МЕТОД ГЕНЕРАЦИИ ВЫХОДНОЙ ВЫБОРКИ ДЛЯ ЗАДАЧИ НЕЙРОСЕТЕВОЙ КЛАССИФИКАЦИИ РЫНОЧНЫХ СИТУАЦИЙ

Николаева Юлия Викторовна

2017 / Том 21 №12 (131) 2017 [ Информатика, вычислительная техника и управление ]

ЦЕЛЬ. Рассмотрены недостатки распространенного подхода к нейросетевому анализу рынков (например, прогнозирование временных рядов) и предложен альтернативный подход - нейросетевая классификация рыночных ситуаций, при использовании которой встает вопрос о генерации выходной выборки для обучения нейронной сети. МЕТОДЫ. Описаны сложности формирования выходной выборки для обучения нейросетевого классификатора ситуаций на рынке конкретного финансового инструмента. При обучении нейронной сети для классификации ситуаций на финансовых рынках входная выборка вполне определена, но необходимо уточнить, что брать за критерий отнесения входного вектора к тому или иному классу. Критерием может служить оценка эксперта. Но для оценки правильности отнесения рыночной ситуации к классу необходим метод, который позволит системе обучаться независимо от эксперта. По этой причине в качестве критерия предложено брать процент достижения ожидаемой трейдером прибыли от сделки с корректировкой на повышение волатильности. РЕЗУЛЬТАТЫ. Предложен метод формирования выходной выборки на основе прибыли, задаваемой трейдером, достижение которой планируется в ограниченный период времени. Показано, что данный метод в среднем на 11% эффективнее метода, использующего оценки эксперта. Приводится корректировка данного метода с учетом повышения волатильности, связанного с выходом новостей и событий экономического календаря. ВЫВОДЫ. Разработанный метод генерации выходной выборки для обучения нейронной сети в задаче классификации рыночных ситуаций может быть использован в системах поддержки принятия решений трейдеров по заключению сделок на финансовых рынках.

Ключевые слова:

нейронная сеть, классификация, рыночные ситуации, выходная выборка, многослойный перцептрон

Библиографический список:

1. Мицель А.А., Ефремова Е.А. Прогнозирование динамики цен на фондовом рынке // Известия ТПУ. 2006. Т. 309. № 8. С. 197–201.
2. Арсланов А. Прогнозирование финансовых временных рядов [Электронный ресурс]. URL: https://geektimes.ru/post/144405/ (25.09.2017)
3. Николаева Ю.В. Математическая постановка задачи обучения многослойного перцептрона для классификации рыночных ситуаций // Интеллектуальные системы в производстве. 2016. № 3. С. 10–12.
4. Николаева Ю.В. Методы нейросетевой классификации ситуаций на финансовых рынках относительно ожидаемой прибыли [Электронный ресурс] // Молодые ученые – ускорению научно-технического прогресса в XXI веке: сборник материалов IV Всероссийской научно-технической конференции аспирантов, магистрантов и молодых ученых с международным участием (Ижевск, 20–21 апреля 2016 г.) [Электронный ресурс]. Ижевск: ИННОВА, 2016. С. 562–566. Электрон. опт. диск (CD-ROM).
5. Николаева Ю.В. Исследование влияния событий экономического календаря на волатильность котировок EURUSD // Новая наука: от идеи к результату: международное научное периодическое издание по итогам международной научно-практической конференции (Сургут, 22 октября 2016 г.): в 3 ч. Стерлитамак: АМИ, 2016. Ч. 3. С. 76–81.
6. Николаева Ю.В. Методика нейросетевой классификации ситуаций на финансовых рынках и ее реализация в ИСППР // Интеллектуальные системы в производстве. 2017. № 2. С. 113–116.

Файлы:

• реферат (скачать | просмотреть) - скачано 23 раза
• статья (скачать | просмотреть) - скачано 36 раз