Нейросетевой анализ для Форекс

Рейтинг лучших брокеров для торговли акциями за 2020 год:
  • FinMax (Форекс)
    FinMax (Форекс)

    Лучший брокер Форекса! Удобная платформа и высокая прибыль до 40% в месяц!

  • BINARIUM
    ☆☆☆☆☆
    ★★★★★
    BINARIUM

    Лучший брокер по бинарным опционам. Огромный раздел по обучению.

В этой статье раскрыты следующие темы:

Нейронные сети на форекс

Что такое нейронная сеть.

В самом общем случае под нейронной сетью понимается некая обучаемая система, моделирующая мыслительный процесс человека. Теория нейронных сетей рассматривает мыслительную деятельность как результат взаимодействия между нейронами.

Нейрон это клетка нервной системы. В организме человека нейронов огромное количество, более ста миллиардов. Каждый нейрон может иметь более 10 000 связей с другими нейронами. Всё это образует невообразимо сложную и разветвлённую сеть, по которой передаётся огромное множество элементарных сигналов.

Программно смоделировать такую сеть средствами MQL естественно невозможно и о полноценном искусственном интеллекте говорить в нашем случае не приходится.

Но надо учесть, что человеческий мозг обрабатывает огромное количество самой разнообразной информации. Для торгового робота же необходим очень ограниченный набор данных. Это во много раз сокращает размер и сложность нейросети.

К тому же нас интересует всего один результат, сигнал на покупку или продажу. То есть нам нужен очень ограниченный функционал сети. С учётом этих факторов применение нейросетей в трейдинге становится достаточно реальным.

Математическая модель восприятия информации мозгом ( перцептрон ) была предложена Фрэнком Розенблаттом ещё в 1957 году. Конечно это очень упрощённая модель, но тем не менее она способна обучаться и решать различные, довольно сложные задачи.

Перцептрон

Простейший перцептрон выглядит примерно так:

S элементы.

S (или сенсорные) элементы по своей сути представляют собой датчики, считывающие какую то информацию. Эти элементы имеют всего 2 состояния, они либо активны, либо неактивны. Программно можно представить их в виде логической (булевой) функции. Тогда на выходе такой функции будет либо 0 (элемент неактивен) либо 1 (элемент активен)

Лучшие брокеры без обмана
  • FinMax (Форекс)
    FinMax (Форекс)

    Огромный выбор торговых инструментов! Заработает каждый!

  • BINARIUM
    ☆☆☆☆☆
    ★★★★★
    BINARIUM

    Лучший брокер по бинарным опционам. Огромный раздел по обучению.

На рисунке это элементы S1. S9. Таких элементов может быть любое количество. В одном перцептроне может быть несколько групп сенсоров, для различных типов информации

A элементы.

A ( или ассоциативные ) элементы имеют несколько входов, на которые поступают сигналы от сенсоров ( S элементов ) и один выход. Эти элементы также имеют только 2 состояния либо активные, ( если на выходе единица ), либо неактивные ( на выходе ноль ).

А элементы активизируются, если алгебраическая сумма всех входных сигналов превышает какое то пороговое значение.

Например: на рисунке А элементы имеют три входа, на входы элемента А1 подаются сигналы от S элементов S1, S2 и S3. Пусть пороговое значение равно 2. Тогда А элемент активизируется, когда активны 2 из трёх S элементов, независимо от того, какие именно это элементы.

Обычно входов у А элемента гораздо больше, на рисунке изображены только трёх входовые элементы для упрощения. И пороговое значение в какой то степени регулирует чувствительность А элемента.

R элементы.

R ( или реагирующие ) элементы также имеют несколько входов, на которые подаются сигналы от А элементов. Выход R элемента является также выходом перцептрона. Перцептрон может иметь несколько R элементов и соответственно несколько выходов. Выход R элемента аналогичен двум предыдущим ( S и R элементам ) то есть имеет тоже 2 состояния ( 0 — неактивен, 1 активен )

R элементы активизируются когда алгебраическая сумма входных сигналов, помноженных на соответствующие им весовые коэффициенты превысит пороговое значение.

A1 * W1 + A2 * W2 + A3 * W3 + … … + An * Wn > pr

где pr это пороговое значение а W1 – Wn веса А связей. Подбирая вес связи мы можем придать какому то сигналу от А элемента большее значение, какому то меньшее, то есть таким образом мы можем обучать нейросеть

Результат работы перцептрона изображённого на первом рисунке несложно просчитать, по сути это обыкновенная логическая микросхема. На следующем рисунке изображён более сложный перцептрон, он также как и первый имеет 9 сенсорных элементов и один выход.

Но в этом перцептроне больше А элементов ( их уже 7 ) Обратите внимание на S связи ( связи между S и A элементами ) Связи расположены совершенно по другому и их гораздо больше. Результат работы такого перцептрона предсказать уже значительно сложнее. По сути он уже способен принимать какие то решения самостоятельно, то есть это уже думающая и обучаемая (хотя и очень примитивно) система.

Вообще А элементов может быть даже больше чем S элементов. Непосредственно связанные с сенсорами А элементы составляют первый слой перцептрона. Если А элементов достаточно много можно сделать второй, третий и более слой. Таким образом мы можем получить многослойную сеть.

NeuroNirvamanEA. Нейронные сети в автоматической торговле на форекс.

Практически ежедневно можно слышать о различных открытиях, которые касаются искусственного интеллекта.

То лучший шахматист умудрился проиграть роботу, то Илон Маск вовсе заявил о том, что искусственный интеллект в будущем может стать причиной гибели человечества.

А недавняя история о том, как боты на основе искусственного интеллекта в Фейсбук создали свой язык и начали на нем общаться между собой.

Вы думаете, только высокий мир инноваций и информационных технологий применяет способности машин к обучению?

Торгуй по крупному только с ведущим брокером

Нет, в биржевой торговле уже на протяжении многих лет активно ведутся работы над созданиями советников, которые способны обучится торговать на бирже.

Конечно, степень их самостоятельности далека от желаемого, но тем не менее они есть и в этой статье вы познакомитесь с одним из них.

Советник NeuroNirvamanEA – это полностью автоматический торговый эксперт для торгового терминала МТ5, который построен на нейронных сетях, что позволяет его обучать торговле на финансовых рынках в том числе и форекс.

Особенностью NeuroNirvamanEA является тот факт, что он использует нейронную сеть не в качестве основы, а в качестве фильтра.

Если же выделить саму концепцию, то автор робота заложил в эксперт трендовую индикаторную стратегию, которая по понятным причинам приносит плохие результаты во флете.

Благодаря нейронной сети происходит обучение торговать трендовой стратегией во флете, а именно грамотно фильтровать убыточные ситуации.

Сам же советник вполне универсален, поскольку его можно применять абсолютно на всех валютных парах или тайм фреймах, однако это можно делать лишь в том случае если вы правильно оптимизируете настройки и обучите нейронную сеть.

Установка советника NeuroNirvamanEA

Для применения торгового робота NeuroNirvamanEA вам потребуется произвести установку. Стоит заметить что советник NeuroNirvamanEA был создан в 2020 году, более того он библиотеке разработчиков МТ5 что позволяет нам его применять совершенно бесплатно.

Также из-за того что робот был помещен в библиотеку доступно два способа установки.

Для того чтобы установить советник через библиотеку запустите ваш торговый терминал и переместите свой курсор мышки в панель «Инструменты», где находится актуальная информация по балансу.

Затем следующим шагом вам потребуется переместиться в «Библиотеку» и выполнить простую сортировку, теперь в списке появятся только советники.

В отсортированном списке найдите NeuroNirvamanEA и с помощью дополнительного меню как это показано на изображении ниже произведите загрузку:

Если у вас возникнут проблемы с установкой советника через библиотеку, произведите инсталляцию по стандартной схеме.

Для этого переместитесь в конец статьи и произведите скачивание файла робота вместе с индикаторами, после чего поместите их в соответствующие папки каталога данных терминала.

После установки советника обязательно произведите перезапуск торгового терминала, либо обновите его в панели навигатор, поскольку в противном случае робот не появится в списке советников.

Для того чтобы эксперт начал самостоятельную торговлю перетащите его название на график выбранной вами валютной пары.

Стратегия советника. Настройки

Как мы уже отмечали в самом начале статьи, советник NeuroNirvamanEA построен на трендовой стратегии с применение нейронной сети.

Так робот использует два индикатора, а именно Laguerre_PlusDi и SilverTrend_Signal. В качестве сигнального инструмента выступает SilverTrend_Signal, в то время как Laguerre_PlusDi служит лишь для подтверждения сигнала.

Советник не применяет мартингейла, а у каждой выставленной сделки присутствует стоп приказ и профит.

В настройках советника можно влиять как на саму стратегию, так и непосредственно на нейронную сеть, которую необходимо оптимизировать.

Так в переменной SilverTrend #1,2,3: RISK вы можете задать ключевой параметр для расчета данных индикатора SilverTrend Signal. Переменная Laguerre #1,2,3: Period позволяет изменять периоды индикатора Laguerre.

Переменные x11 и x12 отвечают за обучение нейросети. Переменные Take Profit и Stop Loss позволяют задавать профит и стоп приказ в пунктах для позиций.

Тестирование и оптимизация

Прежде чем приступить к использованию советника в реальном рынке автор настоятельно требует произвести обучение нейроных сетей советника путем оптимизации.

Стоит заметить, что в настройках советника присутствует три блока с одинаковыми переменными, но у каждой из них проставлены цифры 1,2,3. Оптимизацию каждого блока необходимо делать поочередно, а не одновременно.

