Comparing NN and ARMA models in artificial market
|
|
- Jozef Němec
- před 7 lety
- Počet zobrazení:
Transkript
1 in artificial market Matematicko fyzikalní fakulta Univerzity Karlovy v Praze ÚTIA AV ČR 26. listopadu 2009
2 Motivace Co je to neuronová sít? pokus vytvořit umělou inteligenci inspirováno přírodou mozkem schopnost učit se a zobecňovat Použití NN rozpoznávání vzorů předpovídání ČŘ komprese optimalizace
3 Výhody a nevýhody při předpovídání ČŘ Pro můžeme aproximovat libovolnou funkci schopnost zobecňovat robustnost Proti volba topologie učení sítě černá skříňka
4 Proč umělý trh? nekonvenční soutěž v obchodování, ne v "trefení" správné ceny Nevýhody 1. zdlouhavé 2. jen pro určité modely
5 Perceptron Značení: vektor vstupů...x = (1, x 1,..., x n ) T výstup...y vektor vah...w = (w 0,..., w n ) T práh...θ w 0 aktivační funkce...f n f ( x i w i θ) = f (x T.w) = y i=1
6 Aktivační funkce Obrázek: I {x 1} Obrázek: signum Obrázek: sigmoida Obrázek: tanh
7 Třívrstvá dopředná neuronová sít Notation: vstupní vrstva...x skrytá vrstva...w j, j = 1,..., h, u = (u 1,..., u h ) T, f výstupní vrstva...y, v značení...η = (w T 1,..., wt h, vt ) T Dynamika sítě 1. u i = f (x T w i ), i = 1,..., h 2. y = u T v = ψ h (x, η)
8 Hornik, Stinchcombe, White Věta Necht f : R [0, 1] ryze rostoucí s lim x f (x) = 0 a lim x + f (x) = 1. Necht J = {ψ h (x, η); h 1, η R (n+1)h+h+1 }. Potom: 1. Pro každou borelovsky měřitelnou funkci g : R n R existuje posloupnout ψ k J, k 1, taková, že µ(x; g(x) ψ k (x) > ε) 0 pro k +, ε > 0, kde µ je libovolná pstní míra na B(R n ). 2. Pro každou rostoucí funkci g : R n R existuje posloupnout ψ k J, k 1, taková, že sup x C g(x) ψ k (x) 0 pro k +, kde C je libovolná kompaktní podmnožina R n.
9 Motivace Podstatou práce není zkoumat trh samotný Podobnost se skutečným trhem "Hrací hřiště" jeden agent = jedna strategie Agenti předpovídání jedna ze strategií FNN, SRN, VAR, VARMA různý počet vstupů dva výstupy dividenda a změna ceny akcie počáteční peníze počáteční počet akcií snaha co nejvíce rozmnožit počáteční bohatství všichni stejně rizikově averzní
10 h i,t+1 = E i,t[p t+1 + d t+1 ] (1 + r)p t 2 Stavba trhu Prostředí trhu Bezrizikové aktivum s pevnou mírou výnosnosti r Rizikové aktivum 1. cena v čase t...p t 2. dividenda v čase t...d t = d + ρ(d t 1 d) + ε d,t Agent i Počet akcií, které drží v čase t... h i,t Předpověd budoucí ceny rizikového aktiva E i,t [p t+1 ] a budoucí dividendy E i,t [d t+1 ] v čase t h i,t+1 t + 1 počet akcií, které by chtěl agent i držet v čase Předpoklad CARA užitkové funkce a normálního rozdělení předpovědí
11 σ 2 i,t Vzorec pro podmíněný rozptyl předpovědi (pro všechny stejný): σ 2 i,t = (1 θ)σ2 t 1 n + θ(p t + d t E i,t 1 [p t + d t ]) 2, kde s σ 2 t n σ 2 t n = n 1 j=0 [P t j P t n ] 2 n 1 P t n = je historická volatilita. n 1 (1) j=0 P t j. (2) n
12 Vývoj počtu akcií agentů a ceny rizikového aktiva I Značení: { h b i,t+1 = i,t+1 h i,t, hi,t+1 h i,t, 0, jinak. { hi,t h a i,t+1 = i,t+1, h i,t+1 < h i,t, 0, jinak. B t+1 = A t+1 = N i=1 N i=1 b i,t+1 a i,t+1
13 Vývoj počtu akcií agentů a ceny rizikového aktiva II Kolik bude mít agent i v čase t + 1 akcií? h i,t + b i,t+1 a i,t+1, B t+1 = A t+1, h i,t+1 = h i,t + A t+1 B t+1 b i,t+1 a i,t+1, B t+1 > A t+1, h i,t + b i,t+1 B t+1 A t+1 a i,t+1, B t+1 < A t+1. Jak se změní cena akcií? p t+1 = p t (1 + β(b t+1 A t+1 )) + ε r,t, kde β je např. tanh a ε r,t má např. N(0, σ 2 r ) šum.
