Какво е невронна мрежа?
Невронни мрежи са в действителност, някои звена с възможност за самостоятелно обучение и разпознаване на образи, класификация и прогнозиране. Те са особено привлекателни за търговците, защото мрежата може да се справи с оценките на вероятностите в неясни ситуации, както и размити модели логически, т.е. модели, лесно определими на външен вид, но е трудно да се алгоритмизация под формата на точни правила. Потенциално невронната мрежа може да открива всички данни, налични в първоначалните повтарящи модели. Мрежите могат също да интегрират големи количества информация, не задушаване в подробности, и могат да се адаптират към променящите се пазари и условия.
Съществува голямо разнообразие на невронни мрежи, различаващи се по тяхната "архитектура", т.е. виртуални метод комуникация неврони подробности за тяхното поведение (обработка на сигнала или "трансфер функция") и процес живот. Има различни видове мрежови архитектури са в интерес на търговците, като мрежа вектор квантуване обучение и UNC мрежа (LVQ), разнообразие от мрежата адаптивен резонанс и периодична мрежа. В тази глава, най-популярните и полезни в много отношения, архитектурата ще бъде обсъдено, а именно невронната мрежа с директна svyazyu.Kak споменато по-горе, мрежата варират съгласно метода на обучение. Проектантите на системата играят ролята на учител, осигуряване на мрежа от примери за изучаване. Някои мрежи са обучени "под контрол", някои "извън контрол". под надзора на обучението се извършва, когато мрежата е обучен да даде правилните отговори, които показват примери си на правилни решения; за всеки набор от входове е целта на мрежата, за да се гарантира правилното изход. Образование без контрол е, че мрежата организира записите както намери за добре, въз основа на намерени в тях вътрешните закони. Независимо от формата на обучение основният проблем е да се намери съответните данни, както и да им се даде под формата на казуси, факти, които подчертават важните модели за ефективно и учене мрежа, с цел да се избегне образуването на заблуди. подготовка Предварителни данни - изкуство, само по себе си.
Всъщност учебен процес обикновено включва някакъв механизъм за актуализиране на специфичните тегла и значението на различните връзки между невроните в отговор на предоставените казуси. Когато се използва в архитектурата, директни връзки често се използват резервни разпространение - най-бързата форма на оптимизация. Също така ефективни генетични алгоритми. което изисква много изчисления и време, но обикновено дава най-добрите крайни резултати.
Невронни мрежи на задаващия
задаващия мрежа се състои от слоеве на неврони. Първият слой, на входа, или получава информация входове отвън. Този слой се състои от независими променливи като показатели цената или стойността на които системата е в следните заключения или прогнози. Този слой има множество връзки с следния нарича скрит слой, тъй като не съдържа отношения със света. Изходите на този слой се подават към следващия слой, който също може да бъде скрит (ако е така, процесът се повтаря) или изходния слой. Всяка от неврони в изходна слой изпраща сигнал на базата на прогнози, класификации или решения, взети от мрежата. Мрежи обикновено определят от броя на невроните в всеки слой; например 10-3-1 мрежа се състои от 10 неврони в вход, скрити в 3 и 1 в изходния слой. Мрежи се предлагат в различни размери - от няколко до хиляди неврони, както и от всички три слоя на десетки; трудността зависи от мащабите на проблема се решава. Почти винаги достатъчно три или четири sloev.Neyronnye мрежа с директна връзка (подобен на този, използван в тази глава) включва специална форма на нелинейна множествена регресия. Мрежата предприема редица входни променливи и ги използва, за да се предскаже гола за работа, както и с регресия. Стандартната множествена линейна регресия, например, ако задачата е да се предскаже нивото на холестерола (зависима променлива), базирани на приема на мазнини и физически упражнения (независим вход променлива), данните ще бъдат моделирани, както следва: прогнозира нивото на холестерола = а + б х мазнини прием + в X натоварване, където стойностите а, б и в са определени от статистическата процедура. За търсене в множество решения, които могат да бъдат линия, самолет или hyperplane (в зависимост от броя на променливите) съгласно принципите на най-малките квадрати. В по-горе проблем всички разтвори са в равнината: х-ос представлява консумацията на мазнини, у-ос физическата активност, височината на равнината на всяка точка (х, у) е предсказано нивото на холестерола. При използване на техники на невронната мрежа двуизмерна равнина, или п двумерен hyperplane множествена линейна регресия се заменя със п двумерен гладка извита повърхност с върхове и спадове, гребени и канавки. Например, ние трябва да намерим оптималното решение за набор от променливи, както и предизвикателството ще бъде да изгради многоизмерен карта. Разтворът на невронна мрежа се постига с помощта на "неврони" - взаимосвързани нелинейни елементи, комуникации, които са балансирани, така че да се коригира повърхността на предметите.
Алгоритъмът за учене генерира регулиране теглата за връзка, за максимално удобно в оригиналната конфигурация на повърхността на данни. Както в случая със стандартна множествена регресия, където са необходими регресионни коефициенти за определяне на наклона на hypersurface, за параметри невронни модел се изисква (под формата на теглото на връзки) за осигуряване на най-добро напасване повърхността конструирана, всички върхове и долини, с входните данни.
Невронни мрежи в търговията
Невронни мрежи са най-популярни в края на 80-те - началото на 90-те години, а след това и меденият месец. Какво се случи? В общи линии, дойде разочарованието сред търговците, които се надяваха, че новата технология ще им позволи по чудо превъзходство с минимални усилия. Разработчиците използват, за да се обучават достатъчно подготвени първоначалните данни, с надеждата за открития, които трябва да са направили самата мрежа. Това беше наивен подход. Успехът на пазара никога не е толкова прост и достъпен за всички. Този подход е не само неефективно по отношение на развитие на мрежата, но също така доведе до факта, че мрежата е широко разпространена. В резултат на това всеки опит да улови движението на системи благоприятен пазар е сведена до нула, защото на променящия се характер на пазара, който бързо се адаптира към новите техники за търговия. В технологията себе си и на обвиняемия да го отхвърли, без да мисли за грешен подход за неговото прилагане. Имахме нужда от една по-интелигентна и сложен подход за успешни резултати.
Повечето опити за разработване на прогнозни модели на базата на невронни мрежи. прости или сложни, фокусирани върху отделните пазари. Проблемът с отделните пазари е, че броят на точките с данни за мрежа на обучение е много ограничен и води до повторно оптимизация, който, особено в комбинация с не много добре подготвени данни, води до провал в търговията. В тази глава невронната мрежа ще бъдат обучени на базата на портфейл от ценни книжа, валути и фючърси, които ще бъдат използвани, за да се избегне монтирането на десетките хиляди точки от данни - една прилична сума за малко или средно невронна мрежа. По този начин тя може да бъде в състояние да я накара да работи по-скоро ясно прогнозиране алгоритъм на пазара. В действителност, такава мрежа може да служи като универсален предиктор означава, т.е. след като се научи цяло портфолио тя ще бъде в състояние да предскаже поотделно всеки един от пазарите.