Так в качестве эксперимента мы провели обучение нейронной сети советника за 2020 год на часовом тайм фрейме валютной пары Евро/Доллар. Результаты после обучения эксперта выглядят следующим образом:

В заключение стоит отметить, что NeuroNirvamanEA обладает огромным потенциалом и устойчивостью к переменам на рынке форекс, что обеспечивает нейронная сеть и способность к обучению.

Также представленный робот отлично подойдет трейдерам с небольшим капиталом, так как в роботе присутствует четкая фиксация рисков.

Предупреждение о рисках.

Начиная торговлю CFD на любом из финансовых рынков вы должны четко понимать, что такой вид деятельности может привести не только к прибыли, но и к убыткам.

Консультации по торговле на форекс и других биржевых площадках России

Нейронные сети Форекс для борьбы за прибыль

Нейронная сеть – это метод анализа, который содержит множество разнообразных блочных схем для обработки информации, прослеживающим связи по взвешенным вероятностям. Этот термин был взят у ученых-экспертов, разрабатывающих системы искусственного интеллекта (ИИ). Нейронная сеть Форекс – это совершенная новинка в области валютных рынков. Если же попробовать дать ей упрощенное определение, то можно сказать, что нейронная сеть – это своеобразная модель, главная задача которой –воплотить в жизнь скопированные механизмы работы человеческого мозга, где наибольшую ценность представляет схема самообучения.

Что такое нейронная сеть на Форекс

Модели первых нейронных сетей были разработаны для воплощения их в сфере создания ПК, которые бы имели способность самообучаться, анализируя собственные ошибки, и размышлять, используя в качестве основы результаты уже выполненных действий. От обычных структур данная система отличается возможностью принимать и обрабатывать множество потоков информации, предоставляя на выходе же будет один результат.

Простые нейронные сети Форекс уже часто используют для прогнозирования движения котировок различных финансовых инструментов на рынке валют, поскольку они просто настраиваются на интерпретацию информации больших потоков информации для получения конкретных выводов.

Специфика применения нейронных сетей Форекс

Чтобы применить нейронную сеть для успешного прогнозирования событий на рынке Форекс или на каких-то других финансовых биржах, сначала понадобится потратить время на обучение и последующее тестирование ИИ. Но, после этого нейронная сеть обретет способность давать наиболее вероятностный прогноз в отношении будущих результатов.

С учетом наличия готовых примеров по выходящим и входящим данным, нейронные сети легко выявляют и запоминают всевозможные связи, а затем начинают более быстро обрабатывать и интерпретировать новые данные, формируя очень точные отчеты. Таким образом, она перманентно сопоставляет сделанные в результате анализа выводы для того чтобы определить точность сделанных прогнозов. Впрочем, такая система может и повторно проверять уже оформленные ранее готовые решения, добиваясь перенастройки взаимосвязей разнообразных коэффициентов, добиваясь каждый раз более точного ответа.

Повышение эффективности

Чтобы добиться стабильных и весомых результатов нейронные сети Форекс необходимо постоянно загружать работой, поскольку они подобны структуре мозга, который, как известно, если не работает, то деградирует. Способ тренировки весьма прост – необходимо постоянно давать для анализа пары разнообразных перечней данных для обучения, а также информации тестирования. Нейронная сеть способна в режиме non-stot продолжать самообучение, постоянно сопоставляя свои прогнозы и поступающие с финансовых рынок данные.

Нейронные сети Форекс легко объединяют для конечного анализа различные данные, полученные путем сбора фундаментальных и технических данных, регулярно видоизменяя оценку на основе новой входящей информации, позволяя постоянно получать наиболее актуальный прогноз. Мощности подобных систем с легкостью выявляют возможные неучтенные паттерны, чтобы затем использовать их для дальнейшего прогнозирования и, соответственно, для получения максимально точного вероятностного результата.

Преимущества и недостатки

Применения высокоразвитого интеллекта с полным отсутствием человеческих эмоций – это огромное преимущество, позволяющее на равных побороться с рынком. Однако здесь имеется и оборотная сторона медали. Это преимущество может принести вред на высоковолатильном рынке валют, когда возникает новый случайный фактор, в основе которого лежат механизмы, вызванные к жизни так называемой психологией толпы.

Сегодня на Форекс уже есть платформы для торговли, которые содержат в себе нейронную сеть, а также специальную технологию, которая дает возможность «обучить» ее определенной системе торговли, для прогнозирования рынка, а, затем на основе прогноза выставлять ордера на покупку и продажу. Использовать таких высокоинтеллектуальных помощников можно и нужно, но как и с торговыми роботами, лучше не оставлять их работать без должного контроля, так как пока – машина есть машина.

Нейросети в торговле

Замечаю сильную тенденцию развития искусственных нейронных сетей (ANN — Artificial neural network). Недавно был большой бум открытия различных структур и способов их построения и обучения. (Сверточные, реккурентные и пр.)

«Ну и че?» — Спросите вы.

А то что открылись новые двери для человечества — распознавание, классификация, нахождение любых закономерностей путем мат. оптимизации, причем на это открытие обращают кратно меньше внимания чем блокчейну, хотя потенциал окупаемости развития этой ветви технологий наоборот — кратно больше блокчейна.

«Ну и че?» — Снова спросите вы.

Конкретно для нас с вами:
1) Роботы и алгоритмы нового уровня способные не просто торговать на высоких скоростях по фиксированным алгоритмам, а еще и обучаться с различной скоростью и дисперсией на меняющемся рынке кратно быстрее любого человека. Рынки станут еще более сложным организмом чем являются сейчас.
2) Предугадывание поведенческих и психологических паттернов — если сейчас маркетинговые системы на ANN могут по вашим действиям в интернете понять и предугадать ваши покупки\поездки\подарки\работу в настоящем и близком будущем, то через несколько лет возможно будет загнать совокупность новостных лент\графиков\котировок в нейросеть и обучить на прибыльную торговлю.
3) Возможность появления нового «Бума» схожего с «.com» и криптовалютами. В ходе которого появится несколько гигантов которые будут продавать, джина в бутылке как сейчас смартфоны — летающего\плавающего\ездящего\прямоходящего робота способного подстроиться именно под Вас и выполнять любые Ваши прихоти (подай пиво, перенеси диван, забери малого со школы, купи билеты на отпуск в Крым , запри дверь и включи с*кс режим) единственным ограничением которого будет стоимость Вашей подписки.
4) Появление нейроинтерфейсов которые заменят аналоговое управление комьютером и другой электроникой, что вкупе с технологией виртуальной реальности даст возможность почти буквально «Жить в интернете» не двигая ни одной мышцой своего тела. (привет матрица)

Короче много чего изменится. Одна проблема на мой взгляд — нет дешевых и маленьких генераторов\аккумуляторов. Как только появятся готовьтесь к взрыву потребительского спроса на высокие технологии.

На десерт можете погуглить:
Convolutional neural network,
Reccurent neural network,
Deep machine learning.

Нейросети

Трейдинг на основе нейросетей

Рубрики блога

Использование нейронных сетей в инвестировании и трейдинге

Электронная нейросеть – это сеть, имитирующая работу биологической нейросети, то есть человеческого мозга. Правда, до уровня мозга человека сегодняшним электронным нейросетям ещё невероятно далеко. По своей сложности они с трудом дотягивают до уровня мозга улитки, далеко не самого интеллектуального представителя животного мира.

И в то же время, даже такие нейросети способны быть результативными, во многом превосходя возможности обычных компьютерных программ.

Отличие логической программы от нейросети

Подавляющее большинство программ на любых устройствах являются логическими и работают по чётко определённой формуле. Например, бухгалтерская программа берёт значения каждого дня и суммирует их в показатель месяца, затем берёт значения всех 12 месяцев и вычисляет сумму за год, среднее арифметическое и так далее.

Такие программы очень точны и оперативны, однако они не способны выйти за пределы своего алгоритма и мало пригодны для работы в меняющихся условиях. Например, если бы количество дней в месяце и недель в году было бы ежедневно меняющейся величиной, наша бухгалтерская программа тут же перестала бы корректно работать. А между тем, финансовые рынки как раз и предполагают такие постоянно меняющиеся условия. Поэтому и требуются новые решения, которые не только знают общий алгоритм, но и учитывают изменения. Подобным алгоритмом являются нейросети.

В отличие от стандартной «логической» программы, нейросеть способна учитывать изменения и отклонения от стандартных значений, улавливать тенденции и самообучаться, а самое главное – анализировать множество факторов.

Например: выходя из дома, человек решает, как ему одеться. За основу берётся последнее значение (то, как он одевался вчера). Однако вносятся коррективы с учётом показаний термометра (измеряемая величина), силы ветра, вероятности осадков (субъективно определяемые величины). А если с каждым днём температура падает на градус, нейросеть мозга определяет эту тенденцию, и человек предполагает, что скоро потребуется пальто.

Такие возможности очень привлекают инвесторов и трейдеров. В отличие от стандартного индикатора, нейросеть была бы способна почти полностью заменить трейдера, улавливая тренды, делая выводы и самокорректируясь. Поэтому постоянно предпринимаются попытки для того, чтобы создать такую программу, которая обладала бы возможностями нейросетей и была бы простой в использовании для трейдера.

Строение и обучение нейросетей

Биологическая нейросеть состоит из множества клеток – нейронов, которые соединены синапсами (отростками для передачи сигнала дальше по сети). При этом синапс, в отличие от обычного провода, выполняет не только функцию передачи, но также может усиливать либо ослаблять сигнал, корректируя его значимость для итогового анализа. Биологическая нейросеть может состоять из многих миллионов нейронов и синапсов, что является чрезвычайно сложной структурой.