14 Vývoj bohatství agentů Značení: W i,t...bohatství agenta i v čase t M i,t...peníze agenta i v čase t h i,t...počet akcií agenta i v čase t W i,t = M i,t + h i,t p t W i,t = M i,t 1 (1 + r) + h i,t 1 (p t + d t )
15 Vývoj agentů I. Učení agentů jen na úrovni přepočítávání parametrů daných strategií. Jednou za k časových kroků. 1. porovnání bohatství všech agentů nabitého od minulého kontrolního okamžiku...w i,t W i,t k, 2. utvoření žebříčku agentů pořadí agenta R i,t, 3. r i,t = R i,t N je pst, že agent přepočítá parametry své strategie, protože nabyl v mezidobí malého bohatství.
16 Vývoj agentů II. Druhý krok Označme χ k i,t = W i,t W i,t k W i,t k míru růstu bohatství agenta i. s i,t = exp{χ k i,t } je pst přepočítání parametrů ve 2. kroku byl málo efektivní. celková pst, že agent přepočítá parametry své strategie: u i,t = r i,t + (1 r i,t )s i,t = R i,t N + N R i,t N exp{χ k i,t }
17 Vlastnosti umělého trhu Jaké vlastnosti by měl trh mít? 1. výnosy r t = log(p t ) log(p t 1 ) mají rozdělení s těžkými konci 2. cena rizikového aktiva odpovídá náhodné procházce {pt } má jednotkový kořen r t jsou i.i.d.
18 Vývoj ceny rizikového aktiva Co bylo splněno? {p t } má jednotkový kořen r t jsou i.i.d. Nelze zamítnout hypotézu, že r t mají normální rozdělení.
19 Výsledky pořadí strategie bohatství počet učení 1 VARMA(3,2) VARMA(2,2) SRN(2,2) FNN(1,1) VARMA(1,2) VARMA(3,1) FNN(1,1) VAR(3) strategy pr. konečné bohatství pr. počet učení VAR VARMA FNN SRN
20 Nastavení simulace Market parameters Initial amount of money 100 Total amount of shares 30 interest rate r price adjustment function tanh price adjustment β price adjustment β Price process Initial mean µ p 150 Initial variance σp noise parameter σr Dividend process ρ 0.95 d 0.2 σ d 0.02 Learning parameters k 150 m 180 Traders Number of traders in each group 15 Total number of traders 60 Risk aversion parameter λ 3 parameter θ parameter n 10
21 Literatura [1] Šíma, J., and Neruda, R.: Teoretické Otázky Neuronových Sítí. Matfyzpress, Praha, [2] Lütkepohl, H.: New Introduction to Multiple Time Series Analysis. Springer, [3] Chen, S., and Yeh, C.: Genetic Programming in Agent-Based Artificial Markets: Simulations and Analysis. [4] Reinsel, G. C.: Elements of Multivariate Time Series Analysis. Springer, [5] Matassini, L., and Franci, F.: On Financial Markets Trading, Physica A: Statistical Mechanics and its Applications 3 4 (2001), [6] LeBaron, B.: Building the Santa Fe Artificial Stock Market. Brandeis University, [7] Saracoglu, R.: The Maximum Likelihood Estimation of Parameters in Mixed Autoregressive Moving-Average Multivariate Models. Federal Reserve Bank of Minneapolis, [8] Berndt, E. K., and Hall, B. H., and Hall, R. E., and Hausman, J. A.: Estimation and Inference in Nonlinear Structural Models, Annals of Economic and Social Measurement (1974), [9] Dorffner, G.: Neural Networks for Time Series Processing, Neural Network World 6 (1996), [10] Boden, M.: A Guide to Recurrent Neural Networks and Backpropagation. In the Dallas project, [11] Hamilton, J. D: Time Series Analysis. Princeton University Press, [12] Palmer, R. G., and Arthur, W. B., and Holland, J. H., and LeBaron, B., and Taylor, P.: Artificial Economic Life: A Simple Model of a Stockmarket, Physica D 75 (1994), [13] Mcnelis, P. D.: Neural Networks in Finance: Gaining Predictive Edge in the Market. Elsevier Academic Press, [14] Franke, J., and Härdle, W. K., and Hafner, C. M.: Statistics of Financial Markets: An Introduction. Springer, 2008.
