|
||
1 |
Введение | |
2 |
Предварительная обработка входных данных | |
3 |
Таблица 1. Фрагмент входных данныхТаблица 2. Описательная статистика входных данныхОсновные модели глубоких нейронных сетей для моделирования финансовых временных рядовБазовая рекуррентная нейронная сеть | |
4 |
Рис. 1. Диаграмма рассеяния цен открытия и закрытияРис. 2. Распределение доходности цен закрытия | |
5 |
Таблица 3. Нормализованные исходные данные | |
6 |
Нейронная сеть с управляемым рекуррентным блокомНейронная сеть с управляемым рекуррентным блокомРис. 3. График функции потерь при обучении RNN | |
7 |
Рис. 4. Прогноз цены закрытия для последних 50 значений RNNНейронная сеть с долгой краткосрочной памятью LSTMНейронная сеть с долгой краткосрочной памятью LSTM | |
8 |
Рис. 5. График потерь GRUОбсуждение результатов компьютерных экспериментов | |
9 |
Рис. 6. Прогноз цены закрытия для всей тестовой выборки GRUРис. 7. Прогноз цены закрытия для последних 50 значений GRU | |
10 |
Рис. 8. График потерь LSTMЗаключение | |
11 |
Рис. 9. Прогноз цены закрытия для всей тестовой выборки LSTMРис. 10. Прогноз цены закрытия последних 50 значений LSTM | |
12 |
Рис. 11. График потерь различных моделей нейронный сетейЛитература |
1. Вандер Плас Дж. Python для сложных задач: наука о данных и машинное обучение. — СПб.: Питер, 2018. — 576 с.
2. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. — М.: ДМК-Пресс, 2017. — 652 с.
3. Коэльо Л.П., Ричарт В. Построение систем машинноrо обучения нa языке Python. — М.: ДМК Пресс, 2016. — 302 с.
4. Щетинин Е.Ю. О структурном подходе к управлению компанией с высокой изменчивостью показателей // Финансы и кредит. — 2006. — №14(218). — С. 39–41.
5. American Airlines Group Inc. (AAL). — Подробнее .
6. Brooks C. (2019). Introductory Econometrics for Finance. Cambridge: Cambridge University Press.
7. Hamilton J.D.A. (1994). The Time Series Analysis. Princeton, New Jersey: University Press.
8. Hyndman R.J., Athanasopoulos G. (2018). Forecasting: Principles and Practice. Melbourne: OTexts.
9. Keras. —Подробнее .