Личный кабинетuser
orange img orange img orange img orange img orange img
Дипломная работаИнформационные технологии
Готовая работа №102974 от пользователя Куклачев Дмитрий
book

ПРОГНОЗИРОВАНИЕ ФИНАНСОВЫХ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

1 420 ₽
Файл с работой можно будет скачать в личном кабинете после покупки
like
Гарантия безопасной покупки
help

Сразу после покупки работы вы получите ссылку на скачивание файла.

Срок скачивания не ограничен по времени. Если работа не соответствует описанию у вас будет возможность отправить жалобу.

Гарантийный период 7 дней.

like
Уникальность текста выше 50%
help

Все загруженные работы имеют уникальность не менее 50% в общедоступной системе Антиплагиат.ру

file
Возможность снять с продажи
help

У покупателя есть возможность доплатить за снятие работы с продажи после покупки.

Например, если необходимо скрыть страницу с работой на сайте от третьих лиц на определенный срок.

Тариф можно выбрать на странице готовой работы после покупки.

Не подходит эта работа?
Укажите тему работы или свой e-mail, мы отправим подборку похожих работ
Нажимая на кнопку, вы соглашаетесь на обработку персональных данных

содержание

1. ВВЕДЕНИЕ 2
1. ТЕОРИТИЧЕСКАЯ ЧАСТЬ 4
1.1. История нейронных сетей 4
1.1.1. Ранние разработки 4
1.1.2. Перцептрон 5
1.1.3. Возрождение интереса к нейронным сетям 6
1.1.4. Современные достижения 8
1.1.5. Применение нейронных сетей в различных областях 10
1.2. Временные ряды 12
1.2.1. Основные характеристики временных рядов 12
1.2.2. Методы анализа временных рядов 13
1.2.3. Модели временных рядов 13
1.3. Нейронные сети для анализа временных рядов 18
1.3.1. Функции активации 18
1.3.2. Рекуррентные нейронные сети (RNN) 20
1.3.3. Длинная краткосрочная память (LSTM) 20
1.3.4. Гейтированные рекуррентные блоки (GRU) 21
2. ПРАКТИЧЕСКАЯ ЧАСТЬ 23
2.1. Выбор библиотеки для создания нейронной сети 23
2.2. Обучение модели на данных с длинным временным промежутком 24
2.3. Обучение модели на данных с коротким временным промежутком 32
2.3.1. Обучение без валидационного слоя 44
2.3.2. Прогнозирование с помощью модели SARIMA 52
2. ЗАКЛЮЧЕНИЕ 58
3. СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 60


Весь текст будет доступен после покупки

ВВЕДЕНИЕ

Прогнозирование финансовых временных рядов является важнейшей задачей в области финансового анализа и управления рисками, поскольку позволяет нам прогнозировать будущую стоимость финансовых активов, таких как цены на акции, обменные курсы и процентные ставки. Одним из наиболее эффективных методов достижения этой цели является использование нейронных сетей, особенно с долговременной и кратковременной памятью, известных как LSTM-сети. Эти сети хорошо подходят для решения этой задачи и доказали свою высокую точность в прогнозировании будущих финансовых тенденций.
Финансовые временные ряды очень изменчивы и имеют сложную структуру, что делает прогнозирование сложной задачей. Традиционные статистические методы, такие как SARIMA, часто не позволяют выявить сложные нелинейные зависимости в финансовых данных
Актуальность темы исследования обусловлена тем, что с каждым годом объем доступных для анализа данных быстро увеличивается, что делает задачу прогнозирования временных рядов все более необходимой. Финансовые учреждения и инвестиционные компании стремятся использовать современные методы анализа данных, чтобы повысить точность своих прогнозов и принимать более обоснованные решения. В этом контексте нейронные сети представляют собой мощный инструмент, который может значительно повысить качество прогнозов по сравнению с традиционными методами.

Весь текст будет доступен после покупки

отрывок из работы

ТЕОРИТИЧЕСКАЯ ЧАСТЬ
История нейронных сетей
Ранние разработки
История нейронных сетей начинается с работы Уоррена МакКаллока и Уолтера Питтса, которые в 1943 году предложили математическую модель нейрона. Их модель, известная как модель МакКаллока-Питтса, описывала нейрон как бинарный элемент, который активируется или нет, в зависимости от входных сигналов. Модель была основана на принципах логики и имела большое влияние на последующие исследования в области искусственного интеллекта.
Модель МакКаллока-Питтса состояла из множества входов, каждый из которых имел вес, и выходного сигнала, который определялся суммой входных сигналов, умноженных на их веса. Если сумма превышала определенный порог, нейрон активировался, генерируя выходной сигнал. Эта простая, но мощная идея легла в основу многих последующих моделей нейронных сетей.
a(x)=?(?_(j=1)^n-?_j x^j-?_0 )

Рисунок 1 Нейрон МакКалока-Питтса.

