Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/11138
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Сандомирский Федор Алексеевич | ru_RU |
dc.contributor.author | Козлов Денис Игоревич | ru_RU |
dc.contributor.author | Kozlov Denis | en_GB |
dc.contributor.editor | Куперин Юрий Александрович | ru_RU |
dc.contributor.editor | Kuperin Iurii Аleksаndrovich | en_GB |
dc.date.accessioned | 2018-07-25T20:12:02Z | - |
dc.date.available | 2018-07-25T20:12:02Z | - |
dc.date.issued | 2017 | - |
dc.identifier.other | 033182 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/11138 | - |
dc.description.abstract | Целью данной работы является изучение существующей методологии в области предсказания финансовых временных рядов с помощью искусственных нейронных сетей, а также разработка собственного метода прогнозирования на основе комитетов искусственных нейронных сетей. В теоретической части дипломной работы приводится описание методов нелинейной динамики, использовавшихся для задачи нейросетевого прогнозирования, а также принципы построения и функционирования комитетов искусственных нейронных сетей. В практической части изложены результаты применения методов обработки и предсказания финансовых временных рядов к реальным данным котировок акций голубых фишек отечественного и американского фондовых рынков. По результатам проведенных исследований можно сказать, что цель работы, построение эффективной модели прогнозирования, была достигнута. Для большинства финансовых инструментов, исследуемых в работе, комитет нейросетей давал статистически качественные предсказания. Кроме этого, в работе была подтверждена гипотеза о том, что применение комитетов ИНС положительно влияет на качество среднесрочного прогноза. Точность таких предсказаний, в сравнении с предсказаниями отдельно обученных сетей, оказалась в среднем на 37% выше. Таким образом, в дипломной работе разработан подход, позволяющий получить недельные прогнозы котировок цен акций с высокой статистической точностью. | ru_RU |
dc.description.abstract | The purpose of this work is to develop a proprietary forecasting method based on the committees of artificial neural networks. The theoretical part of the thesis describes the methods of nonlinear dynamics used for the neural network forecasting problem, as well as the principles for the construction and functioning of the committees of artificial neural networks. The practical part describes the results of applying methods of processing and predicting financial time series. As financial instruments, stock prices of blue chips of domestic and American stock markets were selected. Based on the results of the conducted studies, it can be said that the aim of the work, namely, the construction of an effective forecasting model, was achieved. For most financial instruments studied in the work, the neural network committee gave statistically qualitative predictions. In this paper, the hypothesis that the application of neural network committees positively affects the quality of the medium-term forecast was also confirmed. The accuracy of such predictions, in comparison with the predictions of a separately trained neural network, was on average 37% higher. Thus, in the thesis, an approach has been developed that makes it possible to obtain weekly stock prices forecasts with high statistical accuracy. | en_GB |
dc.language.iso | ru | - |
dc.subject | Голубые фишки | ru_RU |
dc.subject | адаптивные фильтры | ru_RU |
dc.subject | реконструкция аттрактора фазового пространства | ru_RU |
dc.subject | теорема Такенса | ru_RU |
dc.subject | искусственные нейронные сети | ru_RU |
dc.subject | комитеты искусственных нейронных сетей | ru_RU |
dc.subject | многослойный персептрон | ru_RU |
dc.subject | метод обучения Левенберга-Марквардта. | ru_RU |
dc.subject | Blue chips | en_GB |
dc.subject | adaptive filters | en_GB |
dc.subject | reconstruction of the attractor in the lag space | en_GB |
dc.subject | Takens theorem | en_GB |
dc.subject | artificial neural networks | en_GB |
dc.subject | artificial neural network committees | en_GB |
dc.subject | multilayer perceptron | en_GB |
dc.subject | Levenberg-Marquardt's method of training. | en_GB |
dc.title | The development of financial time series forecasting methods using artificial neural network committees | en_GB |
dc.title.alternative | Развитие методов прогнозирования финансовых временных рядов с помощью комитетов искусственных нейронных сетей | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
VKR_Kozlov_2017_final_23_05_2017.pdf | Article | 1,36 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Otzyv_Kozlov.pdf | ReviewSV | 324,43 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Kozlov_D_I__bak_rec.pdf | ReviewRev | 111,54 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_st004308_Kuperin_YUrij_Aleksandrovich_(supervisor)(Ru).txt | ReviewSV | 9,58 kB | Text | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.