शेयर बाजार की भविष्यवाणी तंत्रिका नेटवर्क का उपयोग करना

आधुनिक दुनिया में, वित्तीय बाजारों के गुणात्मक पूर्वानुमान में रुचि तेजी से बढ़ती जा रही है। यह उच्च प्रौद्योगिकियों के तेजी से विकास के कारण है और, तदनुसार, नए डेटा विश्लेषण टूल के आगमन के साथ। हालांकि, तकनीकी विश्लेषण जो कि अधिकांश बाजार सहभागियों को उपयोग करने के लिए उपयोग किया जाता है वह प्रभावी नहीं है। घातीय मूविंग एवरेज, ऑसिलेटर और अन्य संकेतकों के आधार पर पूर्वानुमान एक ठोस परिणाम नहीं देते हैं, क्योंकि अर्थव्यवस्था अक्सर तर्कहीन होती है क्योंकि यह लोगों के तर्कहीन प्रेरणाओं द्वारा संचालित होती है।

हाल के वर्षों में, तथाकथित कृत्रिम तंत्रिका नेटवर्क वित्तीय विश्लेषकों के लिए बहुत रुचि बन गए हैं - ये गणितीय मॉडल हैं, साथ ही साथ उनके सॉफ्टवेयर या हार्डवेयर कार्यान्वयन भी हैं, जो जैविक तंत्रिका नेटवर्क के संगठन और कामकाज के सिद्धांत पर बनाया गया है - एक जीववाद के तंत्रिका कोशिकाओं के नेटवर्क। यह अवधारणा सोच के दौरान मस्तिष्क में होने वाली प्रक्रियाओं का अध्ययन करते समय और इन प्रक्रियाओं को अनुकरण करने की कोशिश करते समय उत्पन्न हुई। इसके बाद, इन मॉडलों को व्यावहारिक उद्देश्यों के लिए इस्तेमाल किया जाना शुरू हुआ, एक नियम के रूप में, समस्याओं का पूर्वानुमान लगाने में।तंत्रिका नेटवर्क शब्द के सामान्य अर्थों में क्रमादेशित नहीं हैं, उन्हें प्रशिक्षित किया जाता है। सीखने की क्षमता पारंपरिक एल्गोरिदम पर तंत्रिका नेटवर्क के मुख्य लाभों में से एक है। तकनीकी रूप से, प्रशिक्षण में न्यूरॉन्स के बीच संबंध के गुणांक खोजने में शामिल हैं। सीखने की प्रक्रिया में, तंत्रिका नेटवर्क इनपुट और आउटपुट के बीच जटिल संबंधों की पहचान करने में सक्षम है, साथ ही सामान्यीकरण भी करता है। एक तंत्रिका नेटवर्क की भविष्यवाणी करने की क्षमता सीधे इनपुट और आउटपुट डेटा के बीच छिपे हुए संबंधों को सामान्य बनाने और उजागर करने की अपनी क्षमता से होती है। प्रशिक्षण के बाद, नेटवर्क कई पिछले मूल्यों और / या वर्तमान में मौजूद कुछ कारकों के आधार पर एक निश्चित अनुक्रम के भविष्य के मूल्य की भविष्यवाणी करने में सक्षम है। यह ध्यान दिया जाना चाहिए कि पूर्वानुमान केवल तभी संभव हैजब पिछले परिवर्तन वास्तव में पूर्व निर्धारित भविष्य वाले कुछ हद तक। उदाहरण के लिए, पिछले सप्ताह के उद्धरणों के आधार पर स्टॉक के उद्धरणों का पूर्वानुमान करना सफल हो सकता है, जबकि पिछले 50 वर्षों के आंकड़ों के आधार पर कल की लॉटरी के परिणामों का पूर्वानुमान लगाना निश्चित रूप से कोई परिणाम नहीं देगा।

आइए हम तंत्रिका नेटवर्क का उपयोग करके पूर्वानुमान पद्धति के आवेदन पर विचार करें। उदाहरण के लिए, MICEX इंडेक्स डेटा को 01.10.2008 से 04.03.2009 तक ले जाएं। कार्य यह है कि प्रस्तुत सांख्यिकीय जानकारी के आधार पर, 10 दिनों के लिए पूर्वानुमान करना आवश्यक है। जैसा कि ग्राफ (छवि 1) से देखा जा सकता है, 01.10.08 से 10.28.08 तक MICEX सूचकांक "सेंक" लगभग 534 अंक। इसके बाद अधिकतम 871 अंक की वृद्धि हुई। इसके अलावा, कुछ समय के लिए, बाजार एक बग़ल में चलन में था, फिर एक ऊपर की ओर प्रवृत्ति को रेखांकित किया गया था। इस उदाहरण में, हम एक चर के लिए एक पूर्वानुमान का निर्माण करेंगे (अन्य समान हैं), लेकिन चार चर में से एक का चयन करने के लिए जो हमें दूसरों की भविष्यवाणी करने में सबसे अधिक मदद करेगा, हम एक सहसंबंध मैट्रिक्स का निर्माण करेंगे।



इसलिए, जोड़ी सहसंबंधों (तालिका 1) का एक मैट्रिक्स बनाया गया है, हम निष्कर्ष निकालते हैं कि कम चर सबसे दृढ़ता से दूसरों के साथ संबंध रखता है। आइए इस चर के पूर्वानुमान पर एक नज़र डालें।



