Поиск

Полнотекстовый поиск:
Где искать:
везде
только в названии
только в тексте
Выводить:
описание
слова в тексте
только заголовок

Рекомендуем ознакомиться

'Документ'
1. Цели и задачи 1.1. Популяризация альпинизма и активного образ жизни.1.2. Повышение физической и технической подготовленности спортсменов в межсезон...полностью>>
'Анкета'
В таблице «Сведения о близких родственниках» указать всех родственников (мать, отец, муж/жена, родные братья, сестры, дети), включая умерших/погибших ...полностью>>
'Документ'
- проживание в отелях -3-4*, - питание – завтраки или завтраки+ужины, - экскурсии с гидом по программе, - страховка, - трансферы по программе, - сопро...полностью>>

Главная > Программа дисциплины

Сохрани ссылку в одной из сетей:
Информация о документе
Дата добавления:
Размер:
Доступные форматы для скачивания:

Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Нейронные сети и генетические алгоритмы в прогнозировании

финансовых рынков»

для направления 080100.68 «Экономика» подготовки магистра

  1. Область применения и нормативные ссылки

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности.

Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов 3 курса направления 080100.62«Экономика», изучающих дисциплину «Нейронные сети и генетические алгоритмы в прогнозировании финансовых рынков»

Программа разработана в соответствии с:

Стандартом НИУ ВШЭ;

Образовательными программами подготовки магистров по направлению 080100.62 «Экономика»

Рабочим учебным планом университета подготовки магистров по направлению подготовки 080100.62 «Экономика», утвержденным в 2012г.

  1. Цели освоения дисциплины

Целью изучение дисциплины «Нейронные сети и генетические алгоритмы в прогнозировании финансовых рынков» является ознакомить слушателей с основами прогнозирования фондового и других финансовых рынков с помощью искусственных нейронных сетей.

Задачи дисциплины:

  • Проследить логику применения искусственных нейронных сетей в финансовом моделировании и прогнозировании

  • Ознакомить слушателей с основными типами искусственных нейронных сетей, их отличием от биологических нейронных сетей

  • Ознакомить слушателей с принципами построения искусственных нейронных сетей и их обучения

  • Показать возможность построения торговых стратегий для фондового рынка с помощью искусственных нейронных сетей

  1. Компетенции обучающегося, формируемые в результате освоения дисциплины

В результате освоения дисциплины студент должен:

  • Знать основные типы искусственных нейронных сетей и принципы их построения

  • Уметь строить торговые стратегии с использованием искусственных нейронных сетей для прогнозирования фондового и других финансовых рынков

  • Понимать логическую связь между биологическими и искусственными нейронными сетями

В результате освоения дисциплины студент осваивает следующие компетенции:

Компетенция

Код по ФГОС/ НИУ

Дескрипторы – основные признаки освоения (показатели достижения результата)

Формы и методы обучения, способствующие формированию и развитию компетенции

Способен совершенствовать и развивать свой интеллектуальный и культурный уровень, строить траекторию профессионального развития и карьеры

СК-М4

Использует полученные знания в своей работе, либо сфере деятельности, которой планирует заниматься после окончания НИУ ВШЭ

Включение в курс наиболее актуальных и часто используемых профессионалами финансового рынка теорий, моделей и практических наработок

Способен к самостоятельному освоению новых методов исследования, изменению научного и научно-производственного профиля своей деятельности

СК-М3

Воспроизводит модели, которые были объяснены в рамках курса и выполняет свои собственные практические исследования

Самостоятельные домашние задания после каждой лекции (семинара) на основе рассказанного материала

  1. Место дисциплины в структуре образовательной программы

Настоящая дисциплина относится к циклу специальных дисциплин и блоку дисциплин, обеспечивающих профессиональную подготовку.

Для специализаций факультета МЭиМП настоящая дисциплина является факультативной.

Изучение данной дисциплины базируется на следующих дисциплинах:

Дисциплины, читаемые кафедрой международных валютно-финансовых отношений факультета МЭиМП

Для освоения учебной дисциплины, студенты должны владеть следующими знаниями и компетенциями:

Знание английского языка на уровне, позволяющем читать научные статьи в оригинале (включая специфическую математическую и финансовую лексику)

Знания математического анализа, линейной алгебры и эконометрики (на уровне базовых университетских курсов)

Базовые знания о финансовых рынках

Желательно – навыки работы в программе MathCAD

Основные положения дисциплины должны быть использованы в дальнейшем при изучении следующих дисциплин:

Дисциплины, читаемые кафедрой международных валютно-финансовых отношений факультета МЭиМП

  1. Тематический план учебной дисциплины

Название раздела

Всего часов

Аудиторные часы

Самостоя­тельная работа

Лекции

Семинары

Практические занятия

1

Введение в искусственные нейронные сети. Сеть прямого прохода.

