1 / 18

Predykcja indeksu NIKKEI za pomocą sieci neuronowych

Predykcja indeksu NIKKEI za pomocą sieci neuronowych. część 2. Plan. Dane do nauki Wybrane dane uczące Architektura sieci Wyniki SP500 zamiast NSDQ100 Uwzględnienie ‘krótkiej’ historii Predykcja zmiany wartości Konkluzje. Dane do nauki. wartości O,C,H,L indeksów giełdowych

dean
Download Presentation

Predykcja indeksu NIKKEI za pomocą sieci neuronowych

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Predykcja indeksu NIKKEIza pomocą sieci neuronowych część 2

  2. Plan • Dane do nauki • Wybrane dane uczące • Architektura sieci • Wyniki • SP500 zamiast NSDQ100 • Uwzględnienie ‘krótkiej’ historii • Predykcja zmiany wartości • Konkluzje

  3. Dane do nauki • wartości O,C,H,L indeksów giełdowych • procentowe zmiany wartości indeksu w ciągu 1,5,10,20 dni • średnie kroczące wartości indeksu z okresów 5,10,20 dni • oscylatory: MACD, Williams, 2 średnie • sygnały generowane przez formacje i oscylatory

  4. Wybrane dane historyczne

  5. Wybrane dane historyczne • T0: wartość otwarcia, zamknięcia i minimalna, średnia krocząca z 20 dni • T-1, T-2, T-3, T-4: wartość zamknięcia i minimalna, średnia krocząca z 20 dni • T-5: wartość minimalna, średnia krocząca z 5 i 20 dni

  6. Wybrane dane z giełd

  7. Wybrane dane z giełd • NSDQ100, DAX: wartość otwarcia, zamknięcia, minimalna i maksymalna, średnia z 5, 10, 20 dni • Jako dane analizy technicznej dla NIKK255: wartość zamknięcia, typ formacji, MACD, linia sygnału MACD, Williams, sygnały 3 oscylatorów

  8. Architektura sieci • Różne typy zmiennych wejściowych nie mieszają się we wstępnym przetwarzaniu – odseparowane regiony • W nauce biorą udział jedynie wybrane zmienne • Wyniki pośrednie analizuje wspólny fragment sieci, określając prognozę

  9. Architektura sieci Dane analizy technicznej z prognozowanej giełdy Wybrane dane z 2 giełd prognoza Wybrane dane z 6 dni historii

  10. Architektura sieci Wybrane dane z 6 dni historii Wybrane dane z 2 giełd Dane analizy technicznej z prognozowanej giełdy Region 2 giełd Region analizy technicznej Wspólna sieć neuronowa prognoza

  11. Architektura sieci • Moduły wstępne z jedną warstwą ukrytą • Moduł główny z dwiema warstwami ukrytymi • Rezultat: średni błąd 0.27%, min 0.001%, max 1.65% • Średnia zmienność prognozowanej giełdy: 0.96% (max 13.23%)

  12. Wyniki – wykres błędów [%]

  13. Wyniki – skumulowane błędy [%]

  14. Eksperymenty:I) S&P500 zamiast NSDQ100II) Predykcja zmiany wartościIII) Uwzględnienie ‘krótkiej’ historii • S&P500 zamiast NSDQ100: średni błąd 0.47% • Prognoza zmiany indeksu: średni błąd 0.66% • Historia 6 dni: średni błąd 4.7% • Historia 3 dni: średni błąd 3.54%

  15. Predykcja zmiany wartości - dane

  16. Konkluzje • Optymalność obecnej metody nauki i testów • Optymalność obecnej architektury • Konieczność uproszczenia reguł (wymiaru problemu) • Konieczność uwzględnienia zmienności zależności na giełdzie • Konieczność opracowania obiektywnego testu – generalizacja vs specjalizacja

  17. Konkluzje z konkluzji • Nauka na szerszej gamie giełd w celu wychwycenia podstawowych zależności • Agresywne zmniejszanie liczby zmiennych w wektorze uczącym • Douczanie na podstawie niedawnej historii docelowej giełdy

  18. Dziękuję za uwagę

More Related