22 Děkuji za pozornost. Vaše dotazy.
Rovnovážné modely v teorii portfolia
3. září 2013, Podlesí Obsah Portfolio a jeho charakteristiky Definice portfolia Výnosnost a riziko aktiv Výnosnost a riziko portfolia Klasická teorie portfolia Markowitzův model Tobinův model CAPM - model
VíceMartin Chudoba. Seminář - Stochastické modelování v ekonomii a financích KPMS MFF UK. dluhopisů pomocí. Black-Scholesova modelu. M.Chudoba.
Martin Chudoba s Seminář - Stochastické modelování v ekonomii a financích KPMS MFF UK 18.10.2010 Uvažujeme bezkupónový dluhopis vyplácející jednotku v čase T Za předpokladu konstantní úrokové míry r pro
VíceAlgoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
VíceOptimální řízení pro geometrický Brownův pohyb
1/39 Optimální řízení pro geometrický Brownův pohyb Lenka Slámová Katedra pravděpodobnosti a matematické statistiky Matematicko fyzikální fakulta Univerzity Karlovy Stochastické modelování v ekonomii a
VíceMatematicko-fyzikální fakulta Univerzity Karlovy
Oceňování finančních derivátů ve spojitém čase Václav Kozmík Matematicko-fyzikální fakulta Univerzity Karlovy 4. 10. 2010 Úvod Stochastický kalkulus Wienerův proces stochastické procesy Itoovo lemma změna
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceNeuronové sítě Ladislav Horký Karel Břinda
Neuronové sítě Ladislav Horký Karel Břinda Obsah Úvod, historie Modely neuronu, aktivační funkce Topologie sítí Principy učení Konkrétní typy sítí s ukázkami v prostředí Wolfram Mathematica Praktické aplikace
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
VíceNG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
VíceMETODIKA ZPRACOVÁNÍ EKONOMICKÝCH ČASOVÝCH ŘAD S VYUŽITÍM SIMULÁTORŮ NEURONOVÝCH SÍTÍ
METODIKA ZPRACOVÁNÍ EKONOMICKÝCH ČASOVÝCH ŘAD S VYUŽITÍM SIMULÁTORŮ NEURONOVÝCH SÍTÍ PROCESSING METHODOLOGY OF ECONOMIC TIME SERIES USING NEURAL NETWORK SIMULATORS Jindřich Petrucha Evropský polytechnický
VícePoužití technik UI v algoritmickém obchodování II
Použití technik UI v algoritmickém obchodování II Matematicko-fyzikální fakulta Univerzity Karlovy v Praze 7. dubna 2014 Anotace Anotace Anotace Anotace Obchodování připomenutí problému Anotace Anotace
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
VíceVytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
VíceTestování změn v binárnách autoregresních modelech Šárka Hudecová 1/ 36
Testování změn v binárnách autoregresních modelech Šárka Hudecová KPMS MFF UK ROBUST 2012 Němčičky 9. 14.9.2012 Testování změn v binárnách autoregresních modelech Šárka Hudecová 1/ 36 Uvažovaná situace
VíceAmbasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
VícePřednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení
VI Přednáška Další rozdělení SNP Limitní věty Speciální typy rozdělení Rovnoměrné rozdělení R(a,b) Příklad Obejít celý areál trvá strážnému 30 minut. Jaká je pravděpodobnost, že u vrátnice budete čekat
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
Vícepřetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat
Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního
VíceUmělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 7
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VíceAplikace T -prostorů při modelování kompozičních časových řad
Aplikace T -prostorů při modelování kompozičních časových řad P. Kynčlová 1,3 P. Filzmoser 1, K. Hron 2,3 1 Department of Statistics and Probability Theory Vienna University of Technology 2 Katedra matematické
VíceTesty dobré shody pro časové řady s diskrétními veličinami
Testy dobré shody pro časové řady s diskrétními veličinami Šárka Hudecová, Marie Hušková a Simos G. Meintanis KPMS MFF UK Robust 2016 Testy dobré shody pro časové řady s diskrétními veličinami Šárka Hudecová
VíceOct 19th Charles University in Prague, Faculty of Mathematics and Physics. Multidimensional estimators. Základní pojmy.
