Прогнозирование финансовых временных рядов с использованием нейронных сетей

Булыкина, Анастасия Александровна Отделение экспериментальной физики (ОЭФ)
Бесплатно
В избранное
Работа доступна по лицензии Creative Commons:«Attribution» 4.0

Разработан подход к проблеме прогнозирования, в основе которого лежат нейросетевые методы. Они отличаются своей способностью устанавливать нелинейные связи между будущими и фактическими значениями и хорошей масштабируемостью. В работе была определена архитектура нейронной сети и оптимизированы параметры сети. Используя многослойный персептрон и алгоритм обучения BFGS, в среде STATISTICA 10.0 были построены нейронные сети, позволяющие получить краткосрочные прогнозы котировок ценных бумаг на фондовом рынке для задач регрессии и классификации.

Введение ………………………………………………………………………………………………………. 10
1. Теоретическая часть научно-технического исследования ………………………. 12
1.1. Технический и фундаментальный анализ рынка ценных бумаг ……………… 12
1.2. Введение в теорию нейронных сетей …………………………………………………… 13
1.3. Структура сети …………………………………………………………………………………… 14
1.4. Топологии нейронных сетей ……………………………………………………………….. 17
1.5. Обучение нейронной сети …………………………………………………………………… 19
2. Применение нейронных сетей в задачах прогнозирования …………………….. 24
2.1. Этапы нейросетевого предсказания финансовых временных рядов ……….. 24
2.2. «Метод окон» …………………………………………………………………………………….. 26
3. Практическая часть научно-технического исследования ………………………. 28
3.1. Прогнозирование цен закрытия акций Сбербанка с использованием
нейронных сетей в программе STATISTICA …………………………………………………. 28
3.2. Выбор программного продукта для прогнозирования финансовых
временных рядов с использованием нейронных сетей……………………………………. 30
3.3. Исследуемые выборки ………………………………………………………………………… 31
3.4. Предобработка данных для прогнозирования финансовых временных рядов
с использованием нейронных сетей ……………………………………………………………… 33
3.5. Выбор типа нейронной сети ………………………………………………………………… 34
3.6. Прогнозирование котировок Сбербанка с помощью авторегрессионных
моделей ……………………………………………………………………………………………………… 38
3.7. Прогнозирование котировок Сбербанка с использованием нейронных сетей
(Регрессия) …………………………………………………………………………………………………. 41
3.8. Прогнозирование котировок Сбербанка с использованием нейронных сетей
(Классификация)…………………………………………………………………………………………. 48
3.9. Результаты проведенного исследования ………………………………………………. 52
4 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение … 54
4.1 Предпроектный анализ ……………………………………………………………………….. 54
4.1.1 Потенциальные потребители результатов исследования ………………………… 54
4.1.2 SWOT-анализ ………………………………………………………………………………………… 56
4.1.3 Оценка готовности проекта к коммерциализации…………………………………… 57
4.1.4 Методы коммерциализации результатов научно-технического
исследования…………………………………………………………………………………………………… 59
4.2 Инициация проекта…………………………………………………………………………….. 60
4.2.1 Организационная структура проекта ……………………………………………………… 61
4.2.2 Ограничения и допущения проекта………………………………………………………… 62
4.3 Планирование научно-исследовательских работ …………………………………… 62
4.3.1 Иерархическая структура работ проекта ………………………………………………… 62
4.3.2 Структура работ в рамках научного исследования …………………………………. 63
4.3.3 Определение трудоемкости выполнения работ и разработка графика
проведения научного исследования…………………………………………………………………. 64
4.3.4 Бюджет научно-технического исследования ………………………………………….. 69
4.4 Реестр рисков проекта ………………………………………………………………………… 74
4.5 Выводы по разделу …………………………………………………………………………….. 74
5. Социальная ответственность …………………………………………………………………. 77
5.1 Правовые и организационные вопросы обеспечения безопасности ………… 78
5.2 Производственная безопасность ………………………………………………………….. 80
5.3 Анализ опасных и вредных производственных факторов ………………………. 81
5.3.1 Отклонение показателей микроклимата …………………………………………………. 81
5.3.2 Недостаточная освещённость рабочей зоны …………………………………………… 83
5.3.3 Превышение уровня шума …………………………………………………………………….. 86
5.3.4 Повышенный уровень электромагнитных излучений …………………………….. 87
5.3.5 Повышенное значение напряжение в электрической цепи, замыкание
которой может произойти через тело человека………………………………………………… 88
5.3.6 Психофизиологические факторы……………………………………………………………. 89
5.4 Экологическая безопасность ……………………………………………………………….. 90
5.5 Безопасность в чрезвычайных ситуациях …………………………………………….. 90
5.6 Выводы по разделу …………………………………………………………………………….. 92
5.7 Перечень научно-технической документации ………………………………………. 93
Заключение ………………………………………………………………………………………………….. 94
Список публикаций студента……………………………………………………………………….. 96
Список используемых источников …………………………………………………………….. 100
Приложение А ……………………………………………………………………………………………. 102
Приложение Б…………………………………………………………………………………………….. 103
Приложение В…………………………………………………………………………………………….. 104