10

2

2

6

2

Методы предварительной обработки данных для искусственных нейронных сетей

14

4

4

6

3

Сеть Левенберга-Марквардта

14

4

4

8

4

Сеть Хакена

14

4

4

6

5

Стохастические методы обучения искусственных нейронных сетей

12

2

2

8

6

Карты самоорганизации

18

4

4

10

7

Генетические алгоритмы обучения искусственных нейронных сетей

12

2

2

8

8

Роевые механизмы обучения искусственных нейронных сетей

12

2

2

8

Итого:

108

24

24

60

  1. Формы контроля знаний студентов

Тип контроля

Форма контроля

2 год

Параметры **

2

3

Итоговый

Зачет

*

    1. Критерии оценки знаний, навыков


Оценка знаний и навыков производиться по следующим критериям:

- понимание рассматриваемых в рамках дисциплины моделей на теоретическом уровне

- способность самостоятельного практического построения рассматриваемых в рамках дисциплины моделей

-возможность достройки и доработки рассматриваемых в рамках дисциплины моделей

- использование рассматриваемых в рамках дисциплины моделей в дальнейших исследованиях, а также в смежных дисциплинах

    1. Порядок формирования оценок по дисциплине

Результирующая оценка за итоговый контроль в форме зачета выставляется по следующей формуле:

О итоговый = 0,3* О семинары + 0,7*О зачет

где О семинары– оценка за работу на семинарах, О зачет – оценка за зачет

Способ округления итоговой оценки в пользу студента.


7 Содержание дисциплины

Тема 1. Введение в искусственные нейронные сети. Сеть прямого прохода.

Биологические нейронные сети. Классификация нейронных сетей и принципы построения. Применение нейронных сетей в различных областях. Сеть прямого прохода. Принципы программирования искусственных нейронных сетей в программе MathCAD. Прогнозирование макроэкономической динамики с помощью сети прямого прохода. Сеть прямого прохода Прогнозирование макроэкономической динамики с помощью сети прямого прохода.

Основная литература:

  • БУ 1, глава 1
  • БУ 2, глава 2

Дополнительная литература.

  • Qin M. Predicting US recessions with leading indicators via neural network models// International Journal of Forecasting 17 (2001), p. 383–401

Тема 2. Методы предварительной обработки данных для искусственных нейронных сетей

Метод главных компонент и метод независимых компонент как инструмент обработки данных и прогнозирования различных временных рядов. Сравнение эффективности прогнозирования рыночной динамики с помощью метода главных компонент и метода независимых компонент. Применение метода главных компонент и метода независимых компонент в качестве инструмента снижения размерности входных данных для искусственных нейронных сетей.

Основная литература:

  • БУ 1, глава 8, 10
  • БУ 3, глава 8

  • БУ 4, глава 7

Дополнительная литература:

  • Back A.D., Weigend A.S. A First Application of Independent Component Analysis to Extracting Structure from Stock Returns// International Journal of Neural Systems, Vol. 8, No.5 (October, 1997).

  • Baek K., Draper B.F., J., Beveridge R., She K. PCA vs. ICA: A comparison on the FERET data set// Colorado University

  • Hyvärinen A., Oja E. Independent Component Analysis: Algorithms and Applications//Neural Networks, 13(4-5):411-430, 2000.

  • Lu C.-J., Le T.-S., Chiu C.-C. Financial time series forecasting using independent component analysis and support vector regression//Decision Support Systems 47 (2009) 115–125.

Тема 3. Сеть Левенберга-Марквардта

Построение сети, обученной по общему генерализованному методу распространения ошибки (сети Левенберга-Марквардта). Применение метода главных компонент и метода независимых компонент в качестве инструмента предварительной обработки входных данных для сети Левенберга-Марквардта. Прогнозирование фондового рынка с помощью сети Левенберга-Марквардта.

Обязательная литература:

  • БУ 3, глава 7

Дополнительная литература.

  • Хакен Г. Принципы работы головного мозга: Синергетический подход к работе мозга, поведению и когнитивной деятельности. – М.: ПЭР СЭ, 2001 – 351 с.

Тема 4. Сеть Хакена

Построение синергетической сети Германа Хакена. Применение метода главных компонент и метода независимых компонент в качестве инструмента предварительной обработки входных данных для сети Хакена. Прогнозирование фондового рынка с помощью сети Хакена.