Charles University in Prague, Faculty of Mathematics and Physics Oct 19th 2009 Influence Function Stejné jako pro jednorozměrný případ až na Θ R p. Influence Function IF (x; T, F) = lim h 0 T [(1 h)f +
VíceNeuronové sítě. 1 Úvod. 2 Historie. 3 Modely neuronu
Neuronové sítě L. Horký*, K. Břinda** Fakulta jaderná a fyzikálně inženýrská, Břehová 7, 115 19 Praha 1 *horkyladislav@seznam.cz, **brinda@fjfi.cvut.cz Abstrakt Cílem našeho příspěvku je získat uživatelský
VíceRobustní statistické metody
Populární úvod Ústav teoretické fyziky a astrofyziky, MU Brno 28. říjen 2006, Vlašim O co jde? Robustní znamená: necitlivý k malým odchylkám od ideálních předpokladů na který je metoda odhadu optimalizována.
VíceIntervalové Odhady Parametrů
Parametrů Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze
VícePRAVDĚPODOBNOST A STATISTIKA. Odhady parametrů Postačující statistiky
PRAVDĚPODOBNOS A SAISIKA Odhady parametrů SP3 Připomenutí pojmů Připomenutí pojmů z S1P a SP2 odhady Nechť X,, je náhodný výběr z rozdělení s distribuční funkcí. 1 X,, X ) ( 1 n Statistika se nazývá bodovým
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
VíceJan Škoda. 29. listopadu 2013
Matematicko-fyzikální fakulta Univerzity Karlovy v Praze 29. listopadu 2013 Náplň přednášky state estimation Naivní přístup KF Matematický model Problém podmínky linearity EKF. & ukázka Co se nedozvíte:
VíceCvičení 10. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.
10 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické
VíceCAPM atd. Martin Šmíd, martin@klec.cz, www.klec.cz/martin. listopad 2005
CAPM atd. Martin Šmíd, martin@klec.cz, www.klec.cz/martin ÚTIA AV ČR listopad 2005 Obsah 1. Výběr portfolia 2. CAPM s bezrizikovým aktivem 3. Empirické ověření CAPM Domácí úkol Literatura E. Barucci. Financial
VíceI. Úvod. II. Popis základních metod technické analýzy !! "# ! "" $% &'() "* *+ "" "* (,-.,/ " " "" *!!+ 01+ " * " " 2! " "*"*!
I. Úvod!! "#! "" $% &'() "* *+ "" "* (,-.,/ " " "" *!!+ 01+ " * " " 2! " "*"*! 3 * 4 " (,-.,/ *" * # "!5!0 6 7289:+789:!; ;"! ; *$! "#!; 0 + ní získané, za! + 0 0"< = >
VíceNeuronové sítě (11. přednáška)
Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
VíceEkonomické scénáře pro oceňování závazků z životního pojištění. Seminář z aktuárských věd Martin Jusko
Ekonomické scénáře pro oceňování závazků z životního pojištění Seminář z aktuárských věd 20. 12. 2013 Martin Jusko Otázky? co jsou ekonomické scénáře? proč a jak se používají při oceňování toků z životního
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceJsou inspirovány poznatky o neuronech a nervových sítích živých organizmů a jejich schopnostmi:
Neuronové sítě V prezentaci jsou použity podklady zřady zdrojů (Marcel Jiřina, Dan Novák, Jean- Christophe Prévotet, Petr Berka, Jana Tučková a další) Neuronové sítě Jsou inspirovány poznatky o neuronech
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceVyužití přímé inverzní metody pro řízení reálných systémů
XXVI. ASR '2001 Seminar, Instruments and Control, Ostrava, April 26-27, 2001 Paper 70 Využití přímé inverzní metody pro řízení reálných systémů ŠKUTOVÁ, Jolana Ing., Katedra ATŘ-352, VŠB-TU Ostrava, 17.
VíceStavební fakulta Katedra mechaniky. Jaroslav Kruis, Petr Štemberk
České vysoké učení technické v Praze Stavební fakulta Katedra mechaniky Fuzzy množiny, fuzzy čísla a jejich aplikace v inženýrství Jaroslav Kruis, Petr Štemberk Obsah Nejistoty Teorie pravděpodobnosti
VíceMetoda backward výběru proměnných v lineární regresi a její vlastnosti
Metoda backward výběru proměnných v lineární regresi a její vlastnosti Aktuárský seminář, 13. dubna 2018 Milan Bašta 1 / 30 1 Metody výběru proměnných do modelu 2 Monte Carlo simulace, backward metoda
VícePreceptron přednáška ze dne
Preceptron 2 Pavel Křížek Přemysl Šůcha 6. přednáška ze dne 3.4.2001 Obsah 1 Lineární diskriminační funkce 2 1.1 Zobecněná lineární diskriminační funkce............ 2 1.2 Učení klasifikátoru........................
Více2 Hlavní charakteristiky v analýze přežití
2 Hlavní charakteristiky v analýze přežití Předpokládané výstupy z výuky: 1. Student umí definovat funkci přežití, rizikovou funkci a kumulativní rizikovou funkci a zná funkční vazby mezi nimi 2. Student
VíceValue at Risk. Karolína Maňáková
Value at Risk Karolína Maňáková Value at risk Historická metoda Model-Building přístup Lineární model variance a kovariance Metoda Monte Carlo Stress testing a Back testing Potenciální ztráta s danou pravděpodobností
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceVyužití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
VíceRozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005
Rozpoznávání písmen Jiří Šejnoha Rudolf Kadlec (c) 2005 Osnova Motivace Popis problému Povaha dat Neuronová síť Architektura Výsledky Zhodnocení a závěr Popis problému Jedná se o praktický problém, kdy
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VícePoužití technik UI v algoritmickém obchodování III
Použití technik UI v algoritmickém obchodování III Matematicko-fyzikální fakulta Univerzity Karlovy v Praze 19. května 2014 Anotace Motivace Obchodování připomenutí problému Agent TurtleTrader a jeho indikátory
VícePV021: Neuronové sítě. Tomáš Brázdil
1 PV021: Neuronové sítě Tomáš Brázdil Cíl předmětu 2 Na co se zaměříme Základní techniky a principy neuronových sítí (NS) Přehled základních modelů NS a jejich použití Co si (doufám) odnesete Znalost základních
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Bodové odhady a intervaly spolehlivosti Vilém Vychodil KMI/PRAS, Přednáška 10 Vytvořeno v rámci projektu 963/011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 10) Bodové odhady a intervaly
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
VíceModelov an ı soci aln ıch a ekonomick ych syst em u Radek Pel anek
Modelování sociálních a ekonomických systémů Radek Pelánek Generativní sociální věda sociální vědy: pozorování chování sociálních systémů a snaha vysvětlit toto chování problém s experimenty a falsifikací
VíceDesign Experimentu a Statistika - AGA46E
Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: T 9:00 10:30 or by appointment
VíceAlgoritmy a struktury neuropočítačů ASN - P1
Algoritmy a struktury neuropočítačů ASN - P1 http://amber.feld.cvut.cz/ssc www.janatuckova.cz Prof.Ing. Jana Tučková,CSc. Katedra teorie obvodů K331 kancelář: 614, B3 tel.: 224 352 098 e-mail: tuckova@fel.cvut.cz
VícePŘEDNÁŠKA 2 POSLOUPNOSTI
PŘEDNÁŠKA 2 POSLOUPNOSTI 2.1 Zobrazení 2 Definice 1. Uvažujme libovolné neprázdné množiny A, B. Zobrazení množiny A do množiny B je definováno jako množina F uspořádaných dvojic (x, y A B, kde ke každému
VíceACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LIII 12 Číslo 3, 2005 Vybrané aspekty modelování devizového kurzu
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceStatistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I
Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I Příklad Tahová síla papíru používaného pro výrobu potravinových sáčků je důležitá charakteristika kvality. Je známo, že síla
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
VíceRobustní odhady statistických parametrů
Robustní odhady statistických parametrů ěkdy pracují dobře, jinde ne. Typická data - pozorování BL Lac 100 mag 40 0 0.41 0.40 JD date 0.39 0.38 0.38223-1.586 0.017 0.40550-1.530 0.019 0.39453-1.610 0.024
Více1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!
Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k
VíceKLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ
KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ Marie Richterová 1, David Juráček 2 1 Univerzita obrany, Katedra KIS, 2 PČR MŘ Brno Abstrakt Článek se zabývá rozpoznáváním analogových a diskrétních
VíceMaximálně věrohodné odhady v časových řadách
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Hana Tritová Maximálně věrohodné odhady v časových řadách Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceÚvod Příklad Výpočty a grafické znázornění. Filip Habr. České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská
Neuronové sítě-delta učení Filip Habr České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská 30. března 2009 Obsah prezentace Obsah prezentace Delta učení 1 Teorie k delta učení 2
VíceMetody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics)
Metody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics) Literatura Newman, M. (2010). Networks: An Introduction. Oxford University Press. [15-77] Leskovec, J., Rajaraman, A., Ullman, J. D.
VíceAritmetické funkce. Pepa Svoboda
Aritmetické funkce Pepa Svoboda Abstrakt. V přednášce se seznámíme s aritmetickými funkcemi jako je Eulerova funkce nebo součet dělitelů. Ukážeme si jejich vlastnosti a spočítáme nějaké příklady. Ve druhé
VíceOd Náhodné Procházky Ke Spojitým Modelům. Silvie Kafková. 1.prosince 2014, FIMA
Od Náhodné Procházky Ke Spojitým Modelům Silvie Kafková 1.prosince 2014, FIMA Obsah 1 Motivace 2 3 Aplikace náhodné procházky 4 Jednoduchý model ceny akcie Motivace Obsah 1 Motivace 2 3 Aplikace náhodné
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VícePREDIKCE POČTU UCHAZEČŮ O STUDIUM S VYUŽITÍM NEURONOVÝCH SÍTÍ
PREDIKCE POČTU UCHAZEČŮ O STUDIUM S VYUŽITÍM NEURONOVÝCH SÍTÍ P. Matušík Evropský polytechnický institut, s.r.o, Osvobození 699, 686 04 Kunovice Abstract Neuronové sítě se v době využívají v řadě vědních
VíceStochastické diferenciální rovnice
KDM MFF UK, Praha Aplikace matematiky pro učitele 15.11.2011 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Model pro nemoc s rychlým šířením a krátkou dobou léčby. Příkladem takovéto
VíceCFD simulace vícefázového proudění na nakloněné desce: porovnání smáčivosti různých kapalin. Martin Šourek
CFD simulace vícefázového proudění na nakloněné desce: porovnání smáčivosti různých kapalin Martin Šourek VŠCHT Praha Ústav matematiky Praha 13. Prosince 2016 Úvod Model Výsledky Závěr Úvod 13.12.2016
VíceEva Fišerová a Karel Hron. Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci.
Ortogonální regrese pro 3-složkové kompoziční data využitím lineárních modelů Eva Fišerová a Karel Hron Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Diskrétní rozdělení Vilém Vychodil KMI/PRAS, Přednáška 6 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 6) Diskrétní rozdělení Pravděpodobnost a
VícePřemysl Bejda.
premyslbejda@gmail.com 2010 Obsah 1 2 3 Obchodovatelnost Cena rizika Obsah 1 2 3 Obchodovatelnost Cena rizika Obsah 1 2 3 Obchodovatelnost Cena rizika Itôovo lemma Lemma (Itôovo) Necht X t je stochastický
VíceAnalýza míry zisku indexu PX
Analýza míry zisku indexu PX Vladimíra Petrášková Jihočeská univerzita v Českých Budějovicích Abstrakt Důležitou součástí některých metod souvisejících s regulací finančních rizik je předpověď budoucí
VíceUmělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
Více5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
VíceModelová složitost neuronových sítí - zdánlivý paradox
Modelová složitost neuronových sítí - zdánlivý paradox Věra Kůrková Ústav informatiky, Akademie věd České republiky Pod Vodárenskou věží 2, 18207 Praha Email: vera@cs.cas.cz Abstrakt V článku jsou studovány
VíceUniverzita Karlova v Praze procesy II. Zuzana. funkce
Náhodné 1 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze email: praskova@karlin.mff.cuni.cz 11.-12.3. 2010 1 Outline Lemma 1: 1. Nechť µ, ν jsou konečné míry na borelovských
VíceTEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose.
TEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose. Kvůli těmto těžkostem se měření zúžilo jen na délku
VíceZáklady ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28
Základy ekonometrie XI. Vektorové autoregresní modely Základy ekonometrie (ZAEK) XI. VAR modely Podzim 2015 1 / 28 Obsah tématu 1 Prognózování s VAR modely 2 Vektorové modely korekce chyb (VECM) 3 Impulzní
VíceTestování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci Cíle otestovat kvalitu interpolace pomocí
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
VíceKvantitativní řízení rizik 7.11.2014
Kvantitativní řízení rizik 7.11.2014 Ekonomický kapitál ekonomický kapitál- kapitál potřebný k zajištění schopnosti splnit v daném časovém horizontu převzaté závazky s danou pravděpodobností L- riziko,
VíceKlasifikační metody pro genetická data: regularizace a robustnost
Odd medicínské informatiky a biostatistiky Ústav informatiky AV ČR, vvi Práce vznikla za finanční podpory Nadačního fondu Neuron na podporu vědy Klasifikační metody pro genetická data Regularizovaná klasifikační
VíceZpětnovazební učení Michaela Walterová Jednoocí slepým,
Zpětnovazební učení Michaela Walterová Jednoocí slepým, 17. 4. 2019 V minulých dílech jste viděli Tři paradigmata strojového učení: 1) Učení s učitelem (supervised learning) Trénovací data: vstup a požadovaný
VíceKVADRATICKÁ KALIBRACE
Petra Širůčková, prof. RNDr. Gejza Wimmer, DrSc. Finanční matematika v praxi III. a Matematické modely a aplikace 4. 9. 2013 Osnova Kalibrace 1 Kalibrace Pojem kalibrace Cíle kalibrace Předpoklady 2 3
VíceO ODHADU PARAMETRŮ V JEDNODUCHÉM NELINEÁRNÍM MODELU KLOUZAVÝCH SOUČTŮ
ROBUST, 84 88 c JČMF O ODHADU PARAMETRŮ V JEDNODUCHÉM NELINEÁRNÍM MODELU KLOUZAVÝCH SOUČTŮ TOMÁŠ MAREK Abstrakt. The paper is concerned with a parameter estimation in the simple non-linear moving average
VíceProjekty - Úvod do funkcionální analýzy
Projekty - Úvod do funkcionální analýzy Projekt č. 1. Nechť a, b R, a < b. Dokažte, že prostor C( a, b ) = f : R R: f je spojitá na D(f) = a, b s metrikou je úplný. ρ(f, g) = max f(x) g(x) x a,b Projekt
VíceModelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří
Univerzita J. E. Purkyně, Fakulta životního prostředí Registrační číslo projektu: MMR WD-44-07-1 Modelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří Závěrečná
Vícedat Robust ledna 2018
Analýza prostorově závislých funkcionálních dat V. Římalová, A. Menafoglio, A. Pini, E. Fišerová Robust 2018 25. ledna 2018 Motivace Data a náhled lokace Měsíční měření (březen-říjen 2015 a 2016) 5 chemických
VíceInstance based learning
Učení založené na instancích Instance based learning Charakteristika IBL (nejbližších sousedů) Tyto metody nepředpokládají určitý model nejsou strukturované a typicky nejsou příliš užitečné pro porozumění
Více6. ZÁKLADY STATIST. ODHADOVÁNÍ. Θ parametrický prostor. Dva základní způsoby odhadu neznámého vektoru parametrů bodový a intervalový.
6. ZÁKLADY STATIST. ODHADOVÁNÍ X={X 1, X 2,..., X n } výběr z rozdělení s F (x, θ), θ={θ 1,..., θ r } - vektor reálných neznámých param. θ Θ R k. Θ parametrický prostor. Dva základní způsoby odhadu neznámého
VíceArchitektura - struktura sítě výkonných prvků, jejich vzájemné propojení.
Základní pojmy z oblasti neuronových sítí Zde je uveden přehled některých základních pojmů z oblasti neuronových sítí. Tento přehled usnadní studium a pochopení předmětu. ADALINE - klasická umělá neuronová
Více