Прогнозирование курса валюты на основе нейронных сетей

Размещено на http://www.allbest.ru/

Стерлитамакский филиал Башкирского государственного университета

Прогнозирование курса валюты на основе нейронных сетей

Баранова Мария Андреевна, студент

Галиаскарова Гузелия Рафкатовна,

кандидат наук, доцент, доцент

В статье рассматривается метод прогнозирования валютного курса EUR/USD, основанный на использовании многослойной нейронной сети, реализованной в программной среде приложения Deductor Studio.

В настоящее время для российского бизнеса весьма актуальна проблема выбора методов и инструментов экономического прогнозирования. Прогнозирование необходимо во всех сферах управления и на любых уровнях деятельности. экономический прогнозирование валютный курс

Задача прогнозирования динамики индекса курсов доллара США и евро как всемирных эквивалентов является - актуальной. Изменения валютных курсов очень сложно предсказать в связи с их зависимостью от политической, экономической обстановки в стране и в мире.

Несмотря на определённое количество существующих методик прогнозирования, аналитический инструментарий и разнообразные программные продукты, немногие из них способны предоставить исследователю адекватное решение проблемы.

Существенное преимущество перед многими методиками, на сегодняшний день имеют нейронные сети. Искусственные нейронные сети - это математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма.

Нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединений которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, необходимо выбрать, каким образом следует соединять нейроны друг с другом, и соответствующим образом подобрать значения весовых параметров на этих связях. Может ли влиять один элемент на другой, зависит от установленных соединений. Вес соединения определяет силу влияния.

Нейросетевое моделирование в чистом виде базируется лишь на данных, не привлекая никаких априорных соображений. В этом его достоинство и одновременно - его недостаток. Имеющихся данных может не хватить для обучения, размерность потенциальных входов может оказаться слишком велика. Поэтому для качественного прогноза необходимо пользоваться, во-первых, качественно подготовленными данными, а во-вторых, нейросетями с повышенной сложностью, способными адекватно моделировать целевые зависимости в реальных задачах.

Искусственные нейронные сети, представляют собой систему соединённых и взаимодействующих между собой простых искусственных нейронов. Каждый нейрон такой сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим нейронам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые нейроны вместе способны выполнять довольно сложные задачи.

Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие.

Нейронные сети способны к адаптивному обучению путём реакции на положительные и отрицательные воздействия. Они показывают хорошие результаты при решении неформализованных или плохо формализованных процессов, обладают устойчивостью к частым изменениям среды [1, 2].

С помощью нейронных сетей, проведем прогнозирование валютного курса EUR/USD в программе Deductor Studio. Данное программное обеспечение позволяет на основе единой платформы осуществить все этапы прогнозирования от обработки данных до построения моделей и их визуализации.

В качестве входных параметров модели будем использовать данные котировок EURUSD в период с 20.07.2016 по 21.01.2017. Данные взяты с сайта http://www.finam.ru/. Задача будет состоять в том, что на основе имеющейся статистической информации, необходимо произвести прогноз EURUSD на 7 дней вперед. В таблице 1 частично представлены используемые входные параметры за рассматриваемый период.

Таблица 1

Исходные данные EURUSD с 20.07.2016 по 21.01.2017

Для более лучшей наглядности, представим изменения котировок EURUSD на рисунке 1.

Рисунок 1 Динамика изменений курса евро к доллару США

Перед тем как начать построение нейронной сети, обработаем входные данные в программе Deductor Studio. Далее перейдем к построению многослойной нейронной сети, обучающейся на основе метода обратного распространения ошибки. Данный метод является итеративным градиентным алгоритмом обучения, который используется с целью минимизации ошибки работы многослойного персептрона и получения желаемого выхода.

В ходе построения нейронной сети, исходное множество было разбито случайным образом на два подмножества, обучающееся и тестовое, где обучающее множество составляет 85% от исходного, а тестовое множество - 15% от сходного. В качестве активационной функции была выбрана сигмоида. Крутизна сигмоиды равна единице. Обучение нейронной сети производилось в режиме реального времени. В качестве параметров обучения выбрана скорость обучения - 0.1, и момент обучения - 0.9. В качестве остановки обучения нейронной сети использовалось условие распознания примера (если ошибка меньше 0.1) по достижению эпохи 10000.

В таблице 2 представим полученные прогнозные и реальные значения EURUSD за период с 22.01.17 по 28.01.17.

Таблица 2

Оценка прогнозных значений EURUSD с 22.01.17 по 28.01.17

Из таблицы 2 видно, что полученные прогнозные значения весьма приближены к реальным значениям. Максимальное расхождение заметно за 26.01.17 и 27.01.17. Вероятно, данное расхождение связано с резким снижением котировки с 25.01.17 по 26.01.17. Полученные результаты весьма доказывают важность прогнозирования валютного курса. Использование аналитической платформы Deductor Studio для прогнозирования котировок EURUSD можно признать оптимальным и эффективным.

Список литературы

1. Барский. А. Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. 175 с.

2. Еремин Д. М., Гарцеев И. Б. Искусственные нейронные сети в интеллектуальных системах управления. М.: МИРЭА, 2004. 75 с.

Размещено на Allbest.ru