Рекомендуемая категория для самостоятельной подготовки:
Дипломная работа*
| Код |
563488 |
| Дата создания |
2017 |
| Страниц |
60
|
Мы сможем обработать ваш заказ (!) 19 июня в 12:00 [мск] Файлы будут доступны для скачивания только после обработки заказа.
|
Содержание
ВВЕДЕНИЕ 2
1 ПРОГНОЗИРУЮЩИЕ СИСТЕМЫ. СОСТОЯНИЕ ПРОБЛЕМЫ 5
1.1 Прогноз и цели его использования 5
1.2 Основные понятия и определения проблемы прогнозирования 8
1.3 Методы прогнозирования 13
1.4 Модели временных последовательностей 15
1.5 Критерии производительности 16
2 НЕЙРОННЫЕ СЕТИ. ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ 20
2.1 Нейронные сети - основные понятия и определения 20
2.2 Модели нейронных сетей 22
2.2.1 Модель Маккалоха 22
2.2.2 Модель Розенблата 23
2.2.3 Модель Хопфилда 24
2.2.4 Модель сети с обратным распространением 27
2.3 Задачи, решаемые на основе нейронных сетей 28
2.4 Способы реализации нейронных сетей 29
2.5 Общий подход к прогнозированию с помощью нейронных сетей 32
2.6 Применение нейронных сетей в финансовой сфере 34
3 РАЗРАБОТКА ИНФОРМАЦИОННОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ 40
3.1 Информационная система прогнозирования цен на фондовом рынке 40
3.2 Методика предсказаний финансовых временных рядов на основе нейронных сетей 43
3.3 Подготовка входных и выходных данных 46
3.4 Предобработка входных данных 46
3.5 Архитектура сети 47
3.6 Результаты работы системы 49
3.7 Предложения по повышению точности прогнозов 50
ЗАКЛЮЧЕНИЕ 52
СПИСОК ЛИТЕРАТУРЫ 54
Введение
Актуальность темы исследования. Современные информационные системы (ИС), которые относятся к классу технических систем, по своей сложности функционирования, сложности структурной, выбора развития и поведения относятся к классу сложных систем и в оценки эффективности и задачах прогнозирования подлежат исследованию методами системного анализа.
Фрагмент работы для ознакомления
ВВЕДЕНИЕ 2
1 ПРОГНОЗИРУЮЩИЕ СИСТЕМЫ. СОСТОЯНИЕ ПРОБЛЕМЫ 5
1.1 Прогноз и цели его использования 5
1.2 Основные понятия и определения проблемы прогнозирования 8
1.3 Методы прогнозирования 13
1.4 Модели временных последовательностей 15
1.5 Критерии производительности 16
2 НЕЙРОННЫЕ СЕТИ. ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ 20
2.1 Нейронные сети - основные понятия и определения 20
2.2 Модели нейронных сетей 22
2.2.1 Модель Маккалоха 22
2.2.2 Модель Розенблата 23
2.2.3 Модель Хопфилда 24
2.2.4 Модель сети с обратным распространением 27
2.3 Задачи, решаемые на основе нейронных сетей 28
2.4 Способы реализации нейронных сетей 29
2.5 Общий подход к прогнозированию с помощью нейронных сетей 32
2.6 Применение нейронных сетей в финансовой сфере 34
3 РАЗРАБОТКА ИНФОРМАЦИОННОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ 40
3.1 Информационная система прогнозирования цен на фондовом рынке 40
3.2 Методика предсказаний финансовых временных рядов на основе нейронных сетей 43
3.3 Подготовка входных и выходных данных 46
3.4 Предобработка входных данных 46
3.5 Архитектура сети 47
3.6 Результаты работы системы 49
3.7 Предложения по повышению точности прогнозов 50
ЗАКЛЮЧЕНИЕ 52
СПИСОК ЛИТЕРАТУРЫ 54
Список литературы
Монографии, учебники, учебные пособия
1 Барцев С. И. Некоторые свойства адаптивных сетей (программная реализация) - Красноярск: Институт физики СО АН СССР, 1987.