Обязательная литература:

Хакен Г. Принципы работы головного мозга: Синергетический подход к работе мозга, поведению и когнитивной деятельности. – М.: ПЭР СЭ, 2001 – 351 с.

Тема 5. Стохастические методы обучения искусственных нейронных сетей

Построение искусственных нейронных сетей с помощью стохастического метода обучения и поиском глобального минимума ошибки. Применение стохастического метода для сетей Левенберга-Марквардта и Хакена. Сравнение полученных результатов при прогнозировании динамики фондового рынка.

Обязательная литература:

  • БУ 1, глава 11

Дополнительная литература.

  • БУ 2, глава 6

  • БУ 4, глава 3

Тема 6. Карты самоорганизации

Использование метода главных компонент с ядром для обучения искусственных нейронных сетей. Сравнение результатов прогнозирования фондового рынка с другими результатами, полученными при помощи искусственных нейронных сетей.

Обязательная литература:

  • БУ 4, глава 9

Дополнительная литература:

  • Коhоnen Т. "Self-organized formation of topologically соrrect feature maps", Bio1ogical Cybernetics, 1982, vo1. 43, р. 59¬-69.

  • Kohonen Т. "The self-organizing mар", Proceedings of the Institute of Electrical

  • and Electronics Engineers, 1990, vo1. 78, р. 1464-1480.

  • Kohonen Т. "Exploration of very large databases bу self-organizing maps", 1997 Interactional Conference оn Neural Networks, 1997, vo1. 1, р. PL1¬-PL6,Houston.

  • Ritter Н. "Self-organizing feature maps: Kohonen maps", in М.А. Arbib, ed., The Handbook of Brain Theory and Neural Networks, 1995, р. 846¬851, Cambridge, МА: MIТ Press.

Тема 7. Генетические алгоритмы обучения искусственных нейронных сетей

Использование генетических алгоритмов для обучения искусственных нейронных сетей. Сравнение результатов прогнозирования фондового рынка с другими результатами, полученными при помощи искусственных нейронных сетей.

Обязательная литература:

  • БУ 4, глава 6

Дополнительная литература:

  • Осовский С. Нейронные сети для обработки информации/ Пер. С польского И.Д.Рудинского. – М.: Финансы и статистика, 2002. – 344 с.: ил.

  • Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польского И.Д.Рудинского. – М.: Горячая линия – 2004. – 452 с.: ил.

  • Holland J.H. Adaptation in Natural and Artificial Systems. The MIT Press, reprint edition, 1992

Тема 8. Кластеризация исходных данных и роевые механизмы обучения искусственных нейронных сетей

Использование методов кластеризации данных для предварительной обработки входных значений искусственных нейронных сетей.

Использование роевых механизмов для обучения искусственных нейронных сетей. Сравнение результатов прогнозирования фондового рынка с другими результатами, полученными при помощи искусственных нейронных сетей.

Обязательная литература:

  • БУ 1, глава 15

Дополнительная литература:

  • Wong J. C.., Lian H. и Cheong S. A. Detecting macroeconomic phases in the Dow Jones Industrial Average time series [Журнал]. - [б.м.] : Physica A, 2009 г.. - 388.

  • Kendall G., Su Y. a Particle Swarm Optimisation Approach in The Construction of Optimal Risky Portfolios// Proceedings of the 23rd IASTED International Multi-Conference Artificial Intelligence and Applications February 14-16, 2005, Innsbruck, Austria

  • Majhi R., Panda G., Sahoo G. Panda A., Choubey A. Prediction of the S&P 500 and DJIA Stock Indices using Particle Swarm Optimization Technique. //National Institute of Technology Rourkela

  • Nenortaitė J. A Particle Swarm Optimization Approach in the Construction of Decision-Making Model// issn 1392 – 124x information technology and control, 2007, Vol.36, No.1A

  1. Образовательные технологии

В рамках дисциплины используются:

- интерактивные формы обучения в формате «вопрос-ответ»,

- разбор практических задач и кейсов,

- самостоятельная работа.

  1. Оценочные средства для текущего контроля и аттестации студента

9.1 Вопросы для оценки качества освоения дисциплины

Примерный перечень вопросов к зачету по всему курсу:

Контрольные вопросы:

  1. Биологические нейронные сети

  2. Классификация нейронных сетей и принципы построения

  3. Принципы программирования искусственных нейронных сетей в программе MathCAD

  4. Применение различных торговых стратегий на фондовом рынке с использованием искусственных нейронных сетей

  5. Искусственная нейронная сеть прямого прохода

  6. Прогнозирование макроэкономической динамики с помощью сети прямого прохода

  7. Метод главных компонент как инструмент обработки данных и прогнозирования различных временных рядов.