Искусственные нейронные сети (ИНС) имеют широкое
распространение среди различного рода прикладных задач, таких как сжатие
данных, распознание образов, оптимизация, анализ данных, задачи
управления и др. Одним из важнейших направлений практического
использования ИНС являются задачи прогнозирования, а именно задачи
прогнозирования временных рядов на фондовом рынке, предсказание курса
валют, построение прогноза потребления электроэнергии, прогнозирование
платежеспособности кредиторов, нагрузок энергетических систем и пр. Мы
видим, что ИНС могут применяться для решения практически любого рода
задач, в том числе и при отсутствии явной математической модели или
недостатке данных для эффективного применения статистических методов.
Нетривиальной задачей является прогноз поведения сложных
динамических систем. Как правило, такой прогноз основывается на
обнаружении скрытых закономерностей в накопленных данных. Одним из
примеров задач такого рода может служить прогнозирование финансовых
временных рядов. Коллективная психология участников торгов имеет
непосредственное влияние на формирование биржевой цены, усложняя
данный процесс, зато имеются накопленные данные в виде финансового
временного ряда.
Актуальность диссертационного исследования заключается в
использовании нейронных сетей для решения трудноформализуемой задачи
прогнозирования финансовых временных рядов, а также важностью
получения качественных прогнозов основных финансовых индикаторов в
условиях рыночной экономики.
В данной работе для решения задачи прогнозирования финансовых
временных рядов рассмотрены нейросетевые методы, которые отличаются от
других моделей своей способностью устанавливать нелинейные связи между
будущими и фактическими значениями и хорошей масштабируемостью.
Цель работы – прогнозирование цен закрытия акций компании
«Сбербанк» с использованием нейронных сетей. Построенная нейронная сеть
должна быть оптимальной по внутренней структуре и способу управления
потоками информации между нейронами. Для решения практической задачи
будем использовать выбранную нейросетевую модель.
Объект исследования: нейросетевые модели, которые используются
при прогнозировании финансовых временных рядов.
Для достижения поставленной цели необходимо решить следующие
задачи:
1. Проанализовать существующие нейросетевые методы,
используемые для прогнозирования финансовых временных рядов;
2. Выбрать оптимальную нейронную сеть;
3. Качественно подготовить исходные данные для построения
нейронных сетей;
4. Построить прогноз цен закрытия акций компании «Сбербанк» для
задач регрессии и двухзначной классификации (Рост/Спад), используя
нейронные сети различной структуры;
5. На основании построенных прогнозов сделать вывод о
возможности применения нейронных сетей рассматриваемой архитектуры для
прогнозирования финансовых временных рядов.
Период исследования: Ежедневные цены закрытия (Close) акций
компании «Сбербанк» (SBER) за периоды:
1. 2019 г.
2. с января 2016 г. по январь 2019 г.
Источником данных является информационный портал Finam.ru. Для
проведения расчетов и построения нейросетевых моделей был использован
программный пакет STATISTICA (ST), программный модуль – ST Neural
Networks.
1. Теоретическая часть научно-технического исследования
1.1. Технический и фундаментальный анализ рынка ценных
бумаг
При инвестировании денежных средств ключевой задачей является
попытка отыскать финансовые инструменты, направленные либо на
увеличение, либо, в крайних случаях, сохранение собственных вложений.
Пытаясь предсказать будущее, крупные инвесторы используют разные
методы для определения динамики развития рынка.
Среди огромного множества математических методов анализа
фондовых рынков [1-3] наибольшей популярностью пользуются
фундаментальный и технический анализы.
В основе фундаментального анализа лежит независимая оценка
действительной стоимости ценных бумаг, основанная на изучении
экономических факторов, связанных с ними. Для определения величины
отклонения проводится сравнение действительной и текущей стоимостей.
