Predykcja indeksu NIKKEIza pomocą sieci neuronowych

część 2

Plan

Dane do naukiWybrane dane ucząceArchitektura sieciWynikiSP500 zamiast NSDQ100Uwzględnienie ‘krótkiej’ historiiPredykcja zmiany wartościKonkluzje

Dane do naukiwartości O,C,H,L indeksów giełdowychprocentowe zmiany wartości indeksu w ciągu 1,5,10,20 dniśrednie kroczące wartości indeksu z okresów 5,10,20 dnioscylatory: MACD, Williams, 2 średniesygnały generowane przez formacje i oscylatory

Wybrane dane historyczne

Wybrane dane historyczne

T0: wartość otwarcia, zamknięcia i minimalna, średnia krocząca z 20 dniT-1, T-2, T-3, T-4: wartość zamknięcia i minimalna, średnia krocząca z 20 dniT-5: wartość minimalna, średnia krocząca z 5 i 20 dni

Wybrane dane z giełd

Wybrane dane z giełd

NSDQ100, DAX: wartość otwarcia, zamknięcia, minimalna i maksymalna, średnia z 5, 10, 20 dniJako dane analizy technicznej dla NIKK255: wartość zamknięcia, typ formacji, MACD, linia sygnału MACD, Williams, sygnały 3 oscylatorów

Architektura sieci

Różne typy zmiennych wejściowych nie mieszają się we wstępnym przetwarzaniu – odseparowane regionyW nauce biorą udział jedynie wybrane zmienneWyniki pośrednie analizuje wspólny fragment sieci, określając prognozę

Architektura sieci

Wybrane dane z 6 dni historii

Wybrane dane z 2 giełd

Dane analizy technicznej z

prognozowanej giełdy

prognoza

Architektura sieci

Wybrane dane z 6 dni historii

Wspólna sieć neuronowa

Wybrane dane z 2 giełd

Region 2 giełd

Dane analizy technicznej z prognozowanej giełdy

Region analizy technicznej

prognoza

Architektura sieci

Moduły wstępne z jedną warstwą ukrytąModuł główny z dwiema warstwami ukrytymiRezultat: średni błąd 0.27%, min 0.001%, max 1.65%Średnia zmienność prognozowanej giełdy: 0.96% (max 13.23%)

Wyniki – wykres błędów [%]

Wyniki – skumulowane błędy [%]

Eksperymenty:I) S&P500 zamiast NSDQ100II) Predykcja zmiany wartościIII) Uwzględnienie ‘krótkiej’ historiiS&P500 zamiast NSDQ100: średni błąd 0.47%Prognoza zmiany indeksu: średni błąd 0.66%Historia 6 dni: średni błąd 4.7%Historia 3 dni: średni błąd 3.54%

Predykcja zmiany wartości - dane

KonkluzjeOptymalność obecnej metody nauki i testówOptymalność obecnej architekturyKonieczność uproszczenia reguł (wymiaru problemu)Konieczność uwzględnienia zmienności zależności na giełdzieKonieczność opracowania obiektywnego testu – generalizacja vs specjalizacja

Konkluzje z konkluzjiNauka na szerszej gamie giełd w celu wychwycenia podstawowych zależnościAgresywne zmniejszanie liczby zmiennych w wektorze uczącymDouczanie na podstawie niedawnej historii docelowej giełdy

Dziękuję za uwagę