содержание
ВВЕДЕНИЕ 2
ГЛАВА 1 ПРЕДМЕТНАЯ ОБЛАСТЬ И РАЗБОР ОСНОВНЫХ ПОДХОДОВ К ПРОГНОЗИРОВАНИЮ АКЦИЙ И МАШИННОМУ ОБУЧЕНИЮ 7
1.1 Проблема предметной области 7
1.2 Описание решений с помощью машинного обучения 8
1.2.1 Линейная регрессия 8
1.2.2 Логистическая регрессия 9
1.2.3 Метод опорных векторов (SVM) 10
1.2.4 Методы деревьев решений 11
1.2.5 Методы случайных лесов 13
1.2.6 Методы градиентного бустинга 14
1.2.7 Нейронные сети 15
ГЛАВА 2 РАЗРАБОТКА И ОПТИМИЗАЦИЯ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНОВОЙ ДИНАМИКИ АКЦИЙ 17
2.1 Программная реализация 17
2.2 Используемые в исследовании данные 18
2.3 Проектирование диаграмм активностей 25
2.4 Методы настройки гиперпараметров моделей машинного обучения для достижения лучшего качества прогнозирования 27
2.4.1 Поиск по сетке 27
2.4.2 Случайный поиск 28
2.4.3 Оптимизация методом Байеса 29
2.4.4 Оптимизация методом градиентного бустинга 29
2.5 Конструирование количественных моделей и алгоритмических решений для осуществления прогнозов акций 30
2.5.1 Модель случайных лесов 30
2.5.2 Модель линейной регрессии 31
2.5.3 Модель SVM с линейным ядром 33
2.5.4 Модель градиентного бустинга 34
2.5.5 Модель нейронной сети (adam) 35
2.5.6 Модель нейронной сети (RMSProp) 37
ГЛАВА 3 АНАЛИЗ ЭФФЕКТИВНОСТИ ПРОГНОЗНЫХ МОДЕЛЕЙ И ПОТЕНЦИАЛЬНЫХ ОГРАНИЧЕНИЙ МАШИННОГО ОБУЧЕНИЯ В ПРЕДСКАЗАНИИ ДИНАМИКИ АКЦИЙ 39
ЗАКЛЮЧЕНИЕ 44
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 46
ПРИЛОЖЕНИЕ А 49
ГЛАВА 1 ПРЕДМЕТНАЯ ОБЛАСТЬ И РАЗБОР ОСНОВНЫХ ПОДХОДОВ К ПРОГНОЗИРОВАНИЮ АКЦИЙ И МАШИННОМУ ОБУЧЕНИЮ 7
1.1 Проблема предметной области 7
1.2 Описание решений с помощью машинного обучения 8
1.2.1 Линейная регрессия 8
1.2.2 Логистическая регрессия 9
1.2.3 Метод опорных векторов (SVM) 10
1.2.4 Методы деревьев решений 11
1.2.5 Методы случайных лесов 13
1.2.6 Методы градиентного бустинга 14
1.2.7 Нейронные сети 15
ГЛАВА 2 РАЗРАБОТКА И ОПТИМИЗАЦИЯ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНОВОЙ ДИНАМИКИ АКЦИЙ 17
2.1 Программная реализация 17
2.2 Используемые в исследовании данные 18
2.3 Проектирование диаграмм активностей 25
2.4 Методы настройки гиперпараметров моделей машинного обучения для достижения лучшего качества прогнозирования 27
2.4.1 Поиск по сетке 27
2.4.2 Случайный поиск 28
2.4.3 Оптимизация методом Байеса 29
2.4.4 Оптимизация методом градиентного бустинга 29
2.5 Конструирование количественных моделей и алгоритмических решений для осуществления прогнозов акций 30
2.5.1 Модель случайных лесов 30
2.5.2 Модель линейной регрессии 31
2.5.3 Модель SVM с линейным ядром 33
2.5.4 Модель градиентного бустинга 34
2.5.5 Модель нейронной сети (adam) 35
2.5.6 Модель нейронной сети (RMSProp) 37
ГЛАВА 3 АНАЛИЗ ЭФФЕКТИВНОСТИ ПРОГНОЗНЫХ МОДЕЛЕЙ И ПОТЕНЦИАЛЬНЫХ ОГРАНИЧЕНИЙ МАШИННОГО ОБУЧЕНИЯ В ПРЕДСКАЗАНИИ ДИНАМИКИ АКЦИЙ 39
ЗАКЛЮЧЕНИЕ 44
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 46
ПРИЛОЖЕНИЕ А 49
Весь текст будет доступен после покупки
Показать еще текст