Электронная нейросеть в целом повторяет структуру биологической. Она состоит из:

• Входных нейронов (поступление информации).

• Одного или несколько слоёв свободных нейронов (обычно не более 3).

• Выходных нейронов (выдача готового результата).

Роль синапсов в электронной нейросети играют так называемые сумматоры. Они придают поступающим значениям нужный коэффициент, который может меняться в обе стороны в процессе работы нейросети. Тот факт, что она сама корректирует значение этого коэффициента, и является сутью её обучения.

Нейросети делятся на простые и сложные (персептроны) в зависимости от количества слоёв нейронов (1 или более). Также они подразделяются на:

Прямые нейросети предполагают, что сигнал идёт от входа до выхода по прямой, как поезд по рельсам. Рекуррентные допускают возможность, что полученное промежуточное значение может снова отсылаться на вход и проходить нейросеть с начала. Биологический мозг – рекуррентная сеть, и это одна из причин, почему понять принцип его работы почти невозможно.

Каждая нейросеть – это система анализа данных, в перспективе очень мощная и точная, но требующая специальной настройки (обучения). Причём, с учётом самообучения нейросети, её настройка не сводится к выставлению конкретных параметров, по которым она будет работать. Принцип обучения совсем иной:

• На вход подаётся некое значение.

• Заранее известно, какое значение должно быть на выходе.

• В случае, если выходное значение отличается от нужного, сеть корректируется, пока разница не станет минимальной.

Звучит нетрудно, но задача усложняется тем, что нейросеть не просто запоминает ответы 2*3=6, 7*10=70. Обучив её верно решать первый пример со значениями 2 и 3, разработчик переходит к обучению со входными данными 7 и 10, при этом в процессе обучения меняются веса (коэффициенты), в том числе, и для значений 2 и 3. Получается, что итоговым результатом должен стать такой набор коэффициентов, чтобы система давала верные результаты для большого количества входных значений с минимальной погрешностью, а это уже нетривиальная задача.

Вторым вариантом обучения нейросети является так называемый метод обратно распространения ошибки, когда полученное на выходе значение, если оно отличается от исходного, передаётся назад по тем же самым нейронам, по которым оно пришло на выход, и в процессе передачи веса этих нейронов увеличиваются или уменьшаются, затем следует новая попытка, и так до тех пор, пока результат не станет оптимальным.

Главным преимуществом, как уже говорилось, является то, что нейросети обучаются самостоятельно. Они способны анализировать множество факторов одновременно (например, при биржевой торговле это будут данные и фундаментального, и технического анализа), прогнозировать ситуации, работать с самыми обширными базами данных, в том числе противоречивых.
Второе важное преимущество – высочайшая скорость анализа и возможность решать задачи, почти недоступные для обычных логических программ.

Главный недостаток – то, что они могут работать только при наличии связей прошлого и будущего, то есть наличия неких циклов и трендов. Впрочем, при их отсутствии любой прогноз невозможен.

Для нейросетей характерны все проблемы статистических методов, потому что они работают на основе статистики. К таким проблемам относится, например, то, что положительный результат в прошлом не гарантирует такого же результата в будущем.

Чем сложнее нейросеть, тем больше она похожа на «чёрный ящик»: подавая что-то на вход, мы не можем предположить, что мы получим на выходе. А получая результат, не имеем никаких данных о том, каким способом он был получен.

Наконец, разработка нейросетей и нейрокомпьютеров стоит дорого, и чем мощнее такое оборудование и ПО, тем дольше и дороже его разработка, тем сложнее использование.

Кроме того, в области нейросетей нет и не может быть готовых коробочных решений по принципу «установил и работай». Каждый случай индивидуален, требует знаний, навыков и длительной настройки.

Нейросеть в трейдинге: перспектива или реальность?

Сами по себе программы, работающие по принципу нейросети, сегодня не редкость. Это, например, NeusoShell, NeuroLab или NeuralWorks. Такое и подобное ПО уже активно используют банки для прогнозирования изменений в экономике, страховые компании, высчитывающие риски. А в Британии был проведён эксперимент, в ходе которого нейросеть на реальных случаях 300 тысяч пациентов просчитывала риск сердечных заболеваний, и результат оказался точнее, чем у врача-человека.

Ещё одна сфера, где нейросети явно лидируют – распознавание лиц. Двухлетний малыш, используя биологическую нейросеть мозга, мгновенно и безошибочно отличает родителей от незнакомых людей, в то время как для логических программ, даже очень мощных, это с трудом решаемая задача.

Активно используют нейросети и поисковые системы Яндекс и Google, для которых самообучаемость программ стоит на самом первом месте.

Однако указанные выше недостатки нейросетей всё же заметно тормозят их развитие.

Что касается конкретно трейдинга, то уже установлено, что электронные нейросети дают очень плохие результаты на краткосрочных масштабах. Однако трейдеров и инвесторов это вряд ли способно удивить, потому что ни один другой алгоритм на малых масштабах тоже не даёт высокой точности. Кстати, точность нейросетевых алгоритмов для трейдинга составляет около 50-60%, но и это вполне привычно, потому что у стандартных индикаторов не выше.

В целом можно сказать, что главная причина, по которой трейдеров и инвесторов привлекают нейросети – это их гигантский потенциал и перспективность. Уже сегодня ничто не мешает воспользоваться подобной программой и попытаться построить модель для анализа рыночных данных, причём такая попытка вполне может оказаться успешной. Но ещё больших изменений можно ждать впереди, когда произойдёт развитие нейросетей и, вполне возможно, именно они станут главным рабочим инструментом трейдера.

Нейросетевой анализ для Форекс

Предсказатель на основе самообучающейся нейронной сети.
Предлагается индикатор использующий нейронную сеть прямого распространения (feedforward neural network), которая самообучается методом Обратного Распространения Ошибки (backpropagation). Сеть загружается через DLL файл, исходный C++ код которого прилагается.
Нейронная сеть это ничто иное как нелинейная модель выходов как функция входов. На входы подаются данные задаваемые пользователем, например выборки временного ряда. Смысл выходных данных также задаётся пользователем, например сигналы 1=buy/0=sell. Структура сети опять же задаётся пользователем. Сеть прямого распространения состоит из

-входного слоя (input layer), элементами которого являются входные данные,

— скрытых слоёв (hidden layers), состоящих из вычислительных узлов называемых нейронами (neurons) и

— выходного слоя (output layer), который состоит из одного или нескольких нейронов, выходы которых являются выходами всей сети.

Все узлы соседних слоёв связаны между собой. Эти связи называются синапсами (synapses). Каждый синапс имеет вес (weight w[i,j,k]), на которой умножаются данные передаваемые по синапсу. Данные передвигается слева направа т.е. от входов сети к её выходам. Отсюда и название, «сеть прямого распространения». Общий пример этой сети изображён на рисунке внизу

Данные перерабатываются нейронами за два шага:

1. Все входы, помноженные на соответствующие веса, сначала суммируются

2. Затем получившиеся суммы обрабатываются функцией активации нейрона (activation or firing function) и посылаются на единственный выход.

Смысл функции активации нейрона заключается в моделировании работы нейрона мозга: нейрон срабатывает только после того как информация достигла определённого порога. В математическом аспекте, эта функция как раз и придаёт нелинейность сети. Без неё, нейронная сеть была бы линейной авторегрессионной моделью (linear prediction model). В прилагаемых библиотечных функциях возможен выбор трёх функций активации нейрона

* сигмоидальная функция sigm(x)=1/(1+exp(-x)) (#0)
* гиперболический тангенс tanh(x)=(1-exp(-2x))/(1+exp(-2x)) (#1)
* рациональная функция x/(1+|x|) (#2)

Порог активации этих функций равен 0. Этот порог может быть сдвинут по горизонтальной оси за счёт дополнительного входа нейрона называемом входом смещения (bias input), которому приписан определённый вес таким же образом как и к другим входам нейрона.

Таким образом, количество входов, слоев, нейронов в каждом слою и веса входов нейронов полностью определяют нейронную сеть, т.е. нелинейную модель, которую она создаёт. Чтобы пользоваться этой моделью необходимо знать веса. Веса вычисляются путём обучения сети на прошлых данных: на входы сети подаются нескольков наборов входных и соответствующих выходных данных и рассчитывается среднеквадратичная ошибка отклонения выхода сети от тестируемого. Цель обучения сети заключается в уменьшении этой ошибки путём оптимизации весов. Существуют несколько методов оптимизации, среди которых основными эвляются метод Обратного Распространения Ошибки (ОРО) и метод генетической оптимизации.

* BPNN.dll — библиотечный файл
* BPNN.zip — архив всех файлов необходимых для создания ДЛЛ файла
* BPNN Predictor.mq4 — индикатор предсказывающий будущее значение цены
* BPNN Predictor with Smoothing.mq4 — индикатор предсказывающий будущее значение цены, сглаженной ЕМА

Библиотечный файл BPNN.cpp содержит две функции: Train() и Test(). Train() предназначен для обучения сети для предоставленных входных и выходных данных. Test() предназначен для вычисления выходных данных на основе весов полученных после прогона Train().