2 Барцев С. И., Охонин В. А. Адаптивные сети обработки информации. - Красноярск: Институт физики СО АН СССР, 1986.
3 Горбань А.Н. Обучение нейронных сетей. – М.: СП «Параграф», 1990 – 160 с.
4 Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. – М.: МИФИ, 1998. – 222 с.
5 Минский М., Пейперт С. Персептроны. М.: МИР, 1971. С. 261.
6 Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. – М.: Мир, 1965. – 302 с.
7 Соколов Е. Н., Вайтнявичус Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. - М.: Наука, 1989. С. 283.
8 Уоссермен Ф. Нейрокомпьютерная техника. – М.: Мир, 1992.– 250 с.
9 Шарп У.Ф., Александер Г., Бэйли Дж.В. Инвестиции. – М.:Инфра-М, 1998. – 1028 с.
Статьи, научные публикации
10 Aбу-Мустафа Я. С., Псалтис Д. Оптические нейронно-сетевые компьютеры//В мире науки, 1987. N 5. С. 42-50.
11 Гольцев А. Д. Яркостная сегментация изображения при помощи нейроподобной сети.//Автоматика 1965 - N 5 - с. 40-50.
12 Джеффри Е. Хинтон. Как обучаются нейронные сети.// В мире науки - 1992 - N 11 - N 12 - c. 103-107.
13 Иванченко А. Г. Персептрон - системы распознавания образов.// К.: Наукова думка, 1972.
14 Картавцев В. В. Нейронная сеть предсказывает курс доллара? // Компьютеры + программы - 1993 - N 6(7) - с. 10-13.
15 Куссуль В. М., Байдык Т. Н. Разработка архитектуры нейроподобной сети для распознавания формы объектов на изображении.//Автоматика - 1990 - N 5 - с. 56-61.
16 Маккалох Дж., Питтс У. Логические исчисления идей, относящихся к нервной деятельности.// Автоматы. М.: ИЛ, 1956.
17 Масалович А. И. От нейрона к нейрокомпьютеру.// Журнал доктора Добба - 1992 - N 1 - с. 20-23.
18 Панфилов П.Н. Введение в нейронные сети // Современный трейдинг. – 2001. – № 2. – С. 12–17.
19 Розенблат Ф. Аналитические методы изучения нейронных сетей.// Зарубежная радиоэлектроника. - 1965 - N 5 - с. 40-50.
20 Суворов С. В., Матихина Н. Ю. Программное моделирование нейроподобных структур.//Распределенная обработка информации. - Улан-Уде, 1989, - с. 28.
21 Трикоз Д. В. Нейронные сети: как это делается? // Компьютеры + программы - 1993 - N 4(5) с. 14-20.
22 Тэнк Д. У., Хопфилд Д. Д. Коллективные вычисления в нейроноподобных электронных схемах.//В мире науки. 1988. N 2. С. 44-53.
23 Цуприков С. Нейронные вычисления берутся на вооружение финансистами.// Computerworld Moscow - 1985 - N 7 - с. 57-58.
24 Чертков М., Грималюк А. Методика валютного прогнозирования.// Одесские деловые новости 1995 - май N 16 - с. 4.
Эмпирические материалы
25 Интернет-брокер «Альфа Банка». – http://alfadirect.ru/
Зарубежные издания
26 Aarts E. H. L., Korst J. H. M. Boltzmann machines and their applications//Lect. Notes Comput. Sci. 1987. V. 258. P. 34-50.
27 Aarts E. H. L., Korst J. H. M. Boltzmann machines for travelling salesman problem//European J. Oper. Res. 1989. V. 39. P. 79-95.
28 Abu-Mostafa Y. S., Jaques J. N. St. Information capacity of the Hopfield model//IEEE Trans. Inform. Theory. 1985. V. 31. P.
