V Международная студенческая научная конференция Студенческий научный форум - 2013

Финансовые рынки последние десять лет переживают период бурного развития и глобализации связей. Многие крупные национальные фондовые, фьючерсные, валютные биржевые рынки и рынки мирового масштаба, включает в себя связанную компьютерную инфраструктуру, которая обслуживает клиентов, торгующих валютами, заключающих спекулятивные сделки для того, чтобы получить прибыль от ежесекундно изменяющихся курсов валют. И поэтому для эффективного анализа ведется много разработок в области прогнозирования финансовых рынков. Для этого требуются соответствующие экономико-математические методы. На сегодняшний день их существует огромное множество, но завоевывают популярность такие, как: эволюционное программирование, генетические алгоритмы, искусственные нейронные сети и т.п. Мы остановимся на использовании искусственных нейронных сетей (ИНС).

Интеллектуальные системы поддержки принятия решений на основе ИНС позволяют с успехом решать задачи прогнозирования. Сама нейросеть представляет собой многослойную сетевую структуру однотипных элементов – нейронов. С биологической точки зрения, нейрон состоит из тела клетки, которое содержит ядро. От тела клетки ответвляется множество дендритов, через которые информация поступает в клетки, и аксонов, которые передают выходной сигнал в другие клетки с помощью синапсов.

Искусственным нейроном называется элемент, вычисляющий взвешенную сумму V входных величин : V= (где N – размерность пространства входных сигналов, W_i - синаптические коэффициенты или веса). Саму взвешенную сумму V называют потенциалом нейрона i, тогда выходной сигнал имеет вид f(V). В зависимости от способа преобразования сигнала и характера f(V) различают следующие виды нейронных структур: статические, где сигнал передается без задержек, и динамические, где учитывается возможность этой задержки.

У ИНС много важных свойств, но ключевое из них – способность к обучению. Обучить нейронную сеть - значит, сообщить ей, чего мы от нее добиваемся. Для этого у нас должна быть некоторая база данных, содержащая примеры. После многократного предъявления примеров веса нейронной стабилизируются, и нейронная сеть дает правильные ответы на все (или почти все) примеры из базы данных. В таком случае говорят, что «нейронная сеть обучена» и ее можно использовать для решения поставленных задач.

Код для цитирования: Скопировать