Входными (зелёный цвет) и выходными (синий цвет) параметрами функции Train() являются:

double inpTrain[] — обучивающие входные данные (старый первый)
double outTarget[] — обучивающие выходные данные (старый первый)
double outTrain[] — выходы сети после обучения
int ntr — количество обучающих наборов входы-выходы
int UEW — ключ управляющий использованием внешних значений для инициализации весов (1=используем extInitWt[], 0=используем случайные числа)
double extInitWt[] — исходные значения весов
double trainedWt[] — значения весов после обучения
int numLayers — количество слоев в сети включая входной, скрытые и выходной
int lSz[] — одомерный массив размера numLayers, в котором хранятся количества нейронов в каждом слою. lSz[0] задаёт количество входов сети
int AFT — тип функции активации (0-сигмоидальная, 1-гиперболический тангенс, 2-рациональная)
int OAF — ключ использования функции активации в выходны нейронах (1=используем функцию активации, 0=нет)
int nep — максимальное количество обучающих шагов (эпох). Эпоха состоит из проверки всех обучающих наборов.
double maxMSE — среднеквадратичная ошибка, при которой обучения останавливается.

Входными (зелёный цвет) и выходными (синий цвет) параметрами функции Test() являются:

double inpTest[] — входные данные (старый первый)
double outTest[] — выходные данные
int ntt — колчиство наборов в входных и выходных данных
double extInitWt[] — исходные значения весов
int numLayers — количество слоев в сети включая входной, скрытые и выходной
int lSz[] — одомерный массив размера numLayers, в котором хранятся количества нейронов в каждом слою. lSz[0] задаёт количество входов сети
int AFT — тип функции активации (0-сигмоидальная, 1-гиперболический тангенс, 2-рациональная)
int OAF — ключ использования функции активации в выходны нейронах (1=используем функцию активации, 0=нет)

Использование функции активации в выходных нейронах зависит от характера выходны данных. Если выходами сети являются биноминальные сигналы (0/1 или -1/1), то нужно использовать функцию активации (OAF=1). Причём учтите что для функции №0, уровни сигнала 0 и 1, а для функций №1 и 2 уровни -1 и 1. Если выходом сети является предсказание цены, то функция активации в выходном слое не нужна (OAF=0).
Примеры индикаторов использующих нейронную сеть:

BPNN Predictor.mq4 — предсказывает будущие цены. Входными параметрами сети являются относительные приращения цен:

где delay[i] берётся из ряда Фибоначи. Выходом сети является предсказываемое относительное приращение будущей цены. Фунцкия активации в выходном слое отключена.

Входными параметрами индикатора являются

extern int lastBar — номер последнего бара
extern int futBars — количество будущих предсказываемых баров
extern int numLayers — количество слоев в сети включая входной, скрытые и выходной
extern int numInputs — количество входов сети
extern int numNeurons1 — количество нейронов в слое №1
extern int numNeurons2 — количество нейронов в слое №2
extern int numNeurons3
extern int numNeurons4
extern int numNeurons5
extern int ntr — количество обучающих наборов входы-выходы
extern int nep — максимальное количество обучающих шагов (эпох)
extern int maxMSEpwr — экспонента используемая для расчёта максимальной допустимой среднеквадратической ошибки обучения maxMSE=10^maxMSEpwr
extern int AFT — тип функции активации (0-сигмоидальная, 1-гиперболический тангенс, 2-рациональная)

Индикатор выдаёт такую картинку, где

* красный цвет — предсказания от последней цены Open
* чёрный цвет — прошлые тренировочные цены Open, по котором (как ожидаемым выходным данным) проводилось обучение сети
* синий цвет — выходы обученной сети на тренировочных данных

BPNN Predictor with Smoothing.mq4 — тоже предсказывает цены, но с предварительным сглаживанием цен экспоненциальной скользящей средней (EMA) с периодом smoothPer.

1. Копируйте приложенный BPNN.DLL файл в C:\Program Files\MetaTrader 4\experts\libraries
2. Включайте использование DLL в метатрейдере: Tools — Options — Expert Advisors — Allow DLL imports

Если приложенный DLL файл не работает, то компилируйте сами. Все необходимые файлы содержатся в BPNN.zip.
Советы:

* Сеть с 3-ми слоями (numLayers=3: один входной, один скрытый и один выходной) достаточна для подавляющего большинства применений. По теоремe Cybenko (1989) сеть с одним скрытым слоем может моделировать любую непрерывную нелинейную фунцкию и сеть с двумя скрытыми слоями способна описать функцию с разрывами (http://en.wikipedia.org/wiki/Cybenko_theorem):

* Количество нейронов в скрытом слую определяйте экспериментально. В литературе встречаются такие рекомендации: кол-во скрытых нейронов = (кол-во входов + кол-во выходов)/2, либо SQRT(кол-во входов * кол-во выходов). Следите за сообщениями о среднеквадратичной ошибки обучения в окне experts метатрейдера.
* Для получения хорошего обобщения, количество обучающих выборок должно в 2-3 раза превышать количество оптимизируемых весов. Например, в опубликованных примерах, количество весов равно (12+1)*5 на входах скрытого слоя плюс (5+1) на входах выходоного слоя, т.е. 71. Поэтому количество обучающих выборок должно быть по крайней мере 142. Концепт обобщения объяснён на рисунке внизу для одномерного случая y(x).
* Увеличения количества обучающих эпох может не повысить точность предсказаний на тестируемых данных даже если ошибка обучения (MSE) уменьшилась. При большом количестве весов сеть становится переученной (см объяснения внизу).
* Входные данные должны преобразоваться в стационарный ряд. Цены сами по себе таковым рядом не являются. Рекомендуется также нормализовывать входные данные к диапазону -1..1.

На этом графике показана линейная функция y=b*x (x-вход, y-выход) с добавленным шумом к выходам. Из-за этого шума, измерения функции (чёрные точки) не лежат на прямой. Функция y=f(x) может быть смоделирована нейронной сетью. Сеть с большим количеством весов (степеней свободы) способна уменьшить ошибку обучения по всем имеюшимся измерениям до нуля и описать тренировочные выходные данные плавной кривой. Но эта кривая (показана красным цветом) не имеет ничего общего с нашей линейной фунцкией y=b*x (показана зелёным цветом). Использование такой сети для предсказания будущих значений функции y при новых входных значениях x приведёт к большим ошибкам так как шум не предсказуем.

Нейросети на форекс

Одно из последних событий в мире Forex — нейросети. Нейросети — это машинное самообучение, тесно связанное с технологиями искусственного интеллекта. Такие системы собирают и анализируют данные, используя модель обучения отдаленно повторяющую то, как работает и учится человеческий мозг — методами проб и ошибок, обобщений и обособлений. Каковы текущие возможности и перспективы, которые открывают эти программные разработки перед финансовыми рынками форекс?

Что это вообще такое — «нейросети»?

Нейросети — уникальные системы технического анализа данных. И важно то, что в своей автономной работе очень напоминают людей — в том, как те оценивают какие-то причинно-следственные связи и вероятности. Что несомненно важно для людей в принятии тех или иных решений, то воплощается и в нейросетевых системах — оценка предыдущего опыта. Это как ребенок, который раз за разом собирает пазл и делает все меньше ошибок.

Так работает биологическая нейронная сеть

А так формулируются принципы работы многослойной нейросети. Чем-то похоже, не правда ли?

Сеть совершенствуется за счет двух основных наборов данных: набора для обучения и набора для тестирования, что позволяет улучшать себя за счет проб-ошибок — как у людей. Одна из основных сильных сторон нейросетей состоит в том, что она может продолжать учиться, дополняя свои прогнозы поступающими данными, и переосмыслять на этом фоне некоторые принципы своей работы.

Нейросети на форекс могут очень гармонично анализировать между собой как технические, так и фундаментальные данные, чего не делают не то что другие механические системы, но и некоторые трейдеры.

Само же обучение нейросетей занимает много времени, ресурсов и сил. Но есть надежды на то, что таким образом или похожим — можно еще больше сократить дистанцию между уникальными способностями человеческого мышления и вычислительными возможностями компьютерных систем.

Где-то уже применяются такие системы?

Поисковые системы, такие как Google или Яндекс уже давно используют нейросети для анализа и классификации изображений, звуков, символов текста и других данных. Нейросети гугла могут сортировать изображения — по ходу обучаясь выделять все более общие и частные признаки характерные для тех же картинок. Такие нейросистемы легчайшим образом сортируют черно-белые и цветные изображения и могут почти безошибочно отличать изображения котят от щенят.

Гугл-переводчик также частично перешел на нейросетевой интерфейс и стал переводить гораздо точнее и внимательнее к контексту. Нейрокомпьютеры активно используются американским финансовым конгломератом Citigroup Inc. В Chemical Bank также развита крупная программная система, обслуживаемая фирмой Neural Data. Многие крупные американские компании, такие как LBS Capital Management Inc. покупают небольшие нейропакеты и нейрокомпьютеры (до 50000 $) и значительно улучшают свои торговые показатели на американских индексах — S&P и Nasdaq.

Также расширились отдельные возможности при работе с какими-либо данными. Например, нейросети могут сжимать данные, выделяя наиболее общие взаимосвязи между их частями, и выражать их более компактно — в меньшей размерности. Исходный образ данных можно также восстановить за счет ассоциативной памяти нейросети — если вдруг данные были повреждены или зашумлены.

Но сегодня перед исследователями и разработчиками нейросетей стоят скорее фундаментальные, чем частные задачи и проблемы. Есть куда совершенствовать сами алгоритмы самообучения и анализа, быстродействия и другие, чтобы укрепить саму нишу, расширив потенциал для конкретных возможностей.

Как это можно использовать на рынках форекс?

