1 / 24

Primjena neuron s kih mre ž a za predvidjanje prinosa na berzanski indeks Mr. Alenka Mugoša

Primjena neuron s kih mre ž a za predvidjanje prinosa na berzanski indeks Mr. Alenka Mugoša. Sadržaj prezentacije : Neuronske mreže – biološki aspekt Upotreba neuronskih mreža Osnovni pojmovi i principi Uvod u model neuronske mreže Primjer neuronske mre že za prognozu

callia
Télécharger la présentation

Primjena neuron s kih mre ž a za predvidjanje prinosa na berzanski indeks Mr. Alenka Mugoša

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. Primjena neuronskih mreža za predvidjanje prinosa na berzanski indeksMr. Alenka Mugoša

  2. Sadržaj prezentacije: • Neuronske mreže – biološki aspekt • Upotreba neuronskih mreža • Osnovni pojmovi i principi • Uvod u model neuronske mreže • Primjer neuronske mreže za prognozu • prinosa na berzanski indeks • Zaključak

  3. Neuronske mreže – biološki aspekt • nervne ćelije, više razlišitih tipova, izuzetno složene • 1011 neurona u mozgučovjeka, svaki sa oko 103veza • Uzajamna dejstva:prenos signala, interakcija može biti hemijskaili električna u sinapsama • Strukture: feedforward , feedback i rekurentne

  4. Neuronske mreže – biološki aspekt Hillock ulaz izlaz

  5. Upotreba neuronskih mreža 1. Prepoznavanje oblika: -karakteri napisani rukom, - ljudsko lice, - govor, - medicinske slike, - otisci prstiju 2. Primjena u aplikacijama: - Analiza govora - Finansijska analiza: izdvajanje skupa dominantnihkomponenti 3. Interpretacija medicinskih senzora: izdvajanje otkucaja srca fetusa od majčinih otkucaja srca 4.Optimizacija i matematička statistika 5. Finansijska predviđanja 6. Automatska vožnja itd.

  6. Osnovni pojmovi i principi • Neuron je procesorska jedinica • Neuroni se povezuju vezama u neuronsku mrežu • Veze kodirane težinskim koeficijentima • Neuroni se raspoređuju u slojeve • Prostiranje signala:unaprijed, unazad ili rekurentne

  7. Osnovni pojmovi i principi Skup ulaza, xi Skuptežinskih koefcijenta, wi X1 w1: jačina veze ili interakcije • funkcija obrade datog ulaza u neuron y = f(Swjxj) wn Xn

  8. Osnovni pojmovi i principi x1 x2 Izlaz Ulaz xn Skriveni slojevi

  9. Osnovni pojmovi i principi • Priprema podataka • Mreža kao crna kutija • Obrada izlaza iz mreže Podaci Obrada izlaza Priprema podataka Neuronske mreže + metod za obučavanje

  10. Primjer: Prepoznavanje ručno pisanih slova Osnovni pojmovi i principi • Podaci : skup karaktera • Priprema podataka • Prolazak podataka kroz mrežu • Izlaz a b

  11. Osnovni pojmovi i principi Parametri mreže: • Težinski koeficijenti • Broj skrivenih slojeva i raspored neurona • Funkcija greške • Ideja je da se za dati skup podatka model obuči tako da može vršiti generalizaciju …

  12. Osnovni pojmovi i principi • Mreža mora prvo da se obuči da bi mogla da generalizuje • Podaci za obučavanje mreže • Učenje mreže predstavljapodešavanje težinskih koeficijenata • Funkcija greške i algoritam izmjene težinskih koeficijenata • Skup podataka za validaciju

  13. Osnovni pojmovi i principi • Slijedi provjera performansi dobijene mreže na skupu podataka izdvojenom za testiranje. • Svaki podatak iz skupa za testiranje : • Propušta se kroz mrežu • Mjeri se greška odstupanja • Sračuna se prosječna vrijednost odstupanja mreže kao i standardna devijacija odstupanja • Ovim parametrima se ocjenjuje uspješnost modela

  14. Uvod u model neuronske mreže - predstavlja dnevni prinos na akciju Sa p(t) je prosječna cijena akcije A dana t - predstavlja dnevni prinos na kratkoročne obveznice sa godišnjom stopom s(t) - prinos na berzanski index

  15. Primjer neuronske mreže za prognozu • Kako se koriste NN u finansijskim prognozama pokazaćemo na primjeru predviđanja prinosaza FTSE500 i S&P500 indexa u odnosu na stopu odgovarajućih kratkoročnih državnih obveznica. • Podaci u razmatranju su uzeti sa DataStream International i sastoje se od vremenskih serija: • FTSE-500 indeks i T-bill stope UK • S&P-500 indeks iT-bill stope US, • za period od 4.01.1988. god. do 12.12.2000 god. • Enormno velike skokove u serijama treba zanemariti.

  16. Primjer neuronske mreže za prognozu Pretprocesiranje podataka:

  17. Primjer neuronske mreže za prognozu Podjela podataka

  18. Primjer neuronske mreže za prognozu • Mreža na osnovu prethodnih vrijednosti prinosa daje prognozu vrijednosti prinosa za naredni dan • Arhitektura x-y-z-1

  19. Primjer neuronske mreže za prognozu Primjer 4-4-1-1 arhitekture gdje su težinski koeficijent do ulaza j od izlaza k je wjk w11 x1 wk1 wkd y x2 wk0 x3 x4

  20. Primjer neuronske mreže za prognozu Performanse mreže mjerimo funkcijom f(t) na skupu za testiranje:

  21. Primjer neuronske mreže za prognozu • 1. Performanse mreže 4-3-1-1 • Ulaz: vrijednost prinosa na index za prva četiri u • dana u nedelji • Izlaz je vrijednost prinosa petog dana • FTSE-500

  22. Primjer neuronske mreže za prognozu • 1. Performanse mreže 6-1-3-1 • Ulaz: vrijednost prinosa na index za šest dana • Izlaz je vrijednost prinosa sedmog dana • S&P-500

  23. Zaključak • Performanse zavise od težinskih koeficijenata • Koriste se uspješno u prognozama vremenskih serija • Aproksimiraju dobro i nelinearne funkcije

More Related