- •Введение
- •1. Прогнозирование финансовых рынков
- •1.1. Современные финансовые рынки. Международный валютный рынок forex
- •1.2. Прогнозирование финансовых рынков
- •1.2.1. Прогноз и цели его использования
- •1.2.2. Основные понятия и определения проблемы прогнозирования
- •1.2.3. Методы прогнозирования финансовых рынков
- •1.2.3.1. Экономико-математические методы
- •1.2.3.3. Технический анализ
- •1.2.3.2. Анализ фундаментальных факторов
- •1.2.4. Использование систем с искусственной «памятью» для решения задач прогнозирования
- •1.3. Искусственные нейронные сети
- •1.3.1. Биологические нейронные сети
- •1.3.2. Математическая модель нейрона, искусственные нейросети
- •1.3.3. Основополагающие принципы нейровычислений
- •1.3.3.1. Коннекционизм
- •1.3.3.2. Локальность и параллелизм вычислений
- •1.3.3.3. Программирование: обучение, основанное на данных
- •1.3.4. Обучение искусственных нейронных сетей
- •1.3.5. Задача прогнозирования с использованием технологии нейровычислений
- •1.4. Обзор программных средств, реализующих алгоритмы нейровычислений для решения задач прогнозирования
- •2. Прогнозирование рынка forex с использованием искусственных нейросетей
- •2.1. Постановка задачи прогнозирования финансовых рынков с использованием искусственных нейросетей
- •2.2. Описание текущей рыночной ситуации. Представление входных данных
- •2.2.1. Перемасштабирование графика цены в единичный интервал
- •2.2.2. Описание рыночной ситуации при помощи приращений котировок
- •2.2.3. Обобщение значений индикаторов технического анализа
- •2.3. Прогнозируемые величины. Представление выходных данных
- •2.3.1. Классификация рыночных ситуаций. Шаблон максимальной прибыли
- •2.3.2. Аппроксимация прогнозируемых величин. Сглаженный шаблон максимальной прибыли
- •2.3.3. Классификация рыночных ситуаций по достижимости значимых уровней.
- •2.2.4. Аппроксимация отношения текущего положения цены к коридору будущих цен
- •2.4. Обучение искусственных нейросетей. Анализ результатов
- •2.4.1. Нейросетевой индикатор для прогнозирования рынка евро/доллар
- •2.4.2. Классификация рыночных ситуаций
- •2.4.3. Оценка положения текущей цены в коридоре будущих котировок
- •2.4.4. Оценка достижимости ценой значимых уровней
- •2.4.5. Прогнозирование максимального и минимального уровней цены на один период вперед
- •2.4.6. Выводы
- •2.5. Концептуальная схема системы прогнозирования
- •Заключение
- •Список использованных источников
- •Приложения
1.2.3. Методы прогнозирования финансовых рынков
1.2.3.1. Экономико-математические методы
Статистические методики включают в себя проверенные классические методы - регрессионный, корреляционный анализ и т.п. Однако работа с подобными системами для прогноза оперативно меняющейся внутридневной информации для неспециалиста (человека без образования в области статистики) сопряжена с некоторыми трудностями, как при выборе метода анализа, так и при трактовке результатов. Это представляется довольно существенным недостатком, поскольку скорость прогноза внутридневного хода торгов очень важна.
Эволюционное программирование - сегодня является довольно динамично развивающимся направлением анализа данных. Идеей метода является запись предварительных гипотез на некотором внутреннем языке программирования. Далее система находит программу, максимально точно выражающую искомую зависимость, и начинает самостоятельно ее корректировать, после чего из множества модифицированных программ отбирает наиболее удачную. При всей перспективности методики оперативный прогноз не является ее сильной стороной, да и программная реализация эволюционного программирования пока еще не совершенна.
"Деревья решений" - метод весьма условно может быть отнесен к системам прогноза быстро меняющихся финансовых показателей, являясь скорее системой классификаций. Однако для анализа оперативных финансовых потоков малопригоден.
Генетические алгоритмы - этот метод весьма успешно используется для решения комбинаторных задач, а также задач поиска оптимальных вариантов. Кратко схему метода можно описать как выбор лучших решений по ранее формализованным критериям, при этом процесс оптимизации напоминает естественную эволюцию - отбор лучших, скрещивание и мутации. Но у метода есть ряд недостатков, например сложность формализации критериев отбора. Кроме того, в целом методика оптимизирована на класс задач, несколько отличающийся от прогноза оперативно меняющихся финансовых показателей.
Сегодня все больше операторов используют в своей деятельности искусственные нейронные сети. Сама нейросеть, как правило, представляет собой многослойную сетевую структуру однотипных элементов - нейронов, соединенных между собой и сгруппированных в слои. Среди прочих слоев имеется входной слой, на нейроны которого подается информация, а также выходной, с которого снимается результат. При прохождении по сети входные сигналы усиливаются или ослабляются, что определяется весами межнейронных связей. Перед применением нейросеть необходимо обучить на примерах - с помощью коррекции весов межнейронных связей, т.е. по известным входным параметрам и результату сеть заставляют выдавать ответ, максимально близкий к правильному. Проблему оценки постоянно изменяющихся внешних условий и соответственно степени влияния на рынок тех или иных параметров нейросеть решает в силу самого принципа работы.
Еще один метод, который используется для решения задач прогнозирования - нечеткая логика. Всем нам свойственно давать простые, хотя бы по форме, ответы на любые самые сложные вопросы. Но факт остается фактом: в своей массе, мы чувствуем себя комфортнее, облекая величины и понятия реального мира в обычную числовую форму и описывая взаимоотношения между ними однозначными функциями. При этом при развитии любого процесса всегда имеется только одна возможность, все величины имеют детерминистский характер. Подобно обычным числам, с распределениями нечеткости можно вести и производить определенные операции, например, складывать и умножать. В принципе, можно построить непротиворечивую алгебру нечетких распределений. С математической точки зрения некоторое неудобство доставляет тот факт, что практически все операции можно ввести неоднозначным образом. С середины 60-х годов, после разработки теории нечетких множеств, было предложено несколько теорий, позволяющих формализовать неопределенность. Эта область знания в настоящее время интенсивно развивается.