Нейросети могут прогнозировать, обобщая и обособляя зависимости между входящими и выходящими данными. Обученная сеть может, как и любой технический индикатор, предсказывать будущие значения какой-либо последовательности на основании исторических данных.

Но в отличие от классических индикаторов, нейросеть самостоятельно настраивает принципы оценки данных, их зависимостей друг от друга, корректирует их на основе успехов и ошибок в торговле. Конечно, и тут понадобится немало времени, средств и сил, чтобы обучить сеть и обеспечить необходимую инфраструктуру для своевременного реагирования на поступающие данные.

Все видимые преимущества нейросетевых систем имеют риски очень круто подвести в отношение торговых прогнозов. В конечном счете, выходные решения хороши ровно настолько, насколько хороши входные данные. Нейросети прекрасно обнаруживают корреляции между ними — даже если данных очень много.

Также хорошо извлекаются шаблоны из широко разрозненных типов информации, даже когда эти шаблоны и отношения почти не просматриваются человеческим глазом. Но все же, применение интеллекта без эмоций — в конце концов — скорее слабость, которая может проявить себя при работе с неустойчивым рынком. Когда вводится неизвестный фактор, искусственная нейронная сеть не имеет возможности назначить ему эмоциональный вес.

С наиболее показательными примерами эксплуатации глубинных нейросетей на финансовых рынках вы можете ознакомиться здесь или здесь . В сети появляется все больше индикаторов, так или иначе эксплуатирующих нейронные сети, и вы найдете их без особого труда.

Общие выводы

  • Актуально и перспективно, но еще рано — нейросети с их текущим потенциалом могут прогнозировать рынки лучше, чем традиционные алгоритмические советники и индикаторы, однако этот потенциал еще не реализован на полную и сами основы нейросетевого моделирования нуждаются в совершенствовании и доработке.
  • Нейросети хорошо классифицируют паттерны и превосходно просматривают внутритрендовую динамику.
  • Превосходно работают в рамках текущего тренда и обнаруживают поведенческие циклы. Но как и человек, все еще не могут предугадывать будущее вне взаимосвязи с прошлым, а адаптация к свежепоступающим событиям и данным проходит куда медленней.
  • Все те, кто использует нейросети на форексе, как правило, торгуют долгосрочные тренды или Моментум. Скальперы встречаются, но хорошие из них реже.
  • Нейросети были популярны и 10 и 5 лет назад, и сегодня новый виток прогресса подобных систем связан с развитием технологий big data и облачных хранилищ, что следует также принять во внимание для полноценной разработки и исследований.

P.S. Понравилась моя статья? Поделись ей в соцсетях, это лучшее спасибо 🙂

Задавайте мне вопросы и комментируйте материал ниже. С удовольствием отвечу и дам необходимые пояснения.

Полезные ссылки:

  • Торговлю с проверенным брокером рекомендую попробовать тут. Система позволяет торговать самостоятельно или копировать сделки успешных трейдеров со всего мира.
  • Воспользуйтесь моим промокодом BLOG для получения бонуса 50% на депозит от LiteForex. Промокод нужно просто ввести в соответствующее поле при пополнении счета в платформе LiteForex и бонус зачислится одновременно с депозитом..
  • Чат трейдеров в телеграм: https://t.me/marketanalysischat. Делимся сигналами и опытом.
  • Канал в телеграм с отличной аналитикой, форекс обзорами, обучающими статьями и прочими полезностями для трейдеров: https://t.me/forexandcryptoanalysis

Содержание данной статьи является исключительно частным мнением автора и может не совпадать с официальной позицией LiteForex. Материалы, публикуемые на данной странице, предоставлены исключительно в информационных целях и не могут рассматриваться как инвестиционный совет или консультация для целей Директивы 2004/39 /EC.

Нейросетевые советники (на основе нейронной сети)

e-partner

Почетный гражданин

Открываю новую, нераскрытую до сих пор в полной мере тему: «Советники на основе нейронных сетей» или «нейросетевые советники«.

Давайте делиться результатами, нейросетевыми советниками, писать свой опыт создания нейросетевых советников, опыт обучения, тестирования и т.п.

Вот ссылки в Интернете, которые я нашел по данной теме:

  • [*]_ http://articles.mql4.com/ru/770
    [*]_ http://articles.mql4.com/ru/876
    [*]_ http://codebase.mql4.com/755
    [*]_ http://codebase.mql4.com/ru/756
    [*]_ http://codebase.mql4.com/ru/2719
    [*]_ http://codebase.mql4.com/ru/6288
    [*]_ http://codebase.mql4.com/ru/8080
    [*]_ http://reshetov.xnet.uz/
    [*]_ http://ruforum.mt5.com/threads/15644-sovetnik-rnn

Пожалуйста, пользуйтесь на здоровье! Кто делится — да прибудет с тем Успех!

Для новичков: просьба не задавать глупых вопросов что это за советники, сначала почитайте статьи про них и сами что-то попробуйте сделать, потом пишите. С негативом просьба тут не шастать — если не получилось у вас, то у нас точно получится!

Нейросети и их применение на рынке Форекс

Развитие технологий порождает создание «умных» интеллектов, активно использующихся практически повсеместно. Торговля на финансовых рынках – не исключение. Яркими тому примерами являются торговые советники и иные алгоритмические системы, освобождающие трейдера от работы и приносящие ему иногда неплохой заработок. Одной из последних «новинок» в области Форекс являются нейросети, активно использующиеся трейдерами при работе на финансовых рынках. Что это такое, и каким образом их использование способно помочь трейдеру в торговле, попробуем разобраться в нашей статье.

Суть нейросетей

По сути, термин «нейронные сети» взят из области изучения искусственного интеллекта и простыми словами обозначает имитацию механизмов работы мозга человека. Нейронная сеть представляет собой метод технического анализа данных, который содержит в себе огромное множество схем для получения и обработки данных. Обработка поступающей информации осуществляется путем анализа причинно-следственных связей и теории вероятности одновременно, учитывая ранее совершенные ошибки.

Нейронные сети работают подобно человеку. Он, совершая ошибку, влекущую за собой определенные последствия, в будущем при принятии решения несколько раз подумает, прежде чем наступит на те же грабли. Все потому, что мозг человека впитывает в себя новую информацию, одним словом – обучается.

Нейросети построены по аналогии с работой человеческого мозга, как мы успели отметить ранее, и поэтому тоже имеют способность к обучению, если можно так сказать. По крайней мере, нейросети способны с течением времени выдавать все более верные решения, основываясь на плачевном опыте предыдущих периодов.

Связь нейросетей с Форексом

Модели первых нейронных сетей были воплощены при создании ПК. Умная система могла самообучаться, совершая при этом ошибки, анализировать их, размышлять о путях обхода сложностей, обрабатывать множество информации и предоставлять новые результаты деятельности.

Неудивительно, что такая способность сетей как самообучение и анализ, привлекла к себе внимание участников финансового рынка, заинтересованных в получении как можно более точных прогнозов для заключения сделок. Конечно, миру уже давно известны автоматические торговые системы – советники, которые путем сбора большого количества информации и тщательного ее анализа выдают результат о заключении сделки на покупку или продажу актива. Но напомним, что в основе роботов лежит конкретный индикатор, который в свою очередь запрограммирован на определенную методику работы и исключает самообучение как таковое.

Принцип же нейросетей включает в себя анализ не только технических данных, но и фундаментальных, чего индикаторы не могут делать. Да и чего кривить душой – человек – существо разумное, также довольно часто пренебрегает доскональным анализом путем сопоставления технических данных и обзора новостного фона. Конечно, для начала сеть придется обучать и создать все необходимые условия для того, чтобы «умный механизм» мог своевременно реагировать на входящие данные, только тогда можно надеяться на достоверность прогнозов, что особенно важно при работе на валютном рынке.

Впрочем, как бы там ни было, а от повторения ошибок предыдущих периодов никто не застрахован и дабы это происходило как можно реже или вовсе прекратилось, сети необходимо регулярно загружать работой. Подобно мозгу человека, который требует информации для развития, нейронные сети также нуждаются в постоянном обучении путем сопоставления данных предыдущих периодов с текущей ситуацией на рынке. Таким образом, мощность данных сетей увеличивается и дает возможность выявлять паттерны, которые путем индикаторов выявить было невозможно или же крайне сложно. Поэтому у трейдера появляется больше возможностей для совершения точной сделки с последующим получением прибыли.

Преимущества и недостатки нейросетей

Несмотря на явный ум нейронных сетей и, казалось бы, практически беспроигрышные варианты для их использования на Форекс, система имеет как преимущества, так и недостатки. Остановимся на некоторых из них.

  • Комбинирование технического и фундаментального анализа, что позволяет получить максимально достоверный вариант развития события в ближайшей перспективе.
  • Беспрерывное самообучение путем получения новых данных и анализа с прошлыми событиями и совершенными ошибками.
  • Выявление фигур технического анализа, которые ранее были не учтенными, что позволяет прогнозировать максимально точный результат.
  • Отсутствие человеческих эмоций – один из самых мощных контраргументов в сторону нейросетей. Это еще раз доказывает, что каким бы умным не была система, а полностью заметить человека ей не под силу.
  • Необходимость постоянного обучения системы. Да, обучается она сама, но пищу для ума все-таки ей придется подкидывать, как и время от времени тестировать систему на исправность и качественную работу.

Выводы

В вопросе о нейронных сетях трейдеры поделились на две категории: тех, кто уверены, что они однозначно работают, и тех, кто категорически против использования «умных» сетей, уверяя, что никакой пользы от них нет. Исследования показали, что сети прогнозируют с точностью до 60%, не более, что, по сути, приравнивает их к среднестатистическому советнику, в основе которого лежит только технический анализ, и нет и доли фундаментальных данных.