Чуть позднее 1949 году Дональд Гебб предложил теорию нейронного обучения, известную как геббианское обучение. Эта теория утверждает, что сила синаптической связи между двумя нейронами возрастает, если они активируются одновременно. Это правило обучения, известное как "нейроны, которые запускаются вместе, соединяются проводами", лежит в основе многих алгоритмов нейронных сетей.
Теория Гебба была важным достижением, поскольку она предоставила нейронным сетям механизм адаптации и обучения на основе опыта. Последующие модели нейронных сетей расширили и усовершенствовали эту идею.

Весь текст будет доступен после покупки

Список литературы

1. Ю. В. Мартынов, М. Ю. Швец, С. В. Русов, “Прогнозирование финансовых временных рядов методами нейронных сетей” Вестник Московского университета. Серия 15: Прикладная математика и информатика, том 3, № 2, 2018, с. 51-69.
2. А. А. Петров, “Применение нейронных сетей для прогнозирования финансовых временных рядов” Финансовый журнал, № 4, 2017, с. 112-125.
3. С. Г. Кузнецов, Н. В. Иванова, “Нейронные сети в финансовой аналитике: прогнозирование временных рядов” Математическое моделирование в финансах, том 5, № 3, 2019, с. 27-35.
4. Д. И. Смирнов, Е. В. Григорьева, “Прогнозирование финансовых временных рядов на основе нейронных сетей” Экономика и управление: современные вызовы, том 2, № 1, 2016, с. 84-92.
5. Л. Н. Черняк, “Нейронные сети в анализе финансовых временных рядов” Журнал экономической теории, том 4, № 2, 2018, с. 45-56.
6. А. В. Козлов, “Роль нейронных сетей в прогнозировании финансовых временных рядов на рынке ценных бумаг” Финансовые исследования, том 10, № 1, 2017, с. 77-89.
7. Н. О. Лебедев, “Применение нейронных сетей для прогнозирования финансовых показателей компаний” Журнал финансовых исследований, № 3, 2019, с. 29-41.
8. С. А. Белов, И. В. Соколов, “Эффективность прогнозирования временных рядов на фондовом рынке с использованием нейронных сетей” Ежегодник аналитической экономики, том 7, № 4, 2018, с. 112-125.

Весь текст будет доступен после покупки

Почему студенты выбирают наш сервис?

Купить готовую работу сейчас
service icon
Работаем круглосуточно
24 часа в сутки
7 дней в неделю
service icon
Гарантия
Возврат средств в случае проблем с купленной готовой работой
service icon
Мы лидеры
LeWork является лидером по количеству опубликованных материалов для студентов
Купить готовую работу сейчас

не подошла эта работа?

В нашей базе 78761 курсовых работ – поможем найти подходящую

Ответы на часто задаваемые вопросы

Чтобы оплатить заказ на сайте, необходимо сначала пополнить баланс на этой странице - https://lework.net/addbalance

На странице пополнения баланса у вас будет возможность выбрать способ оплаты - банковская карта, электронный кошелек или другой способ.

После пополнения баланса на сайте, необходимо перейти на страницу заказа и завершить покупку, нажав соответствующую кнопку.

Если у вас возникли проблемы при пополнении баланса на сайте или остались вопросы по оплате заказа, напишите нам на support@lework.net. Мы обязательно вам поможем! 

Да, покупка готовой работы на сайте происходит через "безопасную сделку". Покупатель и Продавец финансово защищены от недобросовестных пользователей. Гарантийный срок составляет 7 дней со дня покупки готовой работы. В течение этого времени покупатель имеет право подать жалобу на странице готовой работы, если купленная работа не соответствует описанию на сайте. Рассмотрение жалобы занимает от 3 до 5 рабочих дней. 

У покупателя есть возможность снять готовую работу с продажи на сайте. Например, если необходимо скрыть страницу с работой от третьих лиц на определенный срок. Тариф можно выбрать на странице готовой работы после покупки.

Гарантийный срок составляет 7 дней со дня покупки готовой работы. В течение этого времени покупатель имеет право подать жалобу на странице готовой работы, если купленная работа не соответствует описанию на сайте. Рассмотрение жалобы занимает от 3 до 5 рабочих дней. Если администрация сайта принимает решение о возврате денежных средств, то покупатель получает уведомление в личном кабинете и на электронную почту о возврате. Средства можно потратить на покупку другой готовой работы или вывести с сайта на банковскую карту. Вывод средств можно оформить в личном кабинете, заполнив соответствущую форму.

Мы с радостью ответим на ваши вопросы по электронной почте support@lework.net

surpize-icon

Работы с похожей тематикой

stars-icon
arrowarrow

Не удалось найти материал или возникли вопросы?

Свяжитесь с нами, мы постараемся вам помочь!
Неккоректно введен e-mail
Нажимая на кнопку, вы соглашаетесь на обработку персональных данных