Выявление и анализ корреляционных характеристик фьючерсных контрактов
Определение сущности фьючерсного контракта. Рассмотрение сравнительного анализа модели искусственной нейронной сети и регрессионных моделей. Ознакомление с процессом выбора программного обеспечения. Исследование временных рядов биржевых индексов.
Рубрика | Программирование, компьютеры и кибернетика |
Вид | дипломная работа |
Язык | русский |
Дата добавления | 30.08.2016 |
Размер файла | 453,4 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
corrData=h(:,1) .* h(:,2);
r = [instr, instr, obj1, obj2, 3, un(cont), 0, corrData'];
rez = [rez; r];
end
end
end
%5XCF контрактов раннего с поздним
for cont1 = 1 : size(un, 1) - 2
for cont2 = cont1 + 1 : size(un, 1) - 1
a = data(data(:, 3) == un(cont1), [4 obj2]);
b = data(data(:, 3) == un(cont2), [4 obj1]);
if size(a, 1) ~= size(b, 1)
a(a(:, 1) > min(size(a, 1), size(b, 1)), :) = [];
b(b(:, 1) > min(size(a, 1), size(b, 1)), :) = [];
end
s = size(a, 1);
if s > 21
h = crosscorr(a(:, 2), b(:, 2));
if max(abs(h))>0.65
h(1:20)=[];
h(:,2) = (abs(h(:,1) ./ sqrt(1 - h(:,1) .* h(:,1))) * sqrt(s - 2)) > tinv(0.975,s - 2);
corrData=h(:,1) .* h(:,2);
r = [instr, instr, obj1, obj2, 4, un(cont2), un(cont1), corrData'];
rez = [rez; r];
end
end
end
end
end
%6XCF разных инструментов
for instr2 = 43 : 8 : 219
if instr ~= instr2
data2 = dataAll(:,[2 instr : instr + 7 instr2 : instr2 + 7]);% день недели и инструмент весь
data2 = getRemoveNan(data2);
data2 = getDiff55(data2); %взяли разности
s = size(data2, 1);
if s > 21
h=crosscorr(data2(:, obj1 + 8), data2(:, obj1));
if max(abs(h))>0.65
h(1:20)=[];
h(:,2) = (abs(h(:,1) ./ sqrt(1 - h(:,1) .* h(:,1))) * sqrt(s - 2)) > tinv(0.975,s - 2);
corrData=h(:,1) .* h(:,2);
r = [instr, instr2, obj1, obj1, 0, 0, 0, corrData'];
rez = [rez; r];
end
end
for dow=2:6
s=size(data2(data2(:,1) == dow,1),1);
if s > 21
h=crosscorr(data2(data2(:,1)==dow, obj1 + 8), data2(data2(:,1)==dow, obj1));
if max(abs(h))>0.65
h(1:20)=[];
h(:,2) = (abs(h(:,1) ./ sqrt(1 - h(:,1) .* h(:,1))) * sqrt(s - 2)) > tinv(0.975,s - 2);
corrData=h(:,1) .* h(:,2);
r = [instr, instr2, obj1, obj1, 2, dow, 0, corrData'];
rez = [rez; r];
end
end
end
end
end
end
%7Index
for ind = 3:4:39
data3 = dataAll(:,[2 instr instr + 3 instr + 4 instr + 7 ind : ind + 3]);
data3 = getRemoveNan(data3);
data3(:,[3:5 7:9]) = [0 0 0 0 0 0;diff(data3(:,[3:5 7:9]))];
data3(:,[3 7]) = [0 0; diff(data3(:,[3 7]))];
data3(1:2,:) = [];
if size(data3,1)>21
h = crosscorr(data3(:, 7), data3(:, 3));
if max(abs(h))>0.65
h(1 : 20) = [];
h(:,2) = (abs(h(:,1) ./ sqrt(1 - h(:,1) .* h(:,1))) * sqrt(s - 2)) > tinv(0.975,s - 2);
corrData=h(:,1) .* h(:,2);
r = [instr, ind, 1, 1, 0, 0, 0, corrData'];
rez = [rez; r];
end
h = crosscorr(data3(:, 8), data3(:, 4));
if max(abs(h))>0.65
h(1 : 20) = [];
h(:,2) = (abs(h(:,1) ./ sqrt(1 - h(:,1) .* h(:,1))) * sqrt(s - 2)) > tinv(0.975,s - 2);
corrData=h(:,1) .* h(:,2);
r = [instr, ind, 2, 2, 0, 0, 0, corrData'];
rez = [rez; r];
end
h = crosscorr(data3(:, 9), data3(:, 5));