29 Ackley D. H., Hinton G. E., Sejnowski T. J. A learning algorithm for Bolzmann machines//Cognit. Sci. 1985. V. 9. N 1. P. 147-169.
30 Amari S. Field theory of self-organizing neural networks//IEEE Trans. Syst., Man, Cybern. 1983. V. 13. P. 741.
31 Artificial Intelligence.// Amsterdam: Time - Life - Books, 1986.
32 Athale R., Stirk C. W. Compact architectures for adaptive neuraal nets//Ibid. 1989. V. 28. N 4.
33 Bardcev S. I., Okhonin V. A. The algorithm of dual functioning (back-propagation) : general approach, vesions and applications. Krasnojarsk: Inst. of biophysics SB AS USSA - 1989.
34 Belue B. & Baver H. Determining input features for multilayer perceptrons. Neurocomputing. — 1995. — V. 7, 2. — P. 111–121.
35 Brooks C. Testing for non-linearity in daily sterling exchange rates / C. Brooks // Applied Financial Economics. — 1996. — 6. — Р. 307–317.
36 Carpenter G. A., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine.//Comput. Vision Graphics Image Process. 1986. V. 37. p. 54-115.
37 Cohen M. A., Grossberg S. Absolute stability of global pattern formation and parallel memory storage by competitive neural networks//IEEE Trans. Syst., Man, Cybern. 1983. V. 13. N 5. P. 815-826.
38 Computing with neural circuits: a model.//Science, 1986. V. 233. p. 625-633.
39 Cross Michael. Brain ware hits Japanese computers.// New Sci. - 1988 - 120, # 1640 - p. 33.
40 Dayhoff J. Neural network architectures.//New-York: Van Nostrand reinhold, 1991.
41 De Grauwe P., Dewachter H. & Embrechts M. Exchange Rate Theory: Chaotic forecasting and decision making // International Journal of Forecasting. — 1993. — № 10. — Р. 177–191.
42 Firmino P., de Mattos Neto P. & Ferreira T. Correcting and combining time series forecasters // Neural Networks. — 2014. — 50. — P. 1–11.
43 Fletcher D. & Goss E. Forecasting with neural networks: an application using bankruptcy data // Information & Management. — 1993. — 24 (3). — P. 159–167.
44 Fogelman Soulie F. Neural networks, state of the art, neural computing.// London: IBC Technical Services, 1991.
45 Fox G. C., Koller J. G. Code generation by a generalized neural networks: general principles and elementary examples.//J. Parallel Distributed Comput. 1989. V. 6. N 2. P. 388-410.
46 Garcia R. & Gençay R. Pricing and hedging derivative securities with neural networks and a homogeneity hint // Journal of Econometrics. — 2000. — 94 (1). — P. 93–115.
47 Hebb D. O. The organization of behaviour. N. Y.: Wiley, 1949.
48 Hecht-Nielsen R. Neurocomputing: picking the human brain.// IEEE SPECTRUM 1988 - V. 25. N 3 - p. 36-41.
49 Hopfield J. J. Neural networks and physical systems with emergent collective computational abilities.//Proc. Natl. Acad. Sci. 1984. V. 9. p. 147-169.
50 Hopfield J. J., Feinstein D. I., Palmer F. G. Unlearning has a stabilizing effect in collective memories//Nature. 1983. V. 304. P. 141-152.
51 Hopfield J. J., Tank D. W. Neural computation of decision in optimization problems.//Biol. Cybernet. 1985. V. 52. p.
52 Hopfield J. J., Tank D. W. Neural computation of decision in optimization problems//Biol. Cybernet. 1985. V. 52. P. 141-152.
53 Hsieh D. Testing for nonlinear dependence in daily foreign exchange rates / D. Hsieh // Journal of Business & Economic Statistics. — 1989. — 7 (3). — Р. 307–317.
