2012
- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Использование нейронных сетей для прогнозирования изменений на фондовом рынке презентация
Содержание
- 1. Использование нейронных сетей для прогнозирования изменений на фондовом рынке
- 2. Определение Нейронная сеть – математическая модель, построенная
- 3. История возникновения 1943 г. – появления понятия
- 4. Свойства Обучение Обобщение Абстрагирование
- 5. Применимость Рекомендуется: Распознавание образов Обработка голоса
- 6. Биологический прототип 10 March 2012 Дендриты –
- 7. Нейронная сеть 10 марта 2012 г. Рост/Падение
- 8. Активационная функция Логистическая функция: Гиперболический тангенс: 10 March 2012
- 9. Подготовка данных Нормализация данных – приведение
- 10. Процесс обучения 10 марта 2012 г. Вычисление
- 11. Процесс обучения 10 марта 2012 г. Присваиваем
- 12. Воспроизведение индикатора 10 March 2012
- 13. Теханализ vs. Нейросеть Нейронные сети могут быть
- 14. Перспективы развития 10 March 2012 Stock prices
- 15. Выводы Использование нейронных сетей на фондовом рынке
- 16. Пример Распознавание цифр с помощью нейронной сети 10 March 2012
- 17. Принцип работы Считываем входы и подаем на
- 18. 10 March 2012 Спасибо за внимание! Вопросы?
Определение Нейронная сеть – математическая модель, построенная по принципу организации и функционирования сетей нервных клеток живого организма. Функционирование искусственных нейросетей часто напоминает человеческое познание Искусственные нейронные сети невозможны в живой материи
Слайд 1
Использование нейронных сетей для прогнозирования изменений на фондовом рынке
Михаил Бондаренко
10 March
Слайд 2Определение
Нейронная сеть – математическая модель, построенная по принципу организации и функционирования
сетей нервных клеток живого организма.
Функционирование искусственных нейросетей часто напоминает человеческое познание
Искусственные нейронные сети невозможны в живой материи
Сравнение ИНС с мозгом приводит к неоправданным ожиданиям
Функционирование искусственных нейросетей часто напоминает человеческое познание
Искусственные нейронные сети невозможны в живой материи
Сравнение ИНС с мозгом приводит к неоправданным ожиданиям
10 March 2012
Слайд 3История возникновения
1943 г. – появления понятия нейронной сети
1949 г. – разработан
первый алгоритм обучения
1958 – изобретен однослойный перспептрон
1974 г. – изобретение алгоритма обратного распространения ошибки
Настоящее время – есть множество успешных реализаций, но существующие ограничения так и не были преодолены
1958 – изобретен однослойный перспептрон
1974 г. – изобретение алгоритма обратного распространения ошибки
Настоящее время – есть множество успешных реализаций, но существующие ограничения так и не были преодолены
10 March 2012
Слайд 4Свойства
Обучение
Обобщение
Абстрагирование
Нейронная сеть – черный ящик,
восстановить аппроксимированную
функцию невозможно
10 March 2012
Слайд 5Применимость
Рекомендуется:
Распознавание образов
Обработка голоса
Быстрый поиск решения
Не рекомендуется:
Любые области применения с высокой
ценой ошибки (человеческие жизни и пр.)
10 March 2012
Слайд 6Биологический прототип
10 March 2012
Дендриты – «входы» нейрона
Синапсы – «контакты» для соединения
с другими клетками
Аксон – «выход» нейрона
Слайд 7Нейронная сеть
10 марта 2012 г.
Рост/Падение
P’(n)
P’(n-1)
P’(n-k)
Input layer
Hidden layer
Output layer
….
Слайд 9
Подготовка данных
Нормализация данных – приведение данных к виду, пригодному для обработки
сетью
10 марта 2012 г.
Эффективная область определения
Слайд 10Процесс обучения
10 марта 2012 г.
Вычисление выхода сети
Приращения
цен
Сравнение выхода с откликом
OUT
Желаемый отклик
Верная
рекомендация
Корректировка весов
Ошибка
На следующую
итерацию
Эпоха в обучении ИНС – предъявление сети всей обучающей выборки
Слайд 11Процесс обучения
10 марта 2012 г.
Присваиваем весам случайные значения
На вход сети подаем
обучающий вектор X и вычисляем сигнал NET от каждого нейрона:
Вычисляем значение пороговой функции активации:
Вычисляем ошибку для каждого нейрона:
Корректируем веса:
Повторяем шаги со 2 по 5 пока ошибка не станет достаточно малой
Вычисляем значение пороговой функции активации:
Вычисляем ошибку для каждого нейрона:
Корректируем веса:
Повторяем шаги со 2 по 5 пока ошибка не станет достаточно малой
Слайд 12Воспроизведение индикатора
10 March 2012
Close(n)
Close(n - 1)
Close(n - m)
. . . .
Moving
average 1
Moving
average 2
Weight 1
Weight 2
+1
-1
Out (Buy/Sell)
CMA* indicator reproduced
by neural network
* CMA – Crossing Moving Averages
F(N)
/
/
Слайд 13Теханализ vs. Нейросеть
Нейронные сети могут быть более эффективны, т.к:
Сеть обучается так,
чтобы минимизировать отклонение предсказаний от движения реальной цены
Нелинейная функция активации обеспечивает ей большую устойчивость.
Нелинейная функция активации обеспечивает ей большую устойчивость.
10 March 2012
Слайд 14Перспективы развития
10 March 2012
Stock prices
Oil prices
World financial markets
Company financial statements
Advanced system
with neural network
Profit
Слайд 15Выводы
Использование нейронных сетей на фондовом рынке является перспективным направлением для исследований
Алгоритмы
на основе нейронных сетей могут быть использованы на российском фондовом рынке
10 March 2012
Слайд 17Принцип работы
Считываем входы и подаем на входы нейронов:
10 March 2012
Сеть состоит
из 4 нейронов.
Интерпретация выходов сети:
0,0,0,0 – 0;
0,0,0,1 – 1;
0,0,1,0 – 2;
0,0,1,1 – 3;
и т.д.
Интерпретация выходов сети:
0,0,0,0 – 0;
0,0,0,1 – 1;
0,0,1,0 – 2;
0,0,1,1 – 3;
и т.д.
