ценные бумаги / инвестиции

О книге: Несмотря на то что для моделирования прогнозов котировок ценных бумаг существует много эффективных методов, такое свойство моделей нейронных сетей, как универсальность, т.е. возможность их использования для всех типов ценных бумаг, определяет необходимость исследования в данной области. Автором представлена подробная схема работы модели нейронной сети обратного распространения. При обучении нейронной сети ставится задача минимизации целевой функции ошибки, которая находится по методу наименьших квадратов. Алгоритм обучения сети обратного распространения проходит в несколько этапов. В качестве образов для обучения нейронной сети используется выборка, состоящая из значений котировок ценных бумаг, различных числовых характеристик, влияющих на котировки ценных бумаг. Модификации алгоритма обратного распространения связаны с использованием различных функций ошибки, других активационных функций, различных процедур определения направления и величины шага. Для тестирования модели нейронной сети использовались котировки ценных бумаг ФБ «СПб. „Газпром“» за период с 11.01.2007 по 30.01.2007. Для проведения тестирования использовались программный продукт Neural Network Wizard и библиотека классов Neural Network Wizard для работы с моделями нейронных сетей, разработанные в среде программирования Delphi 7 компанией BaseGroup Labs. Для визуального отражения зависимостей реального значения и значения на выходе нейронной сети был использован пакет MathCad 2000. Полученные результаты показывают, что использование модели нейронных сетей повышает экономическую эффективность прогнозирования, при этом обеспечивается достоверность информации с определенной долей вероятности прогноза, необходимой для принятия обоснованных экономических решений.