  8. Метод независимых компонент как инструмент обработки данных и прогнозирования различных временных рядов

  9. Сравнение эффективности прогнозирования рыночной динамики с помощью метода главных компонент и метода независимых компонент

  10. Применение метода главных компонент и метода независимых компонент в качестве инструмента снижения размерности входных данных для искусственных нейронных сетей

  11. Построение сети, обученной по общему генерализованному методу распространения ошибки (сети Левенберга-Марквардта)

  12. Построение синергетической сети Германа Хакена

  13. Применение метода главных и метода независимых компонент для снижения размерности данных для сетей Левенберга-Марквардта и Хакена

  14. Правило Хебба для построения самообучающихся нейронных сетей

  15. Построение сети Хопфильда-Хакена для прогнозирования фондового рынка

  16. Применение стохастического метода обучения для построения сети Левенберга-Марквардта

  17. Построение искусственных нейронных сетей с помощью стохастического метода обучения и поиском глобального минимума ошибки

  18. Применение стохастического метода обучения для построения сети Левенберга-Марквардта и Хакена

  19. Использование генетических алгоритмов для обучения искусственных нейронных сетей

  20. Кластеризация как инструмент предварительной обработки данных для искусственной нейронной сети

  21. Использование роевых механизмов для обучения искусственных нейронных сетей

  22. Использование карт самоорганизации (включая варианты построения и обучения) для прогнозирования фондового рынка

  23. Сеть Кохонена-Хакена как инструмент прогнозирования фондового рынка

  1. Учебно-методическое и информационное обеспечение дисциплины

10.1 Базовые учебники

  1. Нейронные сети: полный курс, 2¬e издание. : Пер. с анrл. ¬ М. Издательский дом

"Вильямс", 2006. ¬ 1104 с. : ил. ¬ Парал. тит. анrл. (далее БУ 1)

2) Kröse B., van der Smagt P. An Introduction To Neural Networks, Eight Edition, November 1996. (далее БУ 2)

3) Bishop C.M. Neural Networks for Pattern Recognition. Oxford University Press, 1995 – 483 p. (далее БУ 3)

4) Fyfe C. Artificial Neural Networks and Information Theory. Edition 1.2., 2000 (далее БУ 4)

10.2 Основная литература

Указывается для каждой конкретной темы в рамках Содержания курса.

10.3. Дополнительная литература

Указывается для каждой конкретной темы в рамках Содержания курса.

    1. Программные средства

В рамках дисциплины используется компьютерная программа MathCAD (не ниже версии 13).

  1. Материально-техническое обеспечение дисциплины

В ходе лекций и семинаров используется проектор.



Похожие документы:

  1. Программа дисциплины нелинейное прогнозирование в финансах и бизнесе для направления 080100. 68 Экономика подготовки магистра Автор Курочкин С. В

    Программа дисциплины
    ... Программа дисциплины НЕЛИНЕЙНОЕ ПРОГНОЗИРОВАНИЕ ... Генетические алгоритмы. Нелинейный анализ главных компонент и его реализация нейронной сетью ... Нейронные сети и финансовые рынки. М. ТВП. 1997, Гл. 5. Дополнительная литература С.Хайкин. Нейронные сети ...
  2. Учебное пособие Ульяновск 2010 удк 004. 8 (075. 8)

    Документ
    ... дисциплинами ... программы) получается не отличающейся от начальных; современные алгоритмы генетического программирования распространяют генетические алгоритмы ... прогнозирования финансовых ... рынке ... Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие ...
  3. А. В. Михеев локальная устойчивость псевдосферических ортотропных оболочек на упругом основании

    Документ
    ... прогнозировании финансового состояния Проанализирована проблема прогнозирования финансового состояния коммерческих организаций. Рассмотрены основные положения методики прогнозирования финансового ... применение нейронных сетей и генетических алгоритмов в ...
  4. Дисциплина: «Интеллектуальные подсистемы сапр» (Шкаберин В. А.)

    Документ
    ... ; рынок и ... Генетический алгоритм. Основные понятия Генетический алгоритм — это эвристический алгоритм ... искусственной нейронной сети; задачи ... материальных, финансовых и ... анализа и прогнозирования и ... программы Контроль и оценка результатов и другие… Дисциплина ...
  5. Удк 51 271. 01 Общие вопросы математики

    Документ
    ... 51 Игры рынка и смежные ... .51.27 Финансовые и страховые ... Распознающие нейронные сети. Персептроны. Генетические алгоритмы 289 ... процедуры распознавания, прогнозирования и анализа изображений ... пакетов прикладных программ 289.41 ... -биологические дисциплины УДК ...

Другие похожие документы..