Более того, как и любая автоматизированная система, нейросети могут анализировать только входящую информацию, а вот предвидеть события на мировой арене им не под силу. Собственно, как и человеку. Хотя многие согласиться, что предчувствия выручали из сложных ситуаций на рынке.

Как бы там ни было, а сегодня уже есть платформы для торговли на валютном рынке, в основу которых входят нейронные сети и с их помощью вполне можно «обучить» систему. Вот только оставлять без присмотра робота (а как ни крути, иначе сеть не назовешь), не рекомендуется – без человеческого контроля система вполне может совершать ошибки и по итогу прийти в непригодность, доставляя трейдеру только головную боль, а не оказывает помощь.

Другие интересные статьи:

Forexman

Нейросети: работа над ошибками

Нейросети: работа над ошибками

Как-то раньше я уже писал про нейросети Форекс. Та статья называлась Нейросети. Будущее торговли? Недавно опять наткнулся на информацию о нейросетях, поэтому решил развить тему и написать большую и обширную статью, тем более, что мне есть от чего отталкиваться. Нейросети Форекс вот уже на протяжении последних десяти лет активно применяются различными специалистами для финансового анализа. Но что интересно. Казалось бы, технологии дорогостоящие и могут умереть, даже не развившись как следует.

Но на самом деле наблюдается совершенно иная картина. Интерес к нейросетевым технологиям неуклонно растет каждый год. Нейронные сети являются хорошим ориентиром, когда на рынке много шума, неопределенность. Поэтому их, в основном, используют в качестве дополнения к ставшему уже привычным техническому анализу Форекс. А все потому, что тех элементов технического анализа, которые входят в стандартный пакет почти любого трейдера в современных условиях быстро меняющегося рынка, становится недостаточно, так как часто возникает множество противоречивых сигналов.

Поэтому в этой статье мы продолжим рассмотрение нейронных технологий, которые понадобятся в будущем для осуществления анализа валютного рынка.

Нейронные сети в России

На сегодняшний день, несмотря на то, что нейронные сети до сих пор остаются дорогим удовольствием и в плане изучения, и в плане применения в торговле, все равно существует достаточно много нейросетевых программ. Правда, недостатком этих программ является их отдаленность от решения задач финансового анализа. Я долго анализировал опыт применения нейросетевых программ на российском рынке и должен сказать, что не все нейротехнологии способны дать положительный результат. Как правило, хорошо отзываются о нейропакетах Brain Maker, NeuroShell и NeuroScalp.

BrainMaker – это программный комплекс, с которого, собственно, и началась история применения нейронных сетевых программ в России. Это профессиональный пакет, в котором реализованы многочисленные задумки разработчиков в плане создания многослойной нейронной сети. К тому же, данный программный комплекс является универсальным в своем роде, потому что здесь можно настраивать многочисленные параметры нейронных сетей, а также различных вариантов обучения. Правда, за последнее время наблюдается прогресс другой программы TradeStation, которая постепенно вытеснила BrainMaker и теперьо этот пакет, в основном, используется лишь в качестве надстройки TradeStation. Как правило, для проведения анализа в режиме реального времени.

NeuroShell. Отличительные особенности этой программы заключаются в том, что этот модуль был первым переведенным на русский язык нейросетевым софтом, который ко всему прочему, имел достаточно удобный интерфейс. Все это способствовало тому, что программа завоевала широкую популярность на российском рынке. Сегодня этот софт применяется для решения задач по финансовому анализу. Например, в программу встроен модуль рыночных индикаторов, за счет которого имеется возможность использовать более 20 индикаторов технического анализа в то время, когда вы будете работать с нейросетью. Как правило, весь софт NeuroShell разработан и применяется по модульному принципу. Базовым здесь является модуль классического технического анализа. В этот модуль инсталлируются различные прикладные модули, с помощью которых можно по-разному анализировать финансовые рынки. Сегодня есть различные модули, но основными являются:

— NeuroScalp – «Экспертный модуль». Это модуль, который предназначен для работы с российским рынком акций. В него инсталлированы нейросети специально для трех российских ценных бумаг: РАО Газпром, НК Лукойл и РАО ЕЭС Росиии.

— NeuroScalp «Модуль Статистика» — этот модуль применяется в основном для статистической обработки данных и проведения финансового анализа

— NeuroScalp «Модуль Нейронных сетей» — это специальный эмулятор, который имитирует многослойные нейронные сети за счет применения в своей работе генетических алгоритмов

— NeuroScalp «Модуль Карты Ко-хонена» — как видно из названия, данный модуль основан на реализации карты Кохонена в некоторых приложениях к валютному рынку

NeuroScalp. Это модуль, имеющий удобный и понятный интерфейс и который предлагает своим пользователям большое количество методов, которые могут потребоваться для реализации всевозможных идей пользователя. Так как данный пакет более функциональный, чем предыдущие, то в последующем для иллюстрации примеров я буду использовать именно его. Конечно, как и все новое, нейросети обратили на себя внимание большинства трейдеров и аналитиков валютного рынка Форекс. Но понятно, что массовое использование этой технологии все равно не дало возможности избежать типовых ошибок и различных «подводных камней».

Что я хочу дать понять в этой статье? Моей целью здесь является дать возможность нашим читателям понять все существующие методы работы с нейронными сетями. Понятно, что я не смогу рассказать обо всех мелких деталях. За этим вам лучше обратиться в многочисленные книги, либо записаться на тематические семинары по теории и практике нейронных сетей. Кроме того, я постараюсь показать те ошибки, которые наиболее часто встречаются в практике использования нейронных сетей. Я очень надеюсь, что эта информация будет полезна нашим читателям, независимо от того, к какой категории трейдеров они относятся: новички или профессионалы. Также я поэтапно рассмотрю все этапы существования нейросети, начиная от момента ее создания и до момента внедрения в торговлю. Причем на каждом этапе использования нейронных сетей мы будем анализировать типичные ошибки, которые возникают при использовании этого инструмента. Кроме этого я постараюсь дать советы и рекомендации, которые помогут вам избежать этих ошибок.

Что умеют делать нейросети Форекс

Прежде всего, как и в любой работе, мы должны определить, что мы именно хотим получить в результате работы с нейросетью. Как правило, классификация задач, которые способны решать нейросети Форекс проводится по дискретным методам (классификация) и непрерывным выходам (предсказания). Но это не все задачи, которые решают нейросети Форекс. Есть и ряд других, не менее важных задач. К таким задачам относят:

— исследовательская деятельность в области определения направления движения цены
— разработка торговых сигналов
— оценка поведения торговых индикаторов
— разработка системы, на основе которой можно было бы определить уровни, на которых должны расставляться стопы
— определение «похожих» дней
— прогноз и работа в области предсказания прихода кризиса

Все эти задачи, но особенно последние достаточно хорошо решаются за счет использования парадигмы нейронной сети – самоорганизующихся карт Кохонена. Думаю, в будущем я еще найду время на изучение подробно этой темы. Когда мне будет что рассказать, то обязательно сделаю отдельную статью на эту тему.

Как мы уже определились, самой главной целью использования нейронных сетей является разработка торговых сигналов. А настроить генерацию этих сигналов – это очень сложная задача. Для этого нужно углубленно изучать рынки и нейросети в частности. Поэтому я не хочу сразу лезть в дебри, а постараюсь научить избегать самых простых ошибок, при выполнении важных задач – прогнозировании цен и индикаторов.

Использовать Close в качестве выхода – это не совсем верно

Всегда, когда нам необходимо выйти из рынка, мы должны комплексно оценить создавшуюся ситуацию. Мы должны уметь делать предварительный анализ и оценивать правильно свои возможности. Для примера можно провести исследования на предмет прогнозирования цен High, Low и Close для определенного рынка, например, рынка акций на день вперед. В результате проведенных исследований был сделан вывод, что цена Close оценивается на будущее самым худшим образом и к тому же имеет наибольшую ошибку. В свою очередь, цены High и Low для различных активов прогнозируются с меняющимся успехом. То, что были сделаны выводы относительно худшего прогнозирования цены Close, обосновывается на мнении, что последние сделки на рынке совершают только крупные операторы. Мелкие торговцы боятся это делать. Следовательно, поведение этой категории участников рынка с трудом будет поддаваться формализации.

В итоге возникает вполне закономерный вопрос: что нам нужно прогнозировать? Относительные или абсолютные значения? Я немного порылся в литературе и вот что нашел на этот счет. Этот пример я нашел в одной из книг. Так вот, допустим, мы прогнозируем цену на актив, текущая стоимость которого составляет порядка $100, а средние дневные колебания составляют примерно 1.5$. Для этого мы будем тренировать две нейросети. Одну из них мы приспособим в качестве выхода абсолютную цену, а другую – ее изменение. Через некоторое время после обучения первая нейронная сеть будет иметь почти стопроцентную точность – 98%, а вторая лишь 60%. Что из этого следует? Только то, что абсолютные значения дают куда лучший результат, чем относительные. Вы поверили? Вы считаете, что это действительно так? А на самом деле ведь это не так. Знаете, почему? Потому что точность 98% при стоимости 100$ составляет $2. А это значительно больше, чем средние дневные колебания исследуемых нами активов. Получается, что фактически прогноз отсутствует. Что касается точности 60%, этот показатель от изменения цены составляет $0,6. Именно этот прогноз и будет нас удовлетворять больше всего.

