رویکرد ژنتیکی برای آموزش شبکه های عصبی: کاربرد برای پیش بینی نوسانات بازار سهام текст наquчной сттатьи по специальности «медицинске техехноги»

در این مقاله روش ANN از قیمت گذاری مشتقات و گزارش های مربوط به آزمایشات برای تکامل پارامترهای مناسب معماری داده شده ANN شرح داده شده است. در ادبیات ، هنگامی که نرخ بهره ، میانگین بازده و نوسانات دارایی اساسی از فرآیندهای تصادفی تصادفی پیروی می کند ، معمولاً راه حل دقیق در دسترس نیست. به طور خاص ، ما باید نشان دهیم که چگونه الگوریتم های ژنتیکی ، به عنوان رویکرد عددی ، می توانند در برخورد با مشتقات به طور بالقوه مفید باشند. از الگوریتم های ژنتیکی برای آموزش ANN استفاده شده است. بهترین شبکه تکامل یافته که توسط الگوریتم های ژنتیکی اساسی یافت می شود با حداقل رگرسیون مربعات از مقادیر واقعی مقایسه می شود. ما ابزار بهینه سازی تکاملی را در یک برنامه بتونی نشان داده ایم.

من надоели баннеры؟Вы Всregre ars arже оючить рекоنجی.

похожие теrыы начных работ по медицицциццицц اهای техاشته техногияS ، аВтор наUчLй рwate - Dergatchev S.

استخراج ویژگی های داده برای ورودی عصبی طبقه بندی کننده مدل های یادگیری ماشین برای پیش بینی ماندگاری پنیر فرآوری شده пеRсеективные ахитектары генетическоروری rese فن آوری های اطلاعات هوشمند در پیش بینی سری زمانی الگوریتم های تکاملی اعتماد به نفس توزیع شده برای طراحی شبکه های عصبی مصنوعی من ножете найти то ، что Ва الا нжно؟попробайте сервис подбора литерары. من надоели баннеры؟Вы Всregre ars arже оючить рекоنجی.

текст начной работы на тre «رویکرد ژنتیکی برای آموزش شبکه های عصبی: استفاده از پیش بینی نوسانات بازار سهام»

г حویم - "

9.

10. поrahченые В re рreзатата селекци جو (п) решения батьс нrages наилаил یابد.

на хходи000 решения orke urk ons вначе значения вероятностей о и и и. рrAзrеr популии I принят фиксировании. примененный алорита яВллется простыars генетическиа (ааритаos) (пга). произвести его еолоریف подробное иссمیل regrewае Возمیل при помщи сисщщ иссощ иsres исщщ исщщ ие] аеre аre аre аre аre иre иre иre иre ищщ иRащ иRащ иRащ иRащ иRащ иRищ иRищ иRищ иRищ иRищ را "

1. В. m. m. k re. матеarsаеское оесесечение консторскоروری и и теххноریف ase пRорческо es с с с п п с с с сrege ase. м:

2. изВестия трre ، n0 3 материалы Всеросийской наачно- ктехесесчч с as uчачасеам зарамеж зарежыхыхежreation зарамеж парежыхежежыхыхежыхежыхежыхежыхыхежыхежыхежыхежыхежыхыхежежежыхыхежыхежежыхыхежыхежыхежыхежыхежежыхыхежежежыхыхежежыхыхежежыхыхежыхыхежежаыхежежыхыхаыхежаыхежыхайежаыхзайабежаыхаыхзарабежежыхыхаыхежыхабежежа را " лnые сар - 95 "

رویکرد ژنتیکی برای آموزش شبکه های عصبی: کاربرد پیش بینی نوسانات بازار سهام

چکیده: این مقاله به شرح روش ANN از قیمت گذاری مشتقات و گزارش های مربوط به آزمایشات برای تکامل پارامترهای مناسب معماری ANN داده شده است. در ادبیات ، هنگامی که نرخ بهره ، میانگین نرخ بازده و نوسانات دارایی اساسی از فرآیندهای تصادفی تصادفی پیروی می کند ، معمولاً راه حل دقیق در دسترس نیست. به طور خاص ، ما باید نشان دهیم که چگونه الگوریتم های ژنتیکی ، به عنوان رویکرد عددی ، می توانند در برخورد با مشتقات به طور بالقوه مفید باشند. از الگوریتم های ژنتیکی برای آموزش ANN استفاده شده است. بهترین شبکه تکامل یافته که توسط الگوریتم های ژنتیکی اساسی یافت می شود با حداقل رگرسیون مربعات از مقادیر واقعی مقایسه می شود. ما ابزار بهینه سازی تکاملی را در یک برنامه بتونی نشان داده ایم.

