WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 ||

2 2001 —‚ ‰„ ‚ ‡‚ ‡ ‰„ ‡ Задачи, решаемые образцов данных, выявления их взаимо- типа данных или специфики наблюдаенейронными сетями связей и закономерностей. Входными дан- мого явления нейронная сеть является неными могут быть, например, котировки ким абстрактным методом решения, в отНейронные системы представляют собой ценных бумаг на определенный день на личие от традиционных.

не что иное, чем то, что мы привыкли некоторой бирже или же результаты про- Первоначально нейронные сети примеподразумевать под компьютерами. Ней- изводственного процесса при разных про- нялись в задачах классификации, персепронная сеть используется для изучения изводственных условиях. Независимо от трон Ф. Розенблата решал задачу класси16 —‚ ‰„ 2 www.m-trading.ru Т мации. В таблице приведены некоторые прикладные экономические задачи, решаемые нейросетями сегодня.

Возможность прогнозирования временных рядов Для трейдинга наиболее простой, из перечисленных задач и не менее актуальной является задача предсказания цен активов и их анализ. Как известно, существуют два основных подхода к анализу рынка — технический и фундаментальный. Первый из них базируется на теории Доу, который выдвинул еще в начале 20 века лозунг: «Цены учитывают все», и, соответственно, технический аналитик использует только цены актива и различные индикаторы (функции цен). Фундаментальный анализ, наоборот, ищет взаимосвязь цен актива и внешних событий и данных типа макроэкономических показателей и финансовой отчетности корпораций и т. д.

Применение нейронных сетей в качестве дополнения дает уникальную возможность объединить эти два метода.

Такой анализ, в отличие от технического, не имеет никаких ограничений по характеру входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных инструментов, и внешние события. Недаром нейросети активно используют на западе именно крупные консервативные инвесторы (например, пенсионные фонды и страховые компании), работающие с большими портфелями, для которых особенно важны корреляции между различными рынками и которые тяготеют к фундаментальному анализу.

В отличие от теханализа, основанного на общих рекомендациях и опыте трейдера, нейросети способны находить оптимальные для данного актива индикаторы и строить по ним оптимальную модель прогнозирования, более того, она (модель) адаптивна, и меняется вместе с рынком, что особенно важно для современных высоко динамичных финансовых рынков.

фикации графических изображений букв. –‡‡ ‡‰‡‡ “ ‡‰‡ · „‚‡ ‡‚‚ ¬ ‰ · Это объясняется ступенчатой активаци ‰‡‚ —‡‚ „‚ ‡‡ · · онной функцией нейронов. В дальней „‚ ‡‡ · ‰ ‰· ‡‡ · /· шем, с введением в нейрон непрерывных ‡‡ активационных функций (рис. 2) появи- ‡ ‡‡ —‡ · /· ‡ —‡ · лась возможность решения обширного ‡ ‡‡ —‡ · /· ‡‚ ‡‡ класса задач прогнозирования и апрокси 2 2001 —‚ ‰„

Pages:     | 1 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.