अनिवार्य रूप से गैर-रैखिक तंत्रिका नेटवर्क किसी भी आवधिकता या चक्रीयता की अनुपस्थिति या उपस्थिति के बावजूद, किसी भी डिग्री की सटीकता के साथ एक मनमाना निरंतर कार्य करने की अनुमति देता है। चूंकि समय श्रृंखला एक निरंतर कार्य है (वास्तव में, हम इस फ़ंक्शन का मूल्य केवल कुछ सीमित बिंदुओं में जानते हैं, लेकिन इसे आसानी से पूरे विचार अवधि के लिए लगातार जारी रखा जा सकता है), तंत्रिका नेटवर्क का उपयोग काफी न्यायसंगत और सही है।

हम STATISTICA पैकेज में विभिन्न विन्यास के एक हजार तंत्रिका नेटवर्क का निर्माण करेंगे, उन्हें प्रशिक्षित करेंगे, और फिर दस सर्वश्रेष्ठ का चयन करेंगे।

निर्माण नेटवर्क की प्रक्रिया की पहचान के परिणामस्वरूप, हमने निम्नलिखित परिणाम प्राप्त किए: चयनित नेटवर्क, जैसा कि आप देख सकते हैं, अलग-अलग कॉन्फ़िगरेशन (तालिका 2) हैं।



प्रशिक्षण के परिणामस्वरूप, एक तंत्रिका नेटवर्क पाया गया जो अच्छे प्रदर्शन (प्रतिगमन अनुपात: 0.253628, त्रुटि: 0.003302) के साथ मॉडल 7 (छवि 2) के अनुरूप था। यह देखना आसान है कि रेडियल बेसिस फंक्शन (आरबीएफ) आर्किटेक्चर के साथ नेटवर्क का प्रदर्शन मल्टीलेयर परसेप्ट्रॉन आर्किटेक्चर के साथ नेटवर्क के प्रदर्शन से औसतन खराब है। यह काफी हद तक इस तथ्य के कारण है कि आरबीएफ आर्किटेक्चर के साथ नेटवर्क खराब रूप से एक्सट्रपलेशन डेटा (यह छिपे हुए संरचना तत्वों की संतृप्ति के कारण है)। मॉडल 7 की संभावना का आकलन करने के लिए, हम आवृत्तियों (छवि 3) के एक हिस्टोग्राम का निर्माण करते हैं। यह हिस्टोग्राम अन्य मॉडलों की तुलना में सबसे अधिक सममित है। यह अवशेषों की सामान्यता के बारे में मानक मान्यताओं की पुष्टि करता है। इसलिए, मॉडल 7 इस समय श्रृंखला के लिए सबसे उपयुक्त है।



हम समय श्रृंखला की भविष्यवाणी करने के लिए एक प्रक्षेपण करते हैं। नतीजतन, हमारे पास एक पूर्वानुमान है (छवि 4, तालिका 3)। जैसा कि ग्राफ से देखा जा सकता है, तंत्रिका नेटवर्क ने प्रवृत्ति की दिशा का सही अनुमान लगाया। हालांकि, विश्लेषण की इस पद्धति से अधिक सटीक डेटा की आवश्यकता होती है, विशेष रूप से वैश्विक आर्थिक संकट के दौरान, कम से कम गलत है।



जैसा कि अपेक्षित था, तंत्रिका नेटवर्क ने एक अच्छा परिणाम दिया। यह काफी हद तक इस श्रृंखला की संरचना की जटिलता और अशुद्धता के कारण है, जबकि शास्त्रीय तरीकों को अधिक ध्यान देने योग्य और स्पष्ट संरचनात्मक कानूनों के साथ श्रृंखला में लागू करने के लिए डिज़ाइन किया गया है। लेकिन यहां तक ​​कि तंत्रिका नेटवर्क के सभी दृश्यमान सकारात्मक गुणों के बावजूद, आपको उन्हें "रामबाण" नहीं मानना ​​चाहिए। सबसे पहले, तंत्रिका नेटवर्क एक "ब्लैक बॉक्स" है, जो किसी श्रृंखला के सदस्यों के बीच निर्भरता के प्रकार को स्पष्ट रूप से निर्धारित करने की अनुमति नहीं देता है। इस प्रकार, एक विशिष्ट तंत्रिका नेटवर्क को केवल "कदम" के लिए कड़ाई से निश्चित संख्या पर पूर्वानुमान लगाने के लिए "सिखाया" जा सकता है (जिसे हम इस नेटवर्क के विनिर्देश में इंगित करते हैं), इसलिए, कार्य के प्रकार पर एक मजबूत निर्भरता है। दूसरे, स्पष्ट रैखिकता की उपस्थिति में, समस्या में संरचना की सरलता,तंत्रिका नेटवर्क को सामान्य बनाने की क्षमता शास्त्रीय तरीकों के संबंध में कमजोर है। यह सार में नेटवर्क की गैर-शुद्धता द्वारा समझाया गया है।

सामान्य मामले में, सबसे अच्छा परिणाम प्राप्त करने के लिए, सक्षम नेटवर्क प्रबंधन रणनीति के साथ युग्मित तंत्रिका नेटवर्क का उपयोग करना आवश्यक है।

---

प्रयुक्त साहित्य की सूची:

1. ई। ए। वुकोलोव सांख्यिकीय विश्लेषण की मूल बातें। फोरम पब्लिशिंग हाउस, मॉस्को
2008
2. वी। बोरोवनिकोव। सांख्यिकी: कंप्यूटर डेटा विश्लेषण की कला। 2003।
3. नेडोसकिन ए.ओ. स्टॉक निवेशों का फजी-एकाधिक जोखिम विश्लेषण। एड।
तिल, 2002
इससे पहले, लेख 2009 में वोल्गोग्राद स्टेट टेक्निकल यूनिवर्सिटी के तीसरे क्षेत्रीय वैज्ञानिक सम्मेलन (वॉल्यूम 3) की सामग्री में प्रकाशित किया गया था।

Source: https://habr.com/ru/post/hi396505/