Прогнозирование финансовых рынков с использованием искусственных нейросетей

Введение

Современные финансовые рынки. Международный валютный рынок FOREX
Прогноз и цели его использования
Основные понятия и определения проблемы прогнозирования
Экономико-математические методы
Анализ фундаментальных факторов

Технический анализ
Использование систем с искусственной «памятью» для решения задач прогнозирования
Биологические нейронные сети


Математическая модель нейрона, искусственные нейросети
Основополагающие принципы нейровычислений
Коннекционизм
Локальность и параллелизм вычислений

Программирование: обучение, основанное на данных
Обучение искусственных нейронных сетей
Задача прогнозирования с использованием технологии нейровычислений
Обзор программных средств, реализующих алгоритмы нейровычислений для решения задач прогнозирования
Постановка задачи прогнозирования финансовых рынков с использованием искусственных нейросетей

Перемасштабирование графика цены в единичный интервал
Описание рыночной ситуации при помощи приращений котировок
Обобщение значений индикаторов технического анализа
Классификация рыночных ситуаций. Шаблон максимальной прибыли
Аппроксимация прогнозируемых величин. Сглаженный шаблон максимальной прибыли

Классификация рыночных ситуаций по достижимости значимых уровней.
Аппроксимация отношения текущего положения цены к коридору будущих цен
Нейросетевой индикатор для прогнозирования рынка евро/доллар

Классификация рыночных ситуаций
Оценка положения текущей цены в коридоре будущих котировок
Оценка достижимости ценой значимых уровней
Прогнозирование максимального и минимального уровней цены на один период вперед
Выводы

Концептуальная схема системы прогнозирования
Заключение
Список использованных источников
Приложения

Data Mining

В прошлом процесс добычи золота в горной промышленности состоял из выбора участка земли и дальнейшего ее просеивания большое количество раз. Иногда искатель находил несколько ценных самородков или мог натолкнуться на золотоносную жилу, но в большинстве случаев он вообще ничего не находил и шел дальше к другому многообещающему месту или же вовсе бросал добывать золото, считая это занятие напрасной тратой времени.
Сегодня появились новые научные методы и специализированные инструменты, сделавшие горную промышленность намного более точной и производительной. Data Mining для данных развилась почти таким же способом. Старые методы, применявшиеся математиками и статистиками, отнимали много времени, чтобы в результате получить конструктивную и полезную информацию.
Сегодня на рынке представлено множество инструментов, включающих различные методы, которые делают Data Mining прибыльным делом, все более доступным для большинства компаний.
Термин Data Mining получил свое название из двух понятий: поиска ценной информации в большой базе данных (data) и добычи горной руды (mining). Оба процесса требуют или просеивания огромного количества сырого материала, или разумного исследования и поиска искомых ценностей.

Что такое Data Mining?
Базы данных. Основные положения
Классификация методов Data Mining
Классификация задач Data Mining

Классификация и кластеризация
Методы прогнозирования
Банковское дело
нализ данных в Microsoft Excel
Алгоритм CART

Байесовская фильтрация по словам
Архитектура нейронных сетей
Карты входов
Иерархические методы
Алгоритм BIRCH

AprioriHybrid
Качество визуализации
Хранилища данных
Определение и анализ требований к данным

Инструменты очистки данных
Построение модели
Человеческие факторы. Роли в Data Mining
Классификация инструментов Data Mining
Гибкость благодаря открытости и расширяемости

Алгоритмы ассоциации
Особенности методологии моделирования с применением Cognos 4Thought
Алгоритмы кластеризации
Инструмент KXEN
Data Mining консалтинг

Содержание раздела

---