Как видите, не так все просто, как могло бы показаться на первый взгляд. Поэтому авторы многих книг делают выводы, что не нужно делать упор на абсолютное значение, а нужно, в первую очередь, прогнозировать изменение цены. Поэтому во многих книгах вы найдете призывы автора прогнозировать именно цену. И опять же вопрос вам, уважаемые читатели: как думаете, это правильно? Отвечу: нет, неправильно! Опять же, если верить многочисленным опытам, то лучшие показатели формируются на основе прогнозируемых вариантов выхода.

Лучше использовать две нейросети с одним выходом, чем одну нейросеть Форекс с двумя выходами

Хотелось бы отметить, что для того, чтобы избежать ошибок в будущем, желательно использовать только один выход. Такая особенность определения состоит в том, что когда мы будем обучать нейросеть Форекс, то каждый выход будет пытаться настроить сеть под себя. А это негативно скажется на других выходах. Говоря проще, этот выход будет мешать другим выходам. В общем, если не углубляться в основы, то стоит учесть тот факт, что сеть с двумя выходами идут параллельно друг другу. Что это означает? Лишь то, что нейронная сеть с двумя выходами дает нам сомнительное представление о усредненном параметре, а не High и Low, как изначально мы ожидали. А если говорить про нейросети Форекс для цен Low и High, то они в данном случае независимы и в плане предсказания результатов, достоверных результатов, подходят лучше всего.

Так что же в таком случае подавать на вход?

Не менее важным этапом в подготовке является определение состава входов. И очень интересно, что здесь опять же возникают типичные ошибки, которые одно время старательно культивировались прессой. Дело в том, что многие жили по принципу «вали все на нейросети Форекс, а они сами разберутся, что им нужно, а что нет». Странно, почему многие считали такой подход правильным. Конечно, если говорить объективно, то нейронные сети Форекс умеют отсеивать незначимые входы. Но дело в том, что если «лишних» входов станет очень много, то это негативно скажется на работе всей сети, затруднит ее обучение. А самое главное то, что в результате этого снизится эффективность и достоверность прогноза. Если будет создаваться большое количество «левых» входов, то в результате нейронная сеть Форекс будет работать по принципу «сегодня будет как вчера, а завтра будет как сегодня». Именно по этой причине нужно очень аккуратно подходить к вопросу добавления новых входов.

Кстати, на входы нейросетей не то что можно, а даже нужно преподносить разнообразную информацию. Это могут быть и самые разнообразные события и непрерывную информацию, к числу которой можно отнести цены, индексы, индикаторы. Как правило, главным секретом того, кто использует нейросеть, является состав входов. Эти данные всегда держатся в сети, если они представляют какую-то ценность, разумеется. Но, как правило, наиболее ценными являются индикаторы технического анализа, а также всевозможные фондовые индексы.

Как правило, самой большой проблемой при определении состава входов является возможность определить, сколько нужно «погружаться» для величины временного окна. Именно отсюда вся информация подается на вход нейросети. И какое количество свечей подавать на вход, для того чтобы наиболее качественно обучить нейросеть Форекс? Вопрос не из легких. Ответ на него вы сможете получить лишь в результате собственных экспериментов. Причем, эта величина должна быть адекватной прогнозируемому периоду. Например, если вы планируете прогнозировать развитие ситуации в течение дня, то наиболее правильной глубиной погружения будет временной период в 5-20 дней.

Стоит заметить еще один важный нюанс. Дело в том, что большинство популярных нейропакетов имеют функцию определения чувствительности по входам. Именно эта функция рекомендуется разработчиками нейронных пакетов в качестве универсального способа отсеивания «лишних» входов. Но опять же, здесь нужно учитывать тот момент, что эта функция не является панацеей, и если вы будете использовать ее в автоматическом режиме для определения состава входов, то в данном случае вреда может быть больше, чем пользы. Обусловлена такая особенность тем, что до сих пор не решена проблема определения чувствительности по входам, но не для простых, а для многослойных нейросетей Форекс. А потом решается эта проблема всевозможными эмпирическими способами и алгоритмами. Вот по этой причине мы советуем использовать данную возможность нейросетей Форекс с особой осторожностью, причем, полученные результаты лучше проверять другими, косвенными методами. Например, можно использовать статистические методы. Это как вариант.

Из чего состоят нейросети Форекс. Параметры обучения

Построить архитектуру сети – это опять же тема не одной статьи. Но вообще, нет какой-то универсальной рекомендации, следуя которой, вы смогли бы успешно торговать с применением нейросетей Форекс. Поэтому архитектура сети – это личное. Это те параметры, которые рассчитываются на основе знаний и полученного опыта торговли. Единственное, что я могу сказать по данному поводу – это то, что сеть должна иметь разумные размеры.

Если говорить конкретнее, то такие:

— максимально допустимое число применяемых нейронов 30-40
— максимально допустимое число скрытых слоев 3-4
— в большинстве случаев, объем входных данных должен быть больше, чем количество нейронов

Как правило, многие новички заблуждаются по поводу количества нейронов. Они думают, что чем больше нейронов, тем достовернее будет прогноз нейронной сети Форекс. А это, на самом деле, является ошибкой. Чем больше будет нейросеть Форекс, тем сложнее она будет обучаться. Например, если есть сеть с 50 входами и 20 нейронами, то для такой сети нужно будет оптимизировать в 1000-мерном пространстве. Кроме того, если нейросеть будет чрезмерно большая, то это приведет к тому, что она попадет в локальные, а не глобальные минимумы функции ошибки. Ну, и, соответственно, будут становиться меньше обобщающие свойства сети. То есть, по сути нейросеть Форекс начинает запоминать обучающую выборку. А это, в свою очередь, приведет к существованию штампов. Чтобы избежать запоминания, нужно, чтобы объем данных был достаточно обширным. К примеру, если собираетесь прогнозировать на следующий день рынок акций, то нужно, чтобы выборка была примерно около 200-250 дней.

Готовим данные

Теперь у нас следующий этап. На этом этапе мы будем готовить данные. Но здесь стоит учитывать важный нюанс. Дело в том, что за последние годы динамика валютного рынка претерпела существенные изменения. Прежде всего, на нее повлияло развитие интернета и других средств коммуникаций. Все эти вещи сделали валютный рынок более динамичным. А поэтому возникла необходимость использовать специальные механизмы обучения, которые ориентированы на более свежие данные. Но помимо этого, нужно учитывать еще одну особенность. Дело в том, что те данные, которые мы берем в качестве исходных, не должны противоречить друг другу. Следовательно, чтобы решить эту проблему, нам потребуется увеличить количество входов. Далее, по мере ценообразования рынка и перехода его на новые уровни, нужно подстраиваться под новые данные и переобучать нейросети Форекс на основе новых данных.

Как обучать нейросети Форекс

Как правило, обучить нейросеть Форекс не представляет трудности. Правда, при этом следует учитывать некоторые нюансы. Например, нужно помнить, что обучение нейросети Форекс – это дело не одного дня. Это длительный процесс, который требует постоянного мониторинга и совершенствования нейросети. Кроме этого нужно понимать и еще некоторые вещи. Например, то, что при обучении вам придется столкнуться и с другими трудностями, наподобие того, что придется переучивать нейросеть Форекс. А иногда вы просто можете попасть в локальные минимумы со всеми вытекающими отсюда последствиями. Чтобы процесс обучения шел как можно быстрее, можно использовать следующие способы:

— можно использовать нейроплаты, которые ускоряют процесс обучения нейросетей
— использовать генетические алгоритмы
— использовать различные усовершенствованные методы обучения. Например, пакетную обработку данных, использование вторых производных и т.д.

Как я заметил, в большинстве случаев в процессе обучения и подбора наиболее действенной архитектуры нейросети Форекс используют генетические алгоритмы. Эти элементы на сегодняшний день являются наиболее яркими представителями класса эволюционных методов и, если так разобраться, служат алгоритмом, который помогает находить глобальные экстремумы произвольной функции. Другими словами, алгоритмы представляют собой модель, которая самостоятельно обучается за счет размножения живых организмов за счет элементарного естественного отбора. Когда речь идет об этих алгоритмах, то впору применять такие понятия, как популяция, особь, наследование, а также мутация. Механизм действует так. Сперва выдвигаются самые различные решения. Затем в результате действий наиболее правильные и сильные решения объединяются. А это в свою очередь дает толчок к рождению новых решений, тогда как слабые погибают. Такие методы дают возможность обучать большие нейросети Форекс, игнорируя возможные проблемы локальных минимумов.

По поводу ошибок нейросетей Форекс

Если вы правильно обучаете нейросеть Форекс, то наиболее важные ошибки будут связаны с недостатком входной информации, а также глобальным изменением состояния того объекта, который мы собираемся прогнозировать. Как и в каждом правиле, здесь есть свои исключения. Например, важно понимать, что могут прогнозировать нейросети Форекс, а что нет. По крайней мере, такие события, как отставка премьер-министров, локальные катастрофы, войны, а также многие другие фундаментальные факторы нейросети не смогут спрогнозировать. Но даже в этом случае, нейросети Форекс будут чрезвычайно полезны. Полезны в том, что помогут получить два варианта прогноза – с возможным вариантом развития событий без переломного момента, и с ним. В результате этого у трейдера будут ценовые уровни при различных вариантах развития ситуации. А вот уже на основе этих данных уже будет выбираться отдельные варианты прогнозирования.

Что можно требовать от нейросети Форекс

Наконец, мы подошли к наиболее интересному и ответственному этапу работы с нейросетью – оценкой результатов. Но только в том случае, если мы будем определять, куда движется цена, и если после того, как мы провели весь комплекс обучения нейросетей Форекс, они выдают правильные прогнозы в 60% случаев, оценку их работы можно считать положительной.

