Нейросетевые модели для управления инвестициями в финансовые инструменты фондового рынка

Нейросетевые модели для управления инвестициями в финансовые инструменты фондового рынка

Автор: Кратович, Павел Валерьевич

Шифр специальности: 05.13.10

Научная степень: Кандидатская

Год защиты: 2011

Место защиты: Тверь

Количество страниц: 165 с. ил.

Артикул: 5026146

Автор: Кратович, Павел Валерьевич

Стоимость: 250 руб.

Нейросетевые модели для управления инвестициями в финансовые инструменты фондового рынка  Нейросетевые модели для управления инвестициями в финансовые инструменты фондового рынка 

Содержание
Введение
1. Искусственные нейронные сети
2. Управление инвестициями в финансовые инструменты фондового рынка
Глава 1 Модели на основе однослойных нейронных сетей.
1.1 Непрерывная нейросетевая модель.
1.2 Дискретная нейросетевая модель
1.2.1 Примеры дискретных нсйросетевых моделей
1.3 Методы обучения нейронных сетей.
1.3.1 Алгоритм градиентного спуска.
1.3.2 Правило обучения ВидроуХоффа
1.4 Задача прогнозирования котировок ценных бумаг.
1.4.1 Критерий оценки качества прогноза
1.4.2 Определение парам ечров.нейросетевой модели
1.4.3 Предварительная обработка временного ряда
1.4.4 Однодневное прогнозирование
1.4.5 Долгосрочный прогноз.
1.4.6 Примеры прогнозов динамики временных рядов, котировок акций
российских эмитентов на ММВБ.
1.5 Построение адаптивных комбинаций моделей прогнозирования
1.5.Г Постановка задачи
1.5.2 Численное моделирование
1.6 Выводы к Главе 1
Глава 2 Модели.на основе многослойных нейронных сетей.
2.1 Топология многослойных нейронных сетей
2.2 Алгоритм обратного распространения ошибки.
2.2.1 Критерий останова
2.2.2 Достаточный объем обучающей выборки для обобщения
2.2.3 Недостатки алгоритма обратного распространения ошибки
2.3 Оптимизация обучения по алгоритму обратного распространения.
2.3.1 Адаптивный шаг обучения для различных функций активации.
2.3.2 Метод обучения с ранним остановом
2.3.3 Модификация целевого функционала в задаче прогнозирования.
2.4 Численное моделирование.
2.4.1 Определение оптимальных значений параметров обучения.
2.4.2 Прогнозирование
2.5 Примеры прогнозов динамики временных рядов котировок акций российских эмитентов на ММВБ
2.6 Нейронные сети на основе радиальных базисных функций
2.7 Стратегии обучения сетей на основе радиальных базисных функций.
2.7.1 Случайный выбор фиксированных центров.
2.7.2 Выбор центров на основе самоорганизации.
2.7.3 Выбор центров с учителем.
2.8 Задача идентификации нелинейных динамических процессов.
2.8.1 Метод восстановления фазового пространства.
2.8.2 Численное моделирование
2.9 Выводы к Главе 2.
Глава 3 Управление инвестициями в финансовые инструменты фондового рынка
3.1 Основные понятия.
3.2 Правила открытия и закрытия позиции
3.3 Увеличение объема выигрывающей позиции.
3.4 Методика оптимизации портфеля Марковица
3.4.1 Задача построения инвестиционного портфеля.
3.4.2 Алгоритм формирования инвестиционного портфеля.
3.5 Тестирование комплекса программ для управления инвестициями
3.5.1 Отчеты о тестировании
3.5.2 Методика тестирования
3.5.3 Результаты тестирования
3.6 Выводы к Главе 3.
Заключение.
Приложение Л.
Приложение Б.
Список использованных источников


Начало современному математическому моделированию нейронных вычислений было положено работами Хопфилда в году, в которых была сформулирована математическая модель ассоциативной памяти на нейронной сети с использованием правила Хеббиана [] для программирования сети. Но не сама модель послужила толчком к появлению работ других авторов на эту тему, сколько введённая Хопфилдом функция вычислительной энергии нейронной сети, являющейся аналогом функции Ляпунова в динамических системах. Показано, что для однослойной нейронной сети со связями типа «все на всех» характерна сходимость к одной из конечного множества равновесных точек, которые являются локальными минимумами функции энергии, содержащей в в себе всю структуру взаимосвязей в сети. Понимание такой динамики нейронной сети было и у других исследователей. Однако Хопфилд и Тэнк [] показали как конструировать функцию энергии для конкретной оптимизационной задачи и как использовать её для отображения задачи в нейронную сеть. Например, для симметричной нейронной сети с обратными связями, т. Е=- XV/+? Е - искусственная энергия сети, \>и - вес от выхода нейрона / к входу нейрона у, у. Этот подход получил развитие и для решения' других комбинаторных оптимизационных задач. Привлекательность подхода Хопфилда состоит в том, что нейронная сеть для конкретной задачи может быть запрограммирована без обучающих итераций. Веса связей' вычисляются на основании- вида функции энергии, сконструированной для этой задачи. В сфере инвестиций и ¦ управления капиталом на фондовом рынке существуют два основных подхода: интуитивный и формальный. Теория эффективности рынка [9] утверждает, что в рыночной цене бумаг верно и почти без задержки отражается вся известная информация и все ожидания участников рынка. Согласно этой теории, постоянно обыгрывать рынок невозможно, потому что поступление новой информации носит случайный характер, а реакция рынка на нее почти мгновенна. Следовательно, в любой момент времени все бумаги оценены рынком совершенно точно. Поэтому, как гласит теория, бумаги не могут быть переоценены или недооценены достаточно долго для того, чтобы можно было извлечь из этого прибыль. Таким образом, входными данными для управления инвестициями на фондовом рынке являются временные ряды котировок финансовых инструментов по цене закрытия. Центром комплекса программ для управления инвестициями на фондовом рынке являются модели прогнозирования динамики временных рядов котировок финансовых инструментов, от которых во многом зависит успех инвестиционной деятельности в целом. Сама идея инвестиций - вложения денег сейчас с целью получения дохода в будущем — основывается на идее прогнозирования будущего. Соответственно, предсказание динамики временных рядов котировок финансовых инструментов лежит в основе деятельности всей индустрии инвестиций - всех бирж и внебиржевых систем торговли ценными бумагами. Для успешной инвестиционной деятельности на фондовом рынке помимо решения задачи прогнозирования большое значение имеют интерпретация результатов прогнозирования, формализация правил биржевой торговли, анализ рисков и доходности инвестиционного портфеля, методика управления капиталом и оценка их эффективности. Следовательно, в целях совершенствования методов и повышения качества инвестиций, актуальным является построение нейросетевых моделей для прогнозирования динамики котировок финансовых инструментов на фондовом рынке, выявление особенностей их применения и реализации, а также разработка на их основе комплекса программ для управления инвестициями в финансовые инструменты фондового рынка. Структурная схема, разработанного комплекса программ для управления финансовыми инструментами фондового рынка, представлена на Рис. Рис. У - риск и доходность к-го актива соответственно. Подробно формирование инвестиционного портфеля рассматривается в третьей главе диссертационной работы. Для решения задачи прогнозирования динамики временных рядов котировок финансовых инструментов, исходя из известных значений ряда, т. Р(х1>х2у.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.218, запросов: 244