Фундаментального анализа бывает недостаточно для определения
конкретного момента совершения сделки. В таком случае прибегают к
использованию технического анализа.
Данный вид анализа основывается на утверждении, что в текущей цене
акции уже включены все объективные данные об эмитенте. Таким образом,
полагают, что динамика рыночной стоимости акции зависит только от оценки
событий участниками рынка, а не является непосредственной реакцией на
события [4].
Оба метода являются дополнением друг друга, и в равной степени
показывают состояние фондового рынка.
Технический анализ – это общепринятый подход при исследовании
рынка, цель которого – прогнозирование. Данный анализ предполагает, что
рынок имеет свойство «запоминать» информацию. Это значит, что на будущее
движение стоимости ценных бумаг существенно влияют закономерности её
прошлого поведения. Другими словами, рынок может «запомнить», как себя
вести в той или иной ситуации, и в следующий раз её воспроизвести.
Технический анализ все чаще используется в прогнозировании, что
подтверждается ростом его популярности в последние 10 лет. Индикаторы
поведения рынка являются основой эмпирических правил технического
анализа. Технический анализ рассматривает финансовый инструмент
индивидуально без учета его связи с другими ценными бумагами [4].
Субъективность и плохое прогнозирование направления цен (правый край
графика) являются недостатками данного вида анализа. В связи с этим,
нейросетевой анализ начинает постепенно вытеснять этот вид анализа, так как
в нем отсутствуют ограничения на характер входной информации.
Нейросетевое моделирование базируется на данных, без учета и
привлечения априорных соображений. Это обстоятельство является
одновременно и достоинством, и недостатком метода. Например, существует
вероятность, что имеющихся данных может не хватить для обучения,
размерность потенциальных входов может оказаться слишком велика.
Поэтому для хорошего прогноза, во-первых, данные должны пройти
качественную предобработку, а во-вторых, нужно использовать нейропакеты
с широкой функциональностью.
1.2. Введение в теорию нейронных сетей
Параллельно распределенную структуру обработки информации,
состоящую из взаимосвязанных нейронов, называют нейронной сетью.
Как мощный метод моделирования, данные сети способны
воспроизводить сложные нелинейные зависимости. Моделирование
нелинейных процессов, адаптивность и способность работы с зашумленными
данными позволяют использовать нейросети в решении многих
экономических задач.
Ускорение процесса обработки информации за счет параллельности
работы всех звеньев является одной из важнейших особенностей нейронной
сети, открывающей ее потенциал и широкие возможности использования.
Кроме того, данная сеть за счет большого числа межнейронных соединений,
имеет устойчивость к ошибкам, которые возникают на некоторых линиях.
Обобщение накопленных знаний и способность к обучению также одни
из важных свойств нейросети. Таким образом, нейросеть по своим чертам
похожа на искусственный интеллект. Такая сеть, натренированная на
определенном множестве данных, может провести обобщение полученной
информации и воспроизвести расчет с хорошими результатами на данных, не
использованных при её обучении.
1.3. Структура сети
В нейронной сети единицей обработки информации является нейрон.
Нейрон имеет следующую модель строения, похожую на биологический
нейрон: дендриды, представляющие собой каналы для ввода информации, и
аксон, являющийся каналом вывода информации.
Для соединения аксона нейрона с дендридами других нейронов
используются синапсы. Возбуждение нейрона приводит к передаче сигнала
вдоль аксона. Синапс передает сигнал на другие нейроны, что приводит либо
к их возбуждению, либо к переходу в состояние торможения. Возбуждение
нейрона возникает только в случае преодоления порога возбуждения или
активации. Таким образом, сумма уровней сигналов, поступающих в нейрон,
должна быть выше этого уровня.
Нейрон, лежащий в основе искусственной нейросети, может быть
представлен в виде модели, показанной на рисунке 1.

Заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 5 000 ₽

Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям

    Нажимая на кнопку, я соглашаюсь на обработку персональных данных и с правилами пользования Платформой

    Последние выполненные заказы

    Хочешь уникальную работу?

    Больше 3 000 экспертов уже готовы начать работу над твоим проектом!

    Татьяна С. кандидат наук
    4.9 (298 отзывов)
    Большой опыт работы. Кандидаты химических, биологических, технических, экономических, юридических, философских наук. Участие в НИОКР, Только актуальная литература (пос... Читать все
    Большой опыт работы. Кандидаты химических, биологических, технических, экономических, юридических, философских наук. Участие в НИОКР, Только актуальная литература (поставки напрямую с издательств), доступ к библиотеке диссертаций РГБ
    #Кандидатские #Магистерские
    551 Выполненная работа
    Мария Б. преподаватель, кандидат наук
    5 (22 отзыва)
    Окончила специалитет по направлению "Прикладная информатика в экономике", магистратуру по направлению "Торговое дело". Защитила кандидатскую диссертацию по специальнос... Читать все
    Окончила специалитет по направлению "Прикладная информатика в экономике", магистратуру по направлению "Торговое дело". Защитила кандидатскую диссертацию по специальности "Экономика и управление народным хозяйством". Автор научных статей.
    #Кандидатские #Магистерские
    37 Выполненных работ
    Виктор В. Смоленская государственная медицинская академия 1997, Леч...
    4.7 (46 отзывов)
    Имеют опыт грамотного написания диссертационных работ по медицине, а также отдельных ее частей (литературный обзор, цели и задачи исследования, материалы и методы, выв... Читать все
    Имеют опыт грамотного написания диссертационных работ по медицине, а также отдельных ее частей (литературный обзор, цели и задачи исследования, материалы и методы, выводы).Пишу статьи в РИНЦ, ВАК.Оформление патентов от идеи до регистрации.
    #Кандидатские #Магистерские
    100 Выполненных работ
    Олег Н. Томский политехнический университет 2000, Инженерно-эконо...
    4.7 (96 отзывов)
    Здравствуйте! Опыт написания работ более 12 лет. За это время были успешно защищены более 2 500 написанных мною магистерских диссертаций, дипломов, курсовых работ. Явл... Читать все
    Здравствуйте! Опыт написания работ более 12 лет. За это время были успешно защищены более 2 500 написанных мною магистерских диссертаций, дипломов, курсовых работ. Являюсь действующим преподавателем одного из ВУЗов.
    #Кандидатские #Магистерские
    177 Выполненных работ
    Петр П. кандидат наук
    4.2 (25 отзывов)
    Выполняю различные работы на заказ с 2014 года. В основном, курсовые проекты, дипломные и выпускные квалификационные работы бакалавриата, специалитета. Имею опыт напис... Читать все
    Выполняю различные работы на заказ с 2014 года. В основном, курсовые проекты, дипломные и выпускные квалификационные работы бакалавриата, специалитета. Имею опыт написания магистерских диссертаций. Направление - связь, телекоммуникации, информационная безопасность, информационные технологии, экономика. Пишу научные статьи уровня ВАК и РИНЦ. Работаю техническим директором интернет-провайдера, имею опыт работы ведущим сотрудником отдела информационной безопасности филиала одного из крупнейших банков. Образование - высшее профессиональное (в 2006 году окончил военную Академию связи в г. Санкт-Петербурге), послевузовское профессиональное (в 2018 году окончил аспирантуру Уральского федерального университета). Защитил диссертацию на соискание степени "кандидат технических наук" в 2020 году. В качестве хобби преподаю. Дисциплины - сети ЭВМ и телекоммуникации, информационная безопасность объектов критической информационной инфраструктуры.
    #Кандидатские #Магистерские
    33 Выполненных работы
    Лидия К.
    4.5 (330 отзывов)
    Образование высшее (2009 год) педагог-психолог (УрГПУ). В 2013 году получено образование магистр психологии. Опыт преподавательской деятельности в области психологии ... Читать все
    Образование высшее (2009 год) педагог-психолог (УрГПУ). В 2013 году получено образование магистр психологии. Опыт преподавательской деятельности в области психологии и педагогики. Написание диссертаций, ВКР, курсовых и иных видов работ.
    #Кандидатские #Магистерские
    592 Выполненных работы
    Глеб С. преподаватель, кандидат наук, доцент
    5 (158 отзывов)
    Стаж педагогической деятельности в вузах Москвы 15 лет, автор свыше 140 публикаций (РИНЦ, ВАК). Большой опыт в подготовке дипломных проектов и диссертаций по научной с... Читать все
    Стаж педагогической деятельности в вузах Москвы 15 лет, автор свыше 140 публикаций (РИНЦ, ВАК). Большой опыт в подготовке дипломных проектов и диссертаций по научной специальности 12.00.14 административное право, административный процесс.
    #Кандидатские #Магистерские
    216 Выполненных работ
    Анна Н. Государственный университет управления 2021, Экономика и ...
    0 (13 отзывов)
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уни... Читать все
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уникальности с нуля. Все работы оформляю в соответствии с ГОСТ.
    #Кандидатские #Магистерские
    0 Выполненных работ
    Шагали Е. УрГЭУ 2007, Экономика, преподаватель
    4.4 (59 отзывов)
    Серьезно отношусь к тренировке собственного интеллекта, поэтому постоянно учусь сама и с удовольствием пишу для других. За 15 лет работы выполнила более 600 дипломов и... Читать все
    Серьезно отношусь к тренировке собственного интеллекта, поэтому постоянно учусь сама и с удовольствием пишу для других. За 15 лет работы выполнила более 600 дипломов и диссертаций, Есть любимые темы - они дешевле обойдутся, ибо в радость)
    #Кандидатские #Магистерские
    76 Выполненных работ

    Другие учебные работы по предмету

    Кооперативные игры на гиперграфах
    📅 2019год
    🏢 Санкт-Петербургский государственный университет