент в качестве инструмента предварительной обработки входных данных для сети Хакена. Прогнозирование фондового рынка с помощью сети Хакена.

2 часа.

Базовая литература.

• БУ 3, глава 7.

Дополнительная литература.

• Хакен Г. Принципы работы головного мозга: Синергетический подход к работе мозга, поведению и когнитивной деятельности. М.: ПЭР СЭ, 2001.
  

4. Раздел 4. Сеть Хопфильда

Правило Хебба для построения самообучающихся нейронных сетей. Построение сети Хопфильда для распознавания образов. Построение сети Хопфильда и Хакена для прогнозирования фондового рынка.

2 часа.

Базовая литература.

• БУ 1, глава 2.

Дополнительная литература.

• БУ 2, глава 2, 6.
  
• БУ 4, глава 3.
  

5. Раздел 5. Стохастические методы обучения искусственных нейронных сетей

Построение искусственных нейронных сетей с помощью стохастического метода обучения и поиском глобального минимума ошибки. Применение стохастического метода для сетей Левенберга-Марквардта и Хакена. Сравнение полученных результатов при прогнозировании динамики фондового рынка.

2 часа.

Базовая литература.

• БУ 1, глава 11.

Дополнительная литература.

• БУ 2, глава 6.
  
• БУ 4, глава 3.
  

6. Раздел 6. Методы ядра и главных компонент для обучения искусственных нейронных сетей

Использование метода главных компонент с ядром для обучения искусственных нейронных сетей. Сравнение результатов прогнозирования фондового рынка с другими результатами, полученными при помощи искусственных нейронных сетей.

2 часа.

Базовая литература.

• БУ 4, глава 9.
  

Дополнительная литература.

• Fukumizu K., Bach F.R., Jordan M.I. Kernel Dimensionality Reduction for Supervised Learning.
  
• Shawe-Taylor J., Williams C.K.I. The Stability of Kernel Principal Components Analysis and its Relation to the Process Eigenspectrum.
  

7. Раздел 7. Генетические алгоритмы обучения искусственных нейронных сетей

Использование генетических алгоритмов для обучения искусственных нейронных сетей. Сравнение результатов прогнозирования фондового рынка с другими результатами, полученными при помощи искусственных нейронных сетей.

2 часа.

Базовая литература.

• БУ 4, глава 6.
  

Дополнительная литература.

• Осовский С. Нейронные сети для обработки информации/ Пер. С польского И.Д.Рудинского. М.: Финансы и статистика, 2002.
  
• Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польского И.Д.Рудинского. М.: Горячая линия, 2004.
  
• Holland J.H. (1992). Adaptation in Natural and Artificial Systems. The MIT Press, reprint edition.
  

8. Раздел 8. Роевые механизмы обучения искусственных нейронных сетей

Использование роевых механизмов для обучения искусственных нейронных сетей. Сравнение результатов прогнозирования фондового рынка с другими результатами, полученными при помощи искусственных нейронных сетей.

2 часа.

Базовая литература.

• БУ 1, глава 15.
  

Дополнительная литература.

• Kendall g., su y. a (2005), Particle Swarm Optimisation Approach in The Construction of Optimal Risky Portfolios// Proceedings of the 23^rd IASTED International Multi-Conference Artificial Intelligence and Applications February 14-16, Innsbruck, Austria.
  
• Majhi R., Panda G., Sahoo G. Panda A., Choubey A. Prediction of the S&P 500 and DJIA Stock Indices using Particle Swarm Optimization Technique. //National Institute of Technology Rourkela.
  
• Nenortaitė J. (2007), A Particle Swarm Optimization Approach in the Construction of Decision-Making Model// issn 1392 – 124x information technology and control, Vol.36, No.1A.
  

8 Образовательные технологии

8.1. Методические рекомендации преподавателю

Индивидуальная работа преподавателя со студентами предусматривает консультации преподавателя по темам дисциплины.

9Оценочные средства для текущего контроля и аттестации студента

9.1Вопросы для оценки качества освоения дисциплины

Примерный перечень вопросов к зачету:

1. Биологические нейронные сети
   
2. Классификация нейронных сетей и принципы построения
   
3. Принципы программирования искусственных нейронных сетей в программе MathCAD
   
4. Применение различных торговых стратегий на фондовом рынке с использованием искусственных нейронных сетей
   
5. Искусственная нейронная сеть прямого прохода
   
6. Прогнозирование макроэкономической динамики с помощью сети прямого прохода
   
7. Метод главных компонент как инструмент обработки данных и прогнозирования различных временных рядов.
   
8. Метод независимых компонент как инструмент обработки данных и прогнозирования различных временных рядов
   
9. Сравнение эффективности прогнозирования рыночной динамики с помощью метода главных компонент и метода независимых компонент
   
10. Применение метода главных компонент и метода независимых компонент в качестве инструмента снижения размерности входных данных для искусственных нейронных сетей
    
11. Построение сети, обученной по общему генерализованному методу распространения ошибки (сети Левенберга-Марквардта)
    
12. Построение синергетической сети Германа Хакена
    
13. Применение метода главных и метода независимых компонент для снижения размерности данных для сетей Левенберга-Марквардта и Хакена
    
14. Правило Хебба для построения самообучающихся нейронных сетей
    
15. Построение сети Хопфильда-Хакена для прогнозирования фондового рынка
    
16. Построение искусственных нейронных сетей с помощью стохастического метода обучения и поиском глобального минимума ошибки
    
17. Применение стохастического метода обучения для построения сети Левенберга-Марквардта и Хакена
    
18. Использование метода главных компонент с ядром для обучения искусственных нейронных сетей
    
19. Использование генетических алгоритмов для обучения искусственных нейронных сетей
    
20. Использование роевых механизмов для обучения искусственных нейронных сетей
    

10Порядок формирования оценок по дисциплине

Текущий контроль осуществляется в ходе учебного процесса и консультирования студентов.

Преподаватель оценивает работу студентов на семинарских и практических занятиях. Оценки за работу на семинарских и практических занятиях преподаватель выставляет в рабочую ведомость.

Накопленная оценка за текущий контроль учитывает результаты студента по текущему контролю следующим образом:

О_{текущий} = О_к/р ;


Результирующая оценка за итоговый контроль в форме экзамена выставляется по следующей формуле, где О_{экзамен} – оценка за работу непосредственно на экзамене:

О_{итоговый} = 0,7·О_зачет + 0,3·О_{текущий}

В диплом ставится оценка за итоговый контроль, которая является результирующей оценкой по учебной дисциплине.

11Учебно-методическое и информационное обеспечение дисциплины

11.1Базовый учебник

• Нейронные сети: полный курс, 2е издание.: Пер. с англ. М. Издательский дом «Вильямс», 2006. Парал. тит. англ. (далее БУ 1)
  

• Kröse Ben, van der Smagt Patrik. (1996). An Introduction to Neural Networks, Eight Edition, November. (далее БУ 2)
  
• Bishop Christopher M. (1995). Neural Networks for Pattern Recognition. Oxford University Press, (далее БУ 3)
  
• Fyfe Colin. (2000). Artificial Neural Networks and Information Theory. Edition 1.2. (далее БУ 4).