if max(abs(h))>0.65
h(1 : 20) = [];
h(:,2) = (abs(h(:,1) ./ sqrt(1 - h(:,1) .* h(:,1))) * sqrt(s - 2)) > tinv(0.975,s - 2);
corrData=h(:,1) .* h(:,2);
r = [instr, ind, 5, 5, 0, 0, 0, corrData'];
rez = [rez; r];
end
for dow=2:6
if size(data3(data3(:,1)==dow),1)>21
h = crosscorr(data3(data3(:,1)==dow, 7), data3(data3(:,1)==dow, 3));
if max(abs(h))>0.65
h(1 : 20) = [];
h(:,2) = (abs(h(:,1) ./ sqrt(1 - h(:,1) .* h(:,1))) * sqrt(s - 2)) > tinv(0.975,s - 2);
corrData=h(:,1) .* h(:,2);
r = [instr, ind, 1, 1, 2, dow, 0, corrData'];
rez = [rez; r];
end
h = crosscorr(data3(data3(:,1)==dow, 8), data3(data3(:,1)==dow, 4));
if max(abs(h))>0.65
h(1 : 20) = [];
h(:,2) = (abs(h(:,1) ./ sqrt(1 - h(:,1) .* h(:,1))) * sqrt(s - 2)) > tinv(0.975,s - 2);
corrData=h(:,1) .* h(:,2);
r = [instr, ind, 2, 2, 2, dow, 0, corrData'];
rez = [rez; r];
end
h = crosscorr(data3(data3(:,1)==dow, 9), data3(data3(:,1)==dow, 5));
if max(abs(h))>0.65
h(1 : 20) = [];
h(:,2) = (abs(h(:,1) ./ sqrt(1 - h(:,1) .* h(:,1))) * sqrt(s - 2)) > tinv(0.975,s - 2);
corrData=h(:,1) .* h(:,2);
r = [instr, ind, 5, 5, 2, dow, 0, corrData'];
rez = [rez; r];
end
end
end
end
end
disp([num2str(instr) ' done!']);
end
clear a b cont cont1 cont2 corrData data data2 data3 dbe dow h ind instr instr2 obj1 obj2 r un s
function output = getRemoveNan(input)
%GETREMOVENAN Summary of this function goes here
% Detailed explanation goes here
output = input(~any(isnan(input),2),:);
end
%Функция
function [qticker, output] = getTicker(ticker)
data = [];
files = dir(strcat(ticker,'/*.txt'));
for file = files'
d = load(strcat(ticker,'/',file.name));
d = [str2double(strcat('20',file.name(end-10:end-9),file.name(end-13:end-12),'01')) * ones(size(d,1),1) d];
data = [data; d];
end
data(data(:, 1) > 20160331, :) = [];
data = sortrows(data,[1 2]);
clear d file files
data = sortrows(data, [-1 -2]);
data = [ones(size(data, 1), 3) data];
data(:, 2) = weekday(datetime(data(:, 5),'ConvertFrom','yyyymmdd'));
for i = 2 : size(data, 1)
if data(i, 4) == data(i - 1, 4)
data(i, 1) = data(i - 1, 1) + 1;
end
end
data = sortrows(data, [4 2 1]);
for i = 2 : size(data, 1)
if (data(i, 4) == data(i - 1, 4)) && (data(i, 2) == data(i - 1, 2))
data(i, 3) = data(i - 1, 3) + 1;
end
end
data(data(:, 4) > 20160331, :) = [];
data = sortrows(data, 5);
for i = 2 : size(data, 1)
if data(i, 5) == data(i - 1, 5)
data(i, 2) = 10;
end
end
data(data(:, 2) == 10, :) = [];
data = sortrows(data, [4 5]);
data = [data data(:, 7) - data(:, 8) data(:, 9) ./ data(:, 6)];
data = [data tsmovavg(data(:, 10), 'e', 5, 1) tsmovavg(data(:, 11), 'e', 5, 1) data(:, 12)];
X = [data(2 : end, 9) ./ data(1 : end - 1, 9) data(2 : end, 13) ./ data(1 : end - 1, 13) data(2 : end, 14) ./ data(1 : end - 1, 14) data(2 : end, 15)];
data(1, :) = [];
data = [data X];
data(data(:, 4) == min(data(:, 4)), :) = [];
data(:, 20) = datenum(datetime(data(:, 5),'ConvertFrom','yyyymmdd')) - datenum(2009,1,1) + 1;
clear i X
output = [data(: ,20) data(: ,5) data(: ,4) data(: ,1) data(:, 9) data(: ,16) data(: ,17) data(: ,18) data(: ,19)];