شبکه های عصبی مصنوعی این توانایی را دارند که به طور خودسرانه به خوبی یک طبقه بزرگ از عملکردهای ANN باشند ، بنابراین ، پتانسیل زیادی برای گرفتن روابط غیرخطی پیچیده بین گروهی از متغیرها دارند که مدلهای خطی ساده قادر به ضبط نیستند. یک روش آموزش معمولی برای مدل سازی ANN به نوعی یادگیری تحت نظارت بر روی یک نمونه آموزشی است که از آن استفاده از برنامه های کاربردی آشنا یک exaple است. با این حال ، تقریباً مسلم است که در بسیاری از مشکلات بهینه سازی که آن را به عنوان معماری مناسب برای جستجوی نقشه ها در نظر گرفته می شود ، فضای دولتی بسیاری از موارد محلی را به نمایش می گذارد و روشهای شیب-شیب مانند بازگشت به پشت را غیرقابل اعتماد می کند. در پاسخ به این مشکل Optima محلی ، تکنیک های بهینه سازی تکاملی مانند الگوریتم های ژنتیکی برای آموزش ANN استفاده شده است. الگوریتم های ژنتیکی ، یکی دیگر از PROCCS تکاملی الهام گرفته از بیولوژیکی ، یک تکنیک جستجوی تطبیقی ، قوی ، موازی و تصادفی را ارائه می دهد که در آن جمعیتی از محلول بر روی یک دنباله از نسل ها به یک راه حل بهینه در سطح جهانی بر اساس عملکرد تناسب اندام تکامل می یابد ، راه حل های خوبی برای تولید مثل انتخاب می شوددو اپراتور نوترکیبی ژنتیکی: متقاطع و جهش. در سیستم های عصبی ، این دو مؤلفه ممکن است از جهات مختلفی برای غلبه بر محدودیت شبکه عصبی در تعامل باشند.

материалы Всероссийскیای

با توجه به یک نمونه N در یک دنباله زمانی ، Ti ، T2 ،. t ". ، وظیفه پیش بینی نمونه y (tn+i) در برخی از زمان های آینده t”+i است. پیش بینی تأثیر قابل توجهی در تصمیم گیری در تجارت و علوم دارد. ما تصمیم گرفتیم که آن را با این برنامه ها آزمایش کنیم زیرا قوانین تجارت به شدت تحت تأثیر نوع تصمیم گیری انسانی است که نمی توان به طور مناسب با منطق متعارف بیان کرد.

قیمت اوراق قرضه و نرخ ارز به دلیل شوک های بازار از اعلامیه های عملکرد اقتصادی دولت گرفته تا گزارش جدید بحران های بین المللی به طور مداوم تغییر می کند. نرخ بهره ، یک تعیین کننده اصلی تجارت ، با عوامل اقتصادی داخلی ارتباط نزدیکی دارد. داده های آماری که به صورت دوره ای توسط هر دولت منتشر می شود - مانند کسری بودجه ، شاخص قیمت مصرف کننده ، محصول ناخالص ملی ، فهرست سفارشات کارخانه ، تعداد شغل ایجاد شده و نرخ بیکاری بازتاب عملکرد اقتصاد. این به شدت بر عرضه و تقاضای بازار پول تأثیر می گذارد و این امر باعث افزایش و کاهش نرخ بهره می شود. مجموعه های فردی از آمار اقتصادی معمولاً در روزهای مختلف منتشر می شود و بازار به اطلاعات منتشر شده در یک روز خاص واکنش نشان می دهد.

ما آزمایشی را توصیف خواهیم کرد که Perceptrons لایه پنهان را برای پیش بینی نوسانات قیمت سهام تکامل می دهد. به طور کلی ، یک شبکه فید فید به سمت Lyer استاندارد (ما کنوانسیون را اتخاذ می کنیم که گره های ورودی به عنوان یک لایه شمرده نمی شوند) از یک مرحله ورودی تشکیل شده است. یا به صورت محلی) به صورت فید به جلو و بدون اتصال بین واحدها در همان لایه و هیچ اتصالی بازخورد بین لایه ها وجود ندارد. محبوب ترین کلاس شبکه های فیدر چند لایه ، Perceptrons چند لایه است که در آن هر واحد محاسباتی از عملکرد آستانه یا عملکرد سیگموئید استفاده می کند. توسعه الگوریتم یادگیری ژنتیکی برای تعیین وزن در یک Perceptron چند لایه ، این شبکه ها را در بین تحقیقات شبکه های عصبی محبوب ترین کرده است. ما WJJ (L) را به عنوان وزن اتصال بین واحد ITH در لایت ( /-1) به واحد JTH در لایه /. اجازه دهید<(x(1

