Гибридні МГУА-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сфері
In this paper, the new class of deep learning (DL) neural networks is considered and investigated — so-called hybrid DL networks based on self-organization method Group Method of Data Handling (GDMH). The application of GMDH enables not only to train neural weights, but also to construct the network...
Збережено в:
| Дата: | 2022 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2022
|
| Теми: | |
| Онлайн доступ: | http://journal.iasa.kpi.ua/article/view/259162 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
Репозитарії
System research and information technologies| id |
journaliasakpiua-article-259162 |
|---|---|
| record_format |
ojs |
| spelling |
journaliasakpiua-article-2591622022-06-21T10:27:50Z Hybrid GMDH deep learning networks – analysis, optimization and applications in forecasting at financial sphere Гибридные МГУА-сети глубокого обучения — анализ, оптимизация и применения для прогнозирования в финансовой сфере Гибридні МГУА-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сфері Zaychenko, Yuriy Zaychenko, Helen Hamidov, Galib гібридні мережі глибокого навчання самоорганізація оптимізація параметрів і структури прогнозування гибридные сети глубокого обучения самоорганизация оптимизация параметров и структуры прогнозирование hybrid deep learning networks self-organization parameters and structure optimization forecasting In this paper, the new class of deep learning (DL) neural networks is considered and investigated — so-called hybrid DL networks based on self-organization method Group Method of Data Handling (GDMH). The application of GMDH enables not only to train neural weights, but also to construct the network structure as well. Different elementary neurons with two inputs may be used as nodes of this structure. So the advantage of such a structure is the small number of tuning parameters. In this paper, the optimization of parameters and the structure of hybrid neo-fuzzy networks was performed. The application of hybrid Dl networks for forecasting market indices was considered with various forecasting intervals: one day, one week, and one month. The experimental investigations of hybrid GMDH neo-fuzzy networks were carried out and comparison of its efficiency with FNN ANFIS in the forecasting problem was performed which enabled to estimate their efficiency and advantages. Рассмотрен и исследован новый класс сетей глубокого обучения — гибридные сети глубокого обучения на основе метода самоорганизации МГУА. Применение МГУА позволяет обучать не только веса связей, но и конструировать структуру сети. В качестве узлов сети могут быть использованы элементарные нейроны с двумя входами. Преимущество такой структуры — малое количество настраиваемых параметров. Выполнена оптимизация параметров и структуры гибридных неофаззи сетей. Рассмотрено применение гибридных сетей глубокого обучения с оптимизированными параметрами для прогнозирования биржевых индексов с различными интервалами упреждения — один день, неделя и месяц. Проведены экспериментальные исследования гибридных МГУА неофаззи сетей и сравнение их с нечеткой нейронной сетью ANFIS, что позволило оценить эффективность и преимущества гибридных сетей по сравнению обычными сетями глубокого обучения. Розглянуто та досліджено новий клас мереж глибокого навчання — гібридні мережі глибокого навчання на основі методу самоорганізації МГУА. Застосування МГУА дозволяє навчати не тільки ваги зв’язків, але і конструювати структуру мережі. Як вузли мережі можуть бути використані елементарні нейрони з двома входами. Перевага такої структури — мала кількість налаштовуваних параметрів. Виконано оптимізацію параметрів та структури гібридних неофаззі мереж. Розглянуто застосування гібридних мереж глибокого навчання з оптимізованими параметрами для прогнозування біржових індексів з різними інтервалами упередження — один день, тиждень та місяць. Проведено експериментальні дослідження гібридних МГУА неофаззі мереж та порівняння їх з нечіткою нейронною мережею ANFIS, що дозволило оцінити ефективність та переваги гібридних мереж порівняно звичайними мережами глибокого навчання. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2022-04-25 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/259162 10.20535/SRIT.2308-8893.2022.1.06 System research and information technologies; No. 1 (2022); 73-86 Системные исследования и информационные технологии; № 1 (2022); 73-86 Системні дослідження та інформаційні технології; № 1 (2022); 73-86 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/259162/255820 |
