Выбор подобного метода обучения сети, в котором использовались также ежедневные значения котировок, является первой попыткой проверить возможности использования вышеупомянутых методов для распознавания структур и зависимостей во входных данных даже в случае существенного влияния искажающих факторов. Мы посчитали, что если данное условие будет выполнено, то полученный результат может послужить хорошим началом для развития методики количественного прогнозирования с помощью нейронных сетей. [c.162]
При этом, однако, исследования в области моделирования временных рядов при помощи сетей продолжаются и в настоящее время, и никаких стандартных методов здесь пока не выработано. В нейронной сети многочисленные факторы взаимодействуют весьма сложным образом, и успех здесь пока приносит только эвристический ( кустарный ) подход. Типичная последовательность действий при решении задачи прогнозирования финансовых показателей с помощью нейронных сетей показана на рис. 2.5. [c.59]
Для решения таких прикладных задач, как прогнозирование и выдача рекомендаций (управление) на основе анализа данных, могут быть использованы как экспертные системы, так и нейронные сети. Но основное преимущество нейронных сетей заключается в возможности избежать традиционной процедуры программирования и сбора информации или знаний при помощи экспертов или конечных пользователей. При создании экспертных систем, наоборот, требуется проводить интервью с экспертами для получения правил поведения системы или объекта при определенных условиях, что требует значительного времени и материальных вложений и порой не приносит желаемого эффекта, так как нет гарантии, что все необходимые правила будут получены и что экспертная система будет работать в различных условиях. [c.124]
Опираясь на изложенное (о нейронных сетях) в предыдущей главе, решение задач прогнозирования временных рядов с помощью НС можно представить следующим образом. [c.331]
В случае отсутствия реального временного ряда используется его моделирование, применяя эту модель для обучения НС. Качество моделирования временного ряда с помощью НС в этом случае во многом определяется достоверностью выбранной модели. Однако, в общем случае, применение нейронных сетей для прогнозирования временных рядов не предполагает знание (или определение) модели тренда и (или) сезонной составляющей. [c.333]
Важно подчеркнуть, что алгоритм принятия решений, реализуемый обученной нейронной сетью, не может быть выражен какой-то конкретной аналитической формулой или же объяснен с помощью какого-то другого, более простого алгоритма. Указанный алгоритм закодирован самой структурой нейронной сети. Вместе с тем по своей внутренней сущности алгоритм принятия решений, реализуемый обученной нейронной сетью - это разновидность статистического метода распознавания образов и прогнозирования. [c.210]
Актуальность данной тематики продиктована поиском адекватных моделей нейронных сетей (НС), определяемые типом и структурой НС, для задач прогнозирования. В ходе исследования установлено, что радиальные базисные сети (RBF) обладают рядом преимуществ перед сетями типа многослойных персептрон (MLP) [121, 123]. Во-первых, они моделируют произвольную нелинейную функцию с помощью одного промежуточного слоя. Тем самым отпадает вопрос о числе слоев. Во-вторых, параметры линейной комбинации в выходном слое можно полностью оптимизировать с помощью известных методов моделирования, которые не испытывают трудностей с локальными минимумами, мешающими при обучении MLP. Поэтому сеть RBF обучается очень быстро (на порядок быстрее MLP) [85,107]. [c.168]
Сравнение (в смысле ошибок 1-го и 2-го рода) результатов ех ante— прогнозирования с помощью нейронной сети и на основе традиционных методов MDA — свидетельствует о том, что применение нейронных классификаторов оправданно в условиях постоянно меняющейся ситуации, что характерно для польского рынка капиталовложений. [c.169]
Тихонов Э.Е. Об одном подходе к прогнозированию с помощью нейронных сетей//Материалы третьей МНК "Студенческая наука - экономике России". Ставрополь СевКав ГТУ, 2002.- С. 69 - 70. [c.195]
Ибираимова Т.Б. Прогнозирование тенденций финансовых рынков с помощью нейронных сетей//Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл., 2002 г. - С. 745 - 755. [c.191]
Сергеев А.В. Прогнозирование временных рядов с помощью нейронных сетей с радиальными базисными функция-ми//Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл, 2002 г. - С. 1187 - 1191. [c.195]
Денежные потоки в любой организации, без преувеличения, можно назвать ее кровеносной системой. В то же время этот показатель, как никакой другой, труден для прогнозирования. Эта глава посвящена проблеме управления активами и пассивами Министерства финансов Голландии (далее — MoF). Особое внимание будет уделено оценке суммы ежемесячного валового сбора налогов. Мы рассмотрим и сравним различные методы, в том числе, и модель ARIMA — собственную разработку MoF. Так как нейронные сети превосходят другие методы по показателю среднеквадратичной ошибки (MSE) на вновь предъявляемых образцах, мы будем выделять различные типы индивидуального и совместного поведения переменных с помощью анализа первичных весов, тестов на чувствительность и выделения кластеров среди векторов весов-состояния. [c.94]
Смотреть страницы где упоминается термин Прогнозирование с помощью нейронных сетей
: [c.268] [c.29] [c.96] [c.64] [c.11]Смотреть главы в:
Энциклопедия торговых стратегий -> Прогнозирование с помощью нейронных сетей