Нейросети

из "Трейдинг - ваш путь к финансовой свободе "

Я перебрал, наверное, всех экспертов с тем, чтобы найти хоть кого-нибудь для написания данной главы для книги. Дело в том, что нейросети очень сложны для понимания. Чаще всего они представляют собой границу на кривой соответствия. Более того, вам потребуется потратить очень много усилий на то, чтобы спрогнозировать, будут ли цены завтра ниже или выше, однако точность прогноза в лучшем случае составит 55%. Это выглядит странно. Я нутром чувствую, что нейросети способны на большее. [c.127]
Чтобы ввести межрыночный анализ в вашу торговую систему, совсем необязательно менять стиль торговли или же отказываться от использования отдельного индикатора, который на самом деле неплохо работает. Межрыночный анализ может быть использован для усиления существующего подхода к анализу единичного рынка. [c.129]
Чтобы по достоинству оценить разницу между межрыночным анализом и анализом единичного рынка, просто прикройте рукой один глаз. Вы заметите, что периферийное зрение резко ограничилось, а ваша способность охватывать взглядом окружающие предметы снизилась многократно. Точно так же выглядит анализ единичного рынка в нашем современном финансовом мире. А теперь уберите ладонь и обратите внимание, как изменилось ваше периферийное зрение. Это отражает сущность межрыночного анализа — предоставлять расширенную область охвата. [c.129]
Я с радостью представлю вам краткое описание того, что собой представляют нейросети и как их можно применить на финансовом рынке. Главный акцент будет сделан на парадигмах нейросетей, их архитектуре, а также на тренировочных и тестовых режимах применения нейросетей для прогнозирования финансовых рынков. [c.129]
Сеть с обратным распространением состоит из одного уровня входящих данных, одного или нескольких скрытых уровней и одного уровня выходных данных. Уровень входящих данных состоит из нейрона, связанного с каждой входящей независимой переменной. Уровень выходных данных содержит нейрон, относящийся к каждой зависимой переменной, которую надо спрогнозировать. Скрытый уровень состоит из нейронов, которые связаны как с входящими, так и с выходящими данными. Как правило, уровни имеют полные связи между собой. Это означает, что каждый нейрон на каждом уровне связан с каждым из нейронов соседнего уровня. [c.130]
Значения, ассоциирующиеся с каждым из нейронов входящих данных, отсылаются каждому из нейронов первого из скрытых уровней. [c.130]
Далее они умножаются на присвоенный им вес, складываются и преобразуются с помощью функций для того, чтобы получить в итоге выходные данные. Выходные данные с первого из скрытых уровней затем передаются каждому последующему скрытому уровню или же напрямую направляются на уровень выходных данных сети, если та включает в себя только один скрытый уровень. Уровень выходных данных — это и есть прогноз, сгенерированный нейросетью. [c.131]
Число нейронов скрытых уровней определяется экспериментально. Для нелинейных задач, как, например, прогнозирование цен акций или фьючерсов, нейросеть должна состоять как минимум из одного скрытого уровня. Более того, функция преобразования должна тоже быть нелинейной, постоянно дифференцированной. Это может быть, например, сигма-функция, которая позволяет сети преобразовывать нелинейные статистические модели. На рис. 5.8 представлена модель скрытых нейронов. [c.131]
Как только вы отберете данные для входящего уровня, эти данные надо будет предварительно обработать. Уменьшая число переменных на этапе входящих данных, мы можем упростить нейросеть. Для предварительной обработки данных применяются, как правило, два широко известных метода — преобразование и нормализация. Преобразование предполагает манипулирование рядом данных для того, чтобы получить из них одну переменную, а не несколько. Нормализация же позволяет равномерно распределить данные и подогнать их под масштаб, который подходил бы ряду нейронов входящих данных. [c.132]
При практическом применении нейросетей преобразование чаще всего представляет собой алгебраические или статистические операции над входящими данными. В прогнозировании финансовых рынков преобразование может быть применено к бесчисленному множеству технических индикаторов, обычно используемых трейдерами в целях интерпретации рыночных явлений. Предварительная обработка может включать в себя разностные коэффициенты, а также скользящие средние цен открытия, закрытия, максимальных и минимальных цен, показателей объема или открытого интереса. Каждый нейрон на уровне входящих данных представляет собой предварительно обработанные данные. [c.132]
Вы можете использовать различные методы преобразования и нормализации, так как какие-то из них при различных условиях будут применимы больше, а какие-то — меньше. После того, как вы определитесь с архитектурой, выберете входные данные и предварительно их обработаете, можно переходить к отбору событий. [c.132]
Пробы и тестирование. После того, как множество событий будет определено, их надо транспонировать в сеть, разбив на серии, образованные во время проб. Веса, которые позволяют нейросети адаптировать ее внутренние процессы моделирования системы, обычно инициируются генератором случайных чисел, которые берутся из небольшого установленного заранее диапазона значений. Если весам изначально придать одни и те же значения, нейросеть может никогда не выдать верного результата, так как глубина ошибки (погрешности) привязана к относительному изменению весов. Для каждого множества пробных значений сеть рассчитывает при помощи компьютера значение погрешностей, возникающие между сгенерированными сетью значениями и желаемым результатом для всех выходных данных каждого выпускающего уровня. Далее полученные ошибки (погрешности) прогоняются обратно через сеть, уровень за уровнем, чередуя связывающие веса между нейронами, чтобы минимизировать суммарную ошибку, связанную с выходными данными. [c.133]
Каждый раз, когда меняется значение весов, нейросеть совершает очередное движение в многомерном пространстве, формируя целостное пространство погрешностей. Во время тестирования сеть совершает движение вдоль одной плоскости в поисках точки, где величина погрешности была бы минимальной. Изменение весов пропорционально тестируемому параметру называется коэффициентом обучения . Прочие параметры, которые выводятся в процессе тестирования, представляют собой температуру, выигрыш и шум. [c.133]
Азбука скользящих средних. Скользящие средние сглаживают флуктуации цены с тем, чтобы выделить направление тренда. Классическая торговая система, основанная на скользящих средних, представляет собой осциллятор из пересечения двух скользящих средних или одной скользящей средней и самой цены. Точки входа и выхода определяются исходя из того, какая скользящая средняя и в каком направлении (сверху вниз или снизу вверх) пересекает другую скользящую среднюю. Например, трейдер может принимать решения о входе и выходе с рынка, основываясь на пятидневном значении цены акций и ее двадцатидневной скользящей средней. [c.136]
Однако скользящие средние слишком поздно реагируют на разворотные точки рынка. Традиционная система, основанная на скользящих средних, обычно выдает сигналы на открытие и закрытие позиций через несколько дней после того, как рынок совершил разворот, что съедает часть прибыли и может прибыльную сделку превратить в убыточную. Более того, системы на основе пересечения скользящих средних часто выдают ложные сигналы во время бокового движения или на рынке с неопределенным трендом, приводя к пилообразным действиям трейдера на рынке, когда покупки чередуются с продажами, возникающими из-за частого пересечения скользящих средних. [c.136]

Вернуться к основной статье