54 Jeffery W., Rosner R. Neural network processing as a tool for friction optimization.//Neuronet Comput. Conf., Snowbird, Utah, Apr. 13-16,1986. New York, N. Y., 1986 - p. 241-246.
55 Jones S. & Netter J. (2008). Efficient Capital Markets. In David R. Henderson (ed.). Concise Encyclopedia of Economics (2nd ed.).
56 Jorion P. Predicting volatility in the foreign exchange market // The Journal of Finance. — 1995. — 50 (2). — P. 507–528.
57 Kiani K. Detecting business cycle asymmetries using artificial neural networks and time series models // Computational Economics. — 2005. — 26 (1). — P. 65–89.
58 Kuan C. & White H. Artificial neural networks: an econometric perspective // Econometric Reviews. — 1994. — 13 (1). — P. 1–91.
59 Kuzewski Robert M., Myers Michael H., Grawford William J. Exploration of fourword error propagation as self organization structure.//IEEE Ist. Int. Conf. Neural Networks, San Diego, Calif., June 21-24,1987. V. 2. - San Diego, Calif., 1987. - p. 89-95.
60 Lam M. Neural network techniques for financial performance prediction: integrating fundamental and technical analysis // Decision Support Systems. — 2004. — 37(4). — P. 567–581.
61 Lippmonn Richard P. Gold Ben Neuronet classifiers useful for speech recognition.// IEEE Ist. Conf. Neural Networks, San Diego, (Calif) , 1987 - p. 417-425.
62 Lisi F. & Schiavo R. A comparison between neural networks and chaotic models for exchange rate prediction // Computational Statistics & Data Analysis. — 1999. — 30 (1). — P. 87–102.
63 Montgomery, Douglas C. Forecasting and time series analysis./Douglas C. Montgomery, Lynwood A. Johnson, John S. Gard iner. - 2nd ed. - ISBN 0-07-042858-1.
64 Neural Computing.// London: IBE Technical Services, 1991.
65 Önder E., Fɪrat B. Hepsen A. Forecasting Macroeconomic Variables using Artificial Neural Network and Traditional Smoothing Techniques // Journal of Applied Finance & Banking. — 2013. — Vol. 3, no. 4. — P. 73–104.
66 Qi M. & Madala G. Economic factors and the stock market: a new perspective // Journal of Forecasting. — 1999. — 18. — P. 151–166.
67 Rosenblatt F. Principles of neurodynamics. Spartan., Washington, D. C., 1962.
68 Rosenblatt F. The peseptron: a probabilistic model for information storage and organization in the brain//Psychol. Rev. 1958. V. 65. P. 386.
69 Rumelhart B. E., Minton G. E., Williams R. J. Learning representations by back propagating error.// Wature, 1986. V. 323. p. 1016-1028.
70 Salchenberger L., Cinar E. & Lash N. Neural networks: a new tool for predicting thrift failures / L. Salchenberger, E. Cinar & N. Lash // Decision Sciences. — 1992. — 23. — P. 899–916.
71 Setiono N. & Liu R. Improving backpropagation learning with feature selection. Applied Intelligence / N. Setiono & R. Liu // The International Journal of Artificial Intelligence, Neural Networks, and Complex ProblemSolving Technologies. — 1996. — № 62. — P. 129–139.
72 Swanson N. & White H. A model-selection approach to assessing the information in the term structure using linear models and artificial neural networks // Journal of Business & Economic Statistics. — 1995. — 13 (3). — P. 265–275.
73 Takefuji D. Y. A new model of neural networks for error correction.//Proc. 9th Annu Conf. IEEE Eng. Med. and Biol. Soc., Boston, Mass., Nov. 13-16,1987. V. 3, New York, N. Y., 1987 - p. 1709-1710.
74 Treliven P. Neurocomputers.// London: University college, 1989. 461.
75 White H. A Reality Check for Data Snooping / H. White // Econometrica. — 2000. — 68. — Р. 1097–1126.
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.0052