د) ، (x (2) ، د<2)).(x(p), d(p))>مجموعه ای از الگوهای آموزش P (جفت ورودی-خروجی) باشد ، جایی که (i) srln) است

input vector in the /i-dimensional patte apace, and d(>€ [0 ، L] M ، یک hypercube m بعدی. عملکرد تناسب اندام مربع-خطا که اغلب در ادبیات ANN استفاده می شود به عنوان تعریف شده است

ما سیستم معاملات اوراق بهادار را با 60 مورد حرکات قیمت اوراق قرضه و عوامل محیطی مرتبط و سیستم معاملات گزینه ارز با 33 مورد از نوسانات نرخ ارز با داده های تجارت تاریخی از Wall Street Joual3 آزمایش کردیم.

مقایسه روش ANN با حداقل رگرسیون مربع (LSR)

معاملات اوراق بهادار __________ گزینه ارز

sitlglt! آمار چندین آمار کل آمار تک آمار چندگانه در کل

تعداد صندلی های 45 15 60 27 6 33

شماره موفق 42 9 51 22 3 25

درصد موفق 93 60 85 81 50 76

شماره موفق 39 10 49 23 4 27

درصد موفق 87 67 82 85 67 82

1. J. Hertz ، A. Krogh ، and R. G. Palmer ، مقدمه ای بر تئوری محاسبات عصبی ، آدیسون-وسلی ، خواندن ، ماساچوست ، 1991.

2. دیوید E. گلدبرگ ، الگوریتم های ژنتیکی در جستجو ، بهینه سازی و یادگیری ماشین. شرکت انتشارات آدیسون وسلی ، شرکت ، 1989.

3. وال استریت جورنال ، ژانویه 1987-دسامبر. 1990

пеRсеективные ахитектары генетическоروری rese

В послнее ВRre re появись новые «нестандартные» ахитеры генетичесч пе ، از retore пre rese rese res ь пробобرین предварительاشته хходиarси алоритаارم. это методы миираци и и иلس باس селекции [11 ، метаенетичесчейййейййчйййййййййййййййййййцапйййцацццца ase ased е генетические и поиссе [3] ، □ прерывистоروری раrag □ □ [4] ، оъединененетичетичесичеesre rea reation reation reation reation reation ares [1]о оыкновенных га Вы Rыыеется макроэвоRادن ، т. е. создается не она попалция ، н некоторое множество попалций. генетический поиск з حوادث з حوادث озествروری reation пre оre рre рwes рwes рwes зwes зre rewle зwes зre зwes зre зwes пwes. В о очие о [1-5] предNRл این моицицицицирированая ахитерلاً генетичческо п с с с сией reation les as с с reation с. 1 ،). 3десь бллли 1 - 3 представлю نامه собой просс ил иодифицицицициццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццицциццициццицциццицциццицциццицциццицицци. оеети000 ، что В каждоar боке Вы Rыолеется сВоя иВооя ивоеная {. В перВоr бллл селекция на оннове рRUлли. Во Вт اهای бороایق исолзuется селция на оададаной шкалы. В тrerетьеar блле - ээээая селекция. в бл мирации каждый рRаз озппеетса лчшчшчш прчшчш прчшчшчш пз зз пзз пзззззззз пзззчш пззчш пззчшчшй пззчшчшй пззчшчшй пззчшчш пззчшй пззчшй пззчшй пззчшй пззчшй пзззй пззйй пззз пз пз пз пз. сВззжда блоکام 1 - 3 оществروری rets resuтеr re пre цRа цRп цRп цRп цRп цRп цRп ц V 2 * 3. V 3. отати и داشتند. естзей межاشته боками ، такоروری ™ па ، как по поцир поолно граф ، по принципуу зВеззды reate. таre ххеrма сRелии В слае налич болшш коRлычче Вычисычисычыче рсre res ars ars ars ars ars ars ars мares рre рre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre мre داشتمпричеar n-1 блоков могуу паралельно оществروری эВоریف аионнаю аерез берез бRри کام ои دارم еams решений. поsrewes бобиирает лra rewreatione рre reyшения ، мorжет рзеззата работы или илио ы иееезчиииччччччч retheares retheares rethearesтакая ххеrama опацации В очие счие сществающих позВоRлет Во многих