Utilisation de réseaux neuronaux récurrents à la prévision de Forex Cet article rapporte des preuves empiriques qu'un modèle de réseaux neuronaux est applicable à la prédiction statistiquement fiable des taux de change. Les séries temporelles et les indicateurs techniques tels que la moyenne mobile sont alimentés par les réseaux neuronaux pour saisir les règles sous-jacentes du mouvement des taux de change. Les réseaux neuronaux récurrents formés prévoient les taux de change entre le dollar américain et quatre autres principales devises, le yen japonais, le franc suisse, la livre sterling et l'euro. Diverses estimations statistiques de la qualité des prévisions ont été effectuées. Les résultats obtenus montrent que les réseaux neuronaux sont capables de donner des prévisions avec un coefficient de détermination multiple pas plus mauvais que 0,65. Le prétraitement des données statistiques linéaires et non linéaires, tel que le test de Kolmogorov-Smirnov et les exposants de Hurst pour chaque monnaie, ont été calculés et analysés. Mots-clés: Réseaux de neurones, Taux de change, Tests statistiques, Hurst Exponent, Théorie des systèmes complexes Le Forex est le plus important et le plus liquide des marchés financiers, avec environ 1 billion d'échanges quotidiens. Il mène à l'intérêt sérieux pour ce secteur de la finance et indique clairement que pour diverses raisons tout commerçant sur le Forex souhaitent avoir une prévision précise du taux de change. La plupart des commerçants utilisent à la mode ancienne méthode traditionnelle de prévision comme l'analyse technique avec la combinaison d'une fondamentale. Dans cet article, nous développons une approche par réseaux neuronaux pour l'analyse et la prévision de séries temporelles financières basées non seulement sur la technologie des réseaux neuronaux mais aussi sur un paradigme de la théorie des systèmes complexes et son applicabilité à l'analyse de divers marchés financiers (Mantegna et al. ) Et, en particulier, au Forex. En choisissant l'architecture du réseau neuronal et la stratégie de prévision, nous avons procédé au prétraitement des données sur la base de quelques méthodes d'analyse statistique ordinaire et de théorie des systèmes complexes: RS-analyse, méthodes de dynamique non linéaire et chaotique (Mantegna et al. ). Dans le présent article, nous ne les décrivons pas tous. Nous présentons ici seulement les résultats du test de Kolmogorov-Smirnov et les résultats de l'analyse RS. Cependant, nous soulignons que l'analyse préliminaire a permis d'optimiser les paramètres du réseau neuronal, de déterminer l'horizon de prévisibilité et d'effectuer la comparaison de la qualité de prévision des différentes monnaies. Nous présentons ci-dessous quelques remarques concernant les avantages de la technologie des réseaux neuronaux par rapport aux méthodes traditionnelles et comparons notre approche avec les méthodes d'autres auteurs Premièrement, l'analyse des réseaux neuronaux ne présume aucune limitation du type d'information d'entrée comme le fait l'analyse technique. Il pourrait être comme des indicateurs de séries chronologiques, comme des informations sur le comportement d'un autre instrument financier. Ce n'est pas sans fondement que les réseaux de neurones sont utilisés exactement par des investisseurs institutionnels (fonds de pension par exemple), qui s'occupent de grands portefeuilles et pour lesquels les corrélations entre les différents marchés sont essentielles. Deuxièmement, contrairement à l'analyse technique, qui est basée sur des recommandations communes, les réseaux de neurones sont capables de trouver optimal, pour un instrument financier donné, les indicateurs et construire optimal, pour des séries chronologiques données, la stratégie de prévision. Rappelons que dans la présente étude, nous avons prévu les taux de change de seulement certaines devises sur le marché Forex. Comme devises à traiter, nous avons choisi British Pound, Swiss Frank, EURO et Yen japonais. Ce qui motive ce choix: pratiquement tous les principaux volumes d'opérations sur le Forex sont effectués avec ces devises. Notons qu'il a été publié beaucoup de documents, où des problèmes similaires ont été étudiés. (Jingtao Yao et al, 2000, Castiglione, 2001, Kuperin et al., 2001, Lee et al., 1997, Tino et al., 2001, McCluskey, 1993). Examinons brièvement les résultats de certains d'entre eux. Dans (Castiglione, 2001) on a étudié le problème du signe de la prévision des augmentations de prix. Comme données analysées ont été prises des indices comme SampP500, Nasdaq100 et Dow Jones. A été pris perceptrons multicouches de configurations différentes, avec un nombre différent de neurones cachés. En conséquence, on a montré une possibilité de prévoir le signe d'incréments de prix avec une probabilité légèrement supérieure à 50, c'est-à-dire un peu mieux qu'un simple lancer de pièces. Nous supposons que ce type de résultats n'est pas pertinent du point de vue pratique et a un intérêt académique. Prédiction du Forex Cet exemple est très similaire au précédent. La seule différence est qu'il montre des données pour les devises (forex) paires de devises. Comment travailler avec l'applet Si vous n'avez pas vu le premier exemple. Veuillez l'explorer en premier - la description de base est disponible là. Dans cette applet, les données suivantes sont disponibles. Toutes sont des valeurs de clôture de fin de journée pour l'ensemble de l'année 2007, soit 313 valeurs. Comme dans l'applet précédente, chacune de ces séries chronologiques a les valeurs suivantes: zéro pour l'intervalle inférieur à 0, valeur de fermeture dans l'intervalle 0-nombre de valeurs et encore zéro après la dernière valeur connue. EURUSD - EUR USD données sur les paires de devises USDJPY - EUR USD données sur les paires de devises USDCHF - EUR USD données de paires de devises sur devises EURJPY - EUR USD devises de devises étrangères Veuillez noter que cet exemple est fourni uniquement à des fins d'illustration. Trading en utilisant cette configuration simple n'est généralement pas loin d'utiliser la prédiction par la dernière valeur disponible. Notez également que pour la négociation, nous devons élaborer des règles d'entrée et de sortie, et qu'elles sont plus importantes que la prédiction exacte. Veuillez patienter jusqu'à ce que l'applet soit chargé. Applet et description (c) Marek Obitko, 2008 le réseau de neurones dans l'applet utilise les classes Java BPNeuron et BPNet de NeuralWebspace, (c) Tom Vehovsk, 1998, qui ont été modifiés aux fins de cette applet. Welcome à la source la plus précise pour Forex Market Predictions Prévision sans effort des tendances Forex avec la plus grande précision sur le marché. Forex-Forecasting utilise l'intelligence artificielle basée sur la technologie des réseaux neuronaux, des méthodes statistiques avancées et l'analyse non périodique des vagues. Cette technologie innovante est maintenant disponible pour vous, le trader, avec: Prévisions quotidiennes et intra-day du marché Forex avec prise en charge interfaces Web simples et conviviales Des méthodes mathématiques éprouvées basées sur la technologie des réseaux neuronaux avancés Modules téléchargeables pour les logiciels tiers MetaStock, Metatrader et autres) Essayez-le maintenant gratuitement (offre à durée limitée). Obtenez une chance d'augmenter votre profit. Real-time Test - EURUSD 1 Hour Prediction
No comments:
Post a Comment