Курсовая работа: Нейронные сети задач для прогнозирования курса на валютной бирже

Актуальность использования нейронных сетей в прогнозировании курсов валют обусловлена высокой волатильностью финансовых рынков и необходимостью быстрого принятия решений на основе анализа больших объемов данных. Современные алгоритмы машинного обучения, в частности, нейронные сети, способны выявлять сложные зависимости и закономерности в исторической информации о ценах, что позволяет улучшить точность прогнозов.

В процессе исследования были рассмотрены различные архитектуры нейронных сетей, включая многослойные перцептроны и рекуррентные нейронные сети, которые особенно эффективны для обработки временных рядов. Также была проведена предобработка данных: очистка, нормализация и выделение значимых признаков, что является критически важным этапом в повышении качества модели.

Для практической реализации использовались языки программирования Python и библиотеки, такие как TensorFlow и Keras. Это позволило создать итоговую модель, обучая ее на исторических данных о валютных курсах, полученных из открытых источников. Были проведены сравнительные эксперименты с различными конфигурациями сетей, что помогло определить оптимальные параметры для прогнозирования.

Полученные результаты показали, что нейронные сети могут существенно превышать традиционные методы анализа, такие как авторегрессионные модели или методы скользящей средней. Однако следует отметить, что окончательный успех прогнозирования зависит не только от выбора модели, но и от качества и объема исходных данных.

В перспективе работы можно рассматривать внедрение технологий глубинного обучения в автоматизированные торговые системы, что позволит трейдерам принимать более обоснованные решения, минимизируя риски при игре на валютной бирже. Таким образом, использование нейронных сетей в финансовом анализе открывает новые горизонты как для исследователей, так и для практиков в области финансов.