| institution |
System research and information technologies |
| collection |
OJS |
| language |
English |
| topic |
гібридні мережі глибокого навчання самоорганізація оптимізація параметрів і структури прогнозування гибридные сети глубокого обучения самоорганизация оптимизация параметров и структуры прогнозирование hybrid deep learning networks self-organization parameters and structure optimization forecasting |
| spellingShingle |
гібридні мережі глибокого навчання самоорганізація оптимізація параметрів і структури прогнозування гибридные сети глубокого обучения самоорганизация оптимизация параметров и структуры прогнозирование hybrid deep learning networks self-organization parameters and structure optimization forecasting Zaychenko, Yuriy Zaychenko, Helen Hamidov, Galib Гибридні МГУА-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сфері |
| topic_facet |
гібридні мережі глибокого навчання самоорганізація оптимізація параметрів і структури прогнозування гибридные сети глубокого обучения самоорганизация оптимизация параметров и структуры прогнозирование hybrid deep learning networks self-organization parameters and structure optimization forecasting |
| format |
Article |
| author |
Zaychenko, Yuriy Zaychenko, Helen Hamidov, Galib |
| author_facet |
Zaychenko, Yuriy Zaychenko, Helen Hamidov, Galib |
| author_sort |
Zaychenko, Yuriy |
| title |
Гибридні МГУА-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сфері |
| title_short |
Гибридні МГУА-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сфері |
| title_full |
Гибридні МГУА-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сфері |
| title_fullStr |
Гибридні МГУА-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сфері |
| title_full_unstemmed |
Гибридні МГУА-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сфері |
| title_sort |
гибридні мгуа-мережі глибокого навчання — аналіз, оптимізация та застосування для прогнозування у фінансовій сфері |
| title_alt |
Hybrid GMDH deep learning networks – analysis, optimization and applications in forecasting at financial sphere Гибридные МГУА-сети глубокого обучения — анализ, оптимизация и применения для прогнозирования в финансовой сфере |
| description |
In this paper, the new class of deep learning (DL) neural networks is considered and investigated — so-called hybrid DL networks based on self-organization method Group Method of Data Handling (GDMH). The application of GMDH enables not only to train neural weights, but also to construct the network structure as well. Different elementary neurons with two inputs may be used as nodes of this structure. So the advantage of such a structure is the small number of tuning parameters. In this paper, the optimization of parameters and the structure of hybrid neo-fuzzy networks was performed. The application of hybrid Dl networks for forecasting market indices was considered with various forecasting intervals: one day, one week, and one month. The experimental investigations of hybrid GMDH neo-fuzzy networks were carried out and comparison of its efficiency with FNN ANFIS in the forecasting problem was performed which enabled to estimate their efficiency and advantages. |
| publisher |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| publishDate |
2022 |
| url |
http://journal.iasa.kpi.ua/article/view/259162 |
| work_keys_str_mv |
AT zaychenkoyuriy hybridgmdhdeeplearningnetworksanalysisoptimizationandapplicationsinforecastingatfinancialsphere AT zaychenkohelen hybridgmdhdeeplearningnetworksanalysisoptimizationandapplicationsinforecastingatfinancialsphere AT hamidovgalib hybridgmdhdeeplearningnetworksanalysisoptimizationandapplicationsinforecastingatfinancialsphere AT zaychenkoyuriy gibridnyemguasetiglubokogoobučeniâanalizoptimizaciâiprimeneniâdlâprognozirovaniâvfinansovojsfere AT zaychenkohelen gibridnyemguasetiglubokogoobučeniâanalizoptimizaciâiprimeneniâdlâprognozirovaniâvfinansovojsfere AT hamidovgalib gibridnyemguasetiglubokogoobučeniâanalizoptimizaciâiprimeneniâdlâprognozirovaniâvfinansovojsfere AT zaychenkoyuriy gibridnímguamerežíglibokogonavčannâanalízoptimízaciâtazastosuvannâdlâprognozuvannâufínansovíjsferí AT zaychenkohelen gibridnímguamerežíglibokogonavčannâanalízoptimízaciâtazastosuvannâdlâprognozuvannâufínansovíjsferí AT hamidovgalib gibridnímguamerežíglibokogonavčannâanalízoptimízaciâtazastosuvannâdlâprognozuvannâufínansovíjsferí |
| first_indexed |
2024-04-08T15:08:03Z |
| last_indexed |
2024-04-08T15:08:03Z |
| _version_ |
1795779601367040000 |