Конечно, начинающему трейдеру будет затруднительно натренировать нейросеть Форекс до такого уровня, поэтому поначалу в своей работе желательно ориентироваться на профессионалов. Опытные трейдеры всегда смогут дать правильную оценку и получить за счет этого прибыль. Как правило, когда говорят про качество прогноза, имеют в виду допустимую среднюю ошибку и коэффициент корреляции. Я не раз видел, что в книгах сравнивают нейронные технологии и стандартные статистические методы. Так вот, в одной из книг было показано, что достаточно часто нейросеть показывает очень стабильный и качественный результат, чем те же модели ARMA, TAR и некоторые другие. Но проблема в том, что сравнить технический анализ Форекс и нейронные методы совсем не просто. Можно даже сказать, что практически невозможно. Все дело в том, что нейросети Форекс способны работать с данными, которые по своей сути противоречивы, а также с неполными данными. В результате оценки таких данных нейросети пытаются дать точные прогнозы цен и различных индикаторов за какой-то период времени. Если говорить про технический анализ, то он интерпретирует текущенее состояние цен, ориентируясь на различные априорные модели.

Нейросеть – это оружие в руках профессионала!

В статье много сказано, но если вы не поймете, какова истинная ценность нейронных технологий, то вряд ли сможете успешно применять полученные знания на практике. Самая главная ценность заключается в том, что нейронные технологии дают возможность прогнозировать развитие событий в будущем. Но вопреки мнению, что нейросети Форекс способы давать прогноз с практически 100%-й точностью, это не волшебная палочка, поэтому думать все равно придется. Почему? Да потому что от того, как вы обучите нейросети, зависит качество будущих прогнозов. Поэтому учитесь, думайте и, в конечном итоге, зарабатывайте.

В заключение немного истории о развитии нейронных технологий

Вообще сама идея обработки информации по образу устройства нервной системы родилась достаточно давно. Считается, что более 50 лет назад. Впервые в 1943 году американские ученые Питтс и Маккалох нашли разумное объяснение деятельности головного мозга, а также смогли составить математическую модель нейрона. Они придерживались мнения, что головной мозг (а именно он рассматривался в фокусе нервной системы) состоит из множества простых элементов – нейронов. Все эти элементы связаны единой структурой. Спустя 15 лет в 1958 году Розенблатт продолжил исследования ученых и реализовал их замыслы в электронном устройстве, которое имело название «Марк-1». Это устройство умело распознавать буквы, а также анализировать примеры и учитывать их в будущем.

Технология привлекла к себе внимание военных, которые постепенно поставили ее на поток, в результате чего нейронные технологии получили дальнейший толчок к развитию. Правда, через некоторое время выяснилось, что есть некоторые ограничения, которые имели существующие алгоритмы. Эти ограничения не давали возможности с достаточной долей точности решать некоторые важные задачи. В 1969 г. выяснилось, что эти ограничения невозможно устранить. Именно это открытие привело к тому, что более 20 лет к нейронным технологиям интерес был практически потерян.

И только лишь в начале 80-х годов за счет упорства ученых Хехт-Нильсена и Хопфилда разработки в области нейронных технологий возобновились. Причем, некоторые наработки, которые были достигнуты за счет этого, стали успешно внедряться в практику. Через 5 лет ученые нашли оптимальный способ обучения нейронных сетей. Этот способ получил назание обратного распространения. Кстати, если будете читать зарубежную литературу, то там этот способ известен под названием Back Propagation of Error. Этот алгоритм был сформулирован американскими математиками Хинтоном и Румельхартом.

Использование нейронных сетей в трейдинге

Сегодня многие трейдеры подвергают критике применение различного торгового ПО, в частности нейронных сетей. По моему мнению, подавляющее большинство материалов с подобной критикой – суть необоснованный гон ленивых неудачников или попросту заказной контент. Как правило, претензии к подобному ПО возникают у игроков, которые полностью полагались на прогнозы искусственного интеллекта и опрометчиво рисковали практически всеми активами.

Рынок, граждане, стихия капризная, но до определённой степени предсказуемая. Могу всем в очередной раз порекомендовать, хотя бы иногда, пользоваться и своими мозгами. Изложу своё скромное суждение об использовании нейронных сетей в трейдинге.

Хочу отметить, что критиканство лузеров и проблемы связанные с внезапными выступлениями Марио Драге или Бернанке, отнюдь не умоляют революционных достоинств применения искусственного интеллекта. Неоднократно пользовался прогнозами нейронных сетей и могу с ответственностью заявить — работает на +100. Существенно облегчает создание и коррекцию эффективной торговой системы, экономит массу времени при анализе цикла. Параллельно с программными методами технического анализа, можно применять и более традиционные.

По опыту знаю, что наиболее эффективную торговую стратегию можно разработать, комбинируя различные средства обработки данных. Начинающим трейдерам часто не понятно в чем инновационность программной обработки данных с использованием нейронных сетей. Всё дело в самом принципе и характере их работы. Как следует из названия, нейронная сеть работает подобно человеческому мозгу, усваивая и включая в аналитический процесс уже полученные данные. Не вдаваясь в подробности, можно назвать такую систему самообучаемой.

Несмотря на изложенное выше, предостерегаю — нейронные сети не заменят мозги трейдера вероятнее всего никогда, не компенсируют его тупость, неконтролируемый азарт и легкомысленную беспечность. Помните о новостях, «стелите соломку» – используйте stoploss или другие программы, лимитирующие возможные потери. В умелых руках нейронные сети Форекс – это идеальный инструмент прогнозирования, позволяющий объединять несколько потоков статистических данных, получить их количественную оценку и обработать с использованием факторных аналитических блоков. На мой взгляд, такая обработка даёт интеллектуальный прогноз стратегии торгов, более чем достаточный для эффективного трейдинга.

Еще несколько советов начинающим трейдерам. Многие сегодня думают о том, куда вкладывать деньги? Я твёрдо убеждён в том, что одним из самых результативных может стать вложение в диллинговые центры, которые представляют собой компании, занимающиеся отстаиванием интересов клиента на современном международном финансовом рынке.

Одним из явных достоинств некоторых диллинговых компаний является предоставление кредитного плеча. Например, при значении кредитного плеча 1:600, вы вкладываете 10$, сумма реальной сделки составляет 6000. Работа с такими системами предполагает установку торговой платформы, которая принята на данной площадке. Однако серьезное вложение средств не является главным условием успешного эффективного трейдинга. Помимо прочего, как я уже писал, необходимо найти такую стратегию торгов, которая будет приносить максимально возможную прибыль. В сущности, высокая рентабельность крупных вложений, наиболее вероятна только после выработки подобной стратегии.

Многие трейдеры методом проб, ошибок и научного тыка создают свои торговые системы, другие предпочитают использовать уже проверенные схемы. И те и другие подвержены риску в равной степени, так как испытанные стратегии могут не работать в новых условиях, а создание новой эффективной системы дело не быстрое и требует регулярных затрат.

Если говорить о форекс-стратегиях, показывающих высокую эффективность, можно отметить, что далеко не многие из них адаптированы для начинающего трейдера. Одним из высокоэффективных способов быстрого старта является торговля с использованием торговых советников. Принцип такой стратегии прост – валютные пары приобретаются в соответствии с заранее заданными условиями. Пользователь должен лишь корректно настроить софт, строго соблюдая инструкцию.

2.4. Обучение искусственных нейросетей. Анализ результатов. 2.4.1. Нейросетевой индикатор для прогнозирования рынка евро/доллар

Абсолютное большинство трейдеров при прогнозировании финансовых рынков используют технический анализ (ТА). Одним из наиболее популярных разделов ТА является анализ при помощи индикаторов. Даже если торговая система трейдера не основана на индикаторах, он все равно использует 3-5 «дежурных сигнальщиков» в своей работе. Не существует индикатора, который бы со 100% уверенностью выдавал сигналы на вход в рынок и выход из него, так как индикаторы просто представляют текущую рыночную ситуацию в удобном виде и не позволяют однозначно сказать, что будет в будущем.

Необходимо отметить, что раздел ТА, посвященный индикаторам, разрабатывался достаточно давно и страдает излишней простотой подхода к интерпретации рынка по одной простой причине. Например, в 60-е годы не каждый трейдер имел доступ к компьютеру и «сигнальщики» рассчитывались ими в таблицах при помощи карандаша и бумаги. Современные компьютерные и аналитические технологии предоставляют в распоряжение трейдера гораздо больше возможностей для анализа рынка.

По нашей оценке, на 30.09.2020 г. лучшими брокерами являются:

• для торговли валютами – NPBFX;

• для торговли бинарными опционами – Intrade.bar;

• для инвестирования в ПАММы и др. инструменты – Альпари;

Разработаем индикатор, которому можно было бы доверять больше чем, например, таким популярным индикаторам как RSI или Stochastic. На способ решения задачи накладывают определенные особенности следующие условия: исследовательская деятельность, выполняемая в рамках данной работы, направлена на международный валютный рынок FOREX; стратегия торговли подразумевает торговлю на коротких периодах внутри дня.

Цель опыта: сформировать комитет нейроэкпертов, который бы решал задачу прогнозирования MPP, сглаженного 6-типериодной скользящей средней, построенного на основе часовой динамике курса евро/доллар. База для формирования входной информации: часовая динамика курса евро/доллар за 1999 год. Входная информация: приращения цен закрