Инструменты анализа. 
Возможность применения анализа настроения пользователей Twitter для повышения точности прогноза движения цен инструментов фондового рынка

В качестве инструментов анализа и прогнозирования будем использовать нейронную сеть, который является одним из наиболее эффективных методов в этой области. Преимущество нейронной сети заключается в том, что возможно обучение на исторических данных на конкретном рынке под конкретный финансовый инструмент с целью дальнейшего построения точного прогноза.

В этом смысле можно сказать, что нейронная сеть позволяет смоделировать «универсального робота», которого можно обучить под любой рынок вне зависимости от выбора инструмента торговли.

Рассмотрим более подробно работу нейронной сети.

Нейронная сеть. Принципы работы нейронной сети

Нервная система человека построена из элементов, которые называются нейронами. Каждый нейрон обладает многими свойствами, общими с другими органами тела, но ему присущи абсолютно уникальные способности: принимать, обрабатывать и передавать электрохимические сигналы по нервным путям, которые образуют коммуникационную систему мозга.

Искусственный нейрон имитирует свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, и все произведения суммируются, определяя уровень активации нейрона.

Рис. 3 Схема работы персептрона

Множество входных сигналов, обозначенных, , …, , поступают на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором Х, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес, , …, (множество всех весов обозначается вектором W), и поступает на суммирующий блок, обозначенный ?. Суммирующий блок, соответствующий телу биологического элемент, складывает взвешенные входы алгебраически, создавая выход, который мы будем обозначать NET. В векторных обозначениях это можно записать компактно NET = XW.

Сигнал, как правило, далее преобразуется активационной функцией F и дает выходной нейронный сигнал OUT. Активационная функция может быть обычной линейной функцией.

OUT = F (NET).

где NET — константа, пороговой функцией.

OUT =.

где Т — некоторая постоянная пороговая величина, или же функцией, более точно моделирующей нелинейную передаточную характеристику биологического нейрона и представляющей нейронной сети больший возможности.

Хотя один нейрон и способен выполнять простейшие процедуры распознавания, но для серьезных нейронных вычислений необходимо соединять нейроны в сети. Простейшая сеть (также называется персептроном) состоит из группы нейронов, образующих слой. Каждый элемент из множество входов Х отдельным весом соединен с каждым искусственным нейроном. А каждый нейрон выдает взвешенную сумму входов в сеть.

Удобно считать веса элементами матрицы W. Матрица имеет m строк и n столбцов, где n — число входов, а m — число нейронов. Например, — это вес, связывающий третий вход со вторым нейроном. Таким образом, вычисление выходного вектора N, компонентами которого являются выходы OUT нейронов, сводится к матричному умножению N = XW, где N и X — векторы-строки.

Рис. 4 Схема работы нейронной сети