Прогнозирование финансовых временных рядов с использованием нейронных сетей

Abstract

Разработан подход к проблеме прогнозирования, в основе которого лежат нейросетевые методы. Они отличаются своей способностью устанавливать нелинейные связи между будущими и фактическими значениями и хорошей масштабируемостью. В работе была определена архитектура нейронной сети и оптимизированы параметры сети. Используя многослойный персептрон и алгоритм обучения BFGS, в среде STATISTICA 10.0 были построены нейронные сети, позволяющие получить краткосрочные прогнозы котировок ценных бумаг на фондовом рынке для задач регрессии и классификации.

In this paper, to solve the problem of predicting financial time series, neural network methods are considered, which differ from other models in their ability to establish non-linear relationships between future and actual values and good scalability. A neural network should be optimal in terms of internal structure, a way to control information flows between neurons. Using a multilayer perceptron and BFGS learning algorithm, neural networks were constructed in the STATISTICA 10.0 environment, allowing to obtain short-term forecasts of stock quotes on the stock market for tasks of regression and classification.