%output = [data(: ,20) data(: ,5) data(: ,4) data(: ,1) data(: ,16) data(: ,17) data(: ,18) data(: ,19)];
%save(ticker);
qticker = strcat('q', ticker);
end
ggetD;
d1=getfield(dataA, 'q6A');
d2=getfield(dataA, 'q6B');
d3=getfield(dataA, 'q6C');
d4=getfield(dataA, 'q6E');
d5=getfield(dataA, 'q6J');
d6=getfield(dataA, 'q6L');
d7=getfield(dataA, 'q6M');
d8=getfield(dataA, 'q6S');
d9=getfield(dataA, 'qCL');
d10=getfield(dataA, 'qDX');
d11=getfield(dataA, 'qE7');
d12=getfield(dataA, 'qES');
d13=getfield(dataA, 'qGC');
d14=getfield(dataA, 'qHG');
d15=getfield(dataA, 'qNG');
d16=getfield(dataA, 'qNQ');
d17=getfield(dataA, 'qPA');
d18=getfield(dataA, 'qPL');
d19=getfield(dataA, 'qRB');
d20=getfield(dataA, 'qSI');
d21=getfield(dataA, 'qYM');
d22=getfield(dataA, 'qZC');
d23=getfield(dataA, 'qZF');
d24=getfield(dataA, 'qZL');
d25=getfield(dataA, 'qZM');
d26=getfield(dataA, 'qZN');
d27=getfield(dataA, 'qZS');
d28=getfield(dataA, 'qZT');
d29=getfield(dataA, 'qZW');
function output = ggetNew( input )
%GGETNEW Summary of this function goes here
% Detailed explanation goes here
x=zeros(size(input,1),1);
for i=26:size(input,1)
x(i)=input(i,10)/mean(input(i-25:i-1,10));
end
input(:,11)=x;
input(:,12)=input(:,9)./input(:,6)-1;
input(:,13)=input(:,7)./input(:,8)-1;
input(:,14)=[0; input(2:end,9)./input(1:end-1,9)] - 1;
input(1:25,:)=[];
output=input;
end
%Функция
function [qticker, output] = ggetTick(ticker)
data = [];
files = dir(strcat(ticker,'/*.txt'));
for file = files'
d = load(strcat(ticker,'/',file.name));
d = [str2double(strcat('20',file.name(end-10:end-9),file.name(end-13:end-12),'01')) * ones(size(d,1),1) d];
data = [data; d];
end
data(data(:, 1) > 20160331, :) = [];
data = sortrows(data,[1 2]);
clear d file files
data = sortrows(data, [-1 -2]);
data = [ones(size(data, 1), 3) data];
data(:, 2) = weekday(datetime(data(:, 5),'ConvertFrom','yyyymmdd'));
for i = 2 : size(data, 1)
if data(i, 4) == data(i - 1, 4)
data(i, 1) = data(i - 1, 1) + 1;
end
end
data = sortrows(data, [4 2 1]);
for i = 2 : size(data, 1)
if (data(i, 4) == data(i - 1, 4)) && (data(i, 2) == data(i - 1, 2))
data(i, 3) = data(i - 1, 3) + 1;
end
end
data(data(:, 4) > 20160331, :) = [];
data = sortrows(data, 5);
for i = 2 : size(data, 1)
if data(i, 5) == data(i - 1, 5)
data(i, 2) = 10;
end
end
data(data(:, 2) == 10, :) = [];
data = sortrows(data, [4 5]);
qticker = strcat('q', ticker);
output = data;
end
...Подобные документы
Выявление закономерностей и свойств, применимых в искусственной нейронной сети. Построение графиков и диаграмм, определяющих степень удаленности между объектами. Моделирование, тестирование и отладка программной модели, использующей клеточный автомат.
дипломная работа [4,1 M], добавлен 25.02.2015Разработка алгоритма и программы для распознавания пола по фотографии с использованием искусственной нейронной сети. Создание алгоритмов: математического, работы с приложением, установки весов, реализации функции активации и обучения нейронной сети.
курсовая работа [1,0 M], добавлен 05.01.2013Математическая модель искусственной нейронной сети. Структура многослойного персептрона. Обучение без учителя, методом соревнования. Правило коррекции по ошибке. Метод Хэбба. Генетический алгоритм. Применение нейронных сетей для синтеза регуляторов.
дипломная работа [1,5 M], добавлен 17.09.2013Описание структурной схемы искусственного нейрона. Характеристика искусственной нейронной сети как математической модели и устройств параллельных вычислений на основе микропроцессоров. Применение нейронной сети для распознавания образов и сжатия данных.
презентация [387,5 K], добавлен 11.12.2015Исследование нечеткой модели управления. Создание нейронной сети, выполняющей различные функции. Исследование генетического алгоритма поиска экстремума целевой функции. Сравнительный анализ нечеткой логики и нейронной сети на примере печи кипящего слоя.
лабораторная работа [2,3 M], добавлен 25.03.2014Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.
курсовая работа [549,7 K], добавлен 03.03.2015Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.
курсовая работа [2,2 M], добавлен 12.11.2010Определение требований к программному обеспечению. Ознакомление с процессом проектирования интерфейса пользователя. Рассмотрение результатов обзора существующих информационных систем. Обоснование необходимости разработки программного обеспечения.
дипломная работа [1,1 M], добавлен 05.07.2017Изучение основных видов угроз программного обеспечения. Выявление наиболее эффективных средств и методов защиты программного обеспечения. Анализ их достоинств и недостатков. Описания особенностей лицензирования и патентования программного обеспечения.
курсовая работа [67,9 K], добавлен 29.05.2013Изучение и реализация системы, использующей возможности Microsoft Azure для распределенного обучения нейронной сети. Рассмотрение функционирования распределенных вычислений. Выбор задачи для исследования; тестирование данного программного ресурса.
дипломная работа [2,0 M], добавлен 20.07.2015Ознакомление с понятием и особенностями выдачи/приобретения лицензии на право использования программного обеспечения. Рассмотрение классификации лицензий и типов соглашений. Исследование основ деятельности собственника авторских прав в данной сфере.
презентация [118,7 K], добавлен 11.12.2014Схемы взаимодействия между заказчиком и разработчиком программного обеспечения. Качество программного обеспечения и определение основных критериев его оценка на современном этапе, особенности управления на стадиях жизненного цикла, анализ достаточности.
презентация [114,7 K], добавлен 14.08.2013Определение понятия и сущности программного обеспечения. Рассмотрение основ интерпретируемых и компилируемых программ. Особенности несвободных, открытых, свободных, системных, прикладных и инструментальных программ; основные принципы их применения.
реферат [25,6 K], добавлен 06.11.2014Базовые архитектуры компьютеров: последовательная обработка символов по заданной программе и параллельное распознавание образов по обучающим примерам. Искусственные нейронные сети. Прототип для создания нейрона. Поведение искусственной нейронной сети.
контрольная работа [229,5 K], добавлен 28.05.2010Изучение пространственных характеристик АГК и структур НС при обработке ими стохастических сред, подбор алгоритмов. Рекомендаций по использованию разработанных адаптивных алгоритмов с корреляционными методами получения оценок для регрессионных моделей.
дипломная работа [5,1 M], добавлен 06.05.2011Разработка нейронной сети, ее применение в алгоритме выбора оружия ботом в трехмерном шутере от первого лица, тестирование алгоритма и выявление достоинств и недостатков данного подхода. Обучение с подкреплением. Описание проекта в Unreal Engine 4.
контрольная работа [611,0 K], добавлен 30.11.2016Особенности и возможности программного обеспечения, необходимого для построения трехмерной модели (на примере вентиля - клапана). Ознакомление с инструментарием программного обеспечения профессионального трехмерного и двумерного моделирования AutoCAD.
курсовая работа [3,4 M], добавлен 13.12.2020Причины активного использования и области применения искусственной нейронной сети. Определение доминирующего типа мышления, на основе которого можно выбрать предпочтительную профессию. Результаты тестирования персептрона и нейросетевого моделирования.
презентация [559,6 K], добавлен 14.08.2013Исследование линейных динамических моделей в программном пакете Matlab и ознакомление с временными и частотными характеристиками систем автоматического управления. Поиск полюса и нуля передаточной функции с использованием команд pole, zero в Matlab.
лабораторная работа [53,1 K], добавлен 11.03.2012