1 / 14

36NAN Semestr ální práce

36NAN Semestr ální práce. Predikce ceny akcií dle dosavadního vývoje. Vstupní data. dodáno :akcie, d, datum, open, high, low, close, volume Úprava dat pro JavaNNS a GAME Dva možné směry: Důležité údaje z jednoho dne Predikce pomocí více předcházejících dat. Prvn í sítě.

jett
Download Presentation

36NAN Semestr ální práce

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. 36NAN Semestrální práce Predikce ceny akcií dle dosavadního vývoje

  2. Vstupní data • dodáno :akcie, d, datum, open, high, low, close, volume • Úprava dat pro JavaNNS a GAME • Dva možné směry: • Důležité údaje z jednoho dne • Predikce pomocí více předcházejících dat

  3. První sítě • Typ BP – zkouška různých konfigurací • Úprava dat – JavaNNS data pouze od nuly do jedné • Silná provázanost dat na vstupu • Mizerné výsledky co se hodnoty týče, zajímavější se zdá predikce trendu

  4. Výsledky BP sítí • Různé konfigurace,nejlépe vychází 4-20-20-1 • Provázanost vstup.dat

  5. Výsledky sítí BP • Výsledek testovací množiny nejlepší sítě

  6. Závěr z první úlohy • Takhle by to nešlo, můžeme zapomenout na predikci hodnoty, možná použitelná predikce trendu • Příště zkusit jinou síť • Upravit vstupní data (viz provázanost vstupů) • Použít celou dodanou množinu dat

  7. Úloha č.2 • Pokusíme se použít MIA GMDH síť • Simulujeme pomocí GAME • Nejdříve použijeme stejnou množinu dat pro srovnání výsledků s předcházející úlohou • Zkusíme upravit vstupní množinu dat

  8. Vstupní data • Data ,,krátká“ • Učící množina 183 skupin • Testovací 50 skupin Krátká pro možnost porovnání s výsledky předcházející úlohy • Dva možné typy vstupů • Všechno (open,high,low,close) • Pouze indexy open za předchozí tři dny

  9. Vstupní data podruhé • Data ,,dlouhá“ • Opět obě možnosti konfigurace vstupů • Komplet vektor (vektor open,high,low,close) • Tzv. ,,Triopen“ (vektor open1,open2,open3) • 2000 skupin učící množiny • 950 skupin testovací množiny

  10. Výsledky ,,krátké“ sítě

  11. Výsledky krátké sítě • Na první pohled podstatně lepší od BP,oba typy sítě • Na druhý pohled zklamání – síť ,,triopen“ má mnohem horší výsledky (2x) než síť s původním vstupním vektorem • Co se hodnot týče, vyhodnotíme až pro mohutnější učící množiny

  12. Výsledky ,,dlouhé“ sítě • Graf je naprosto nezřetelný (950 dat pro porovnání) • Opět ale síť ,,triopen“ končí s dvojnásobnou chybou oproti klasické

  13. Závěr • Jasně vítězí síť GMDH • Rozhodně lepší výsledky vykazuje síť s kompletním vstupním vektorem (zřejmě dostává komplexnější informace) • Výsledky na první pohled vypadají lákavě, ALE: opak je pravdou. Při bližším zkoumání se chyba průměrně pohybuje v desítkách centů (jako predikce hodnoty naprosto nepoužitelné)

  14. Závěr • Nadějnější je predikce trendu, chyba se pohybuje okolo 15 – 20 % • Síť by se dala použít jako jeden z ukazatelů, jako samostatný rozhodovací element je nepoužitelná • Osobně bych ji při obchodování použil, ale pouze jako jedno z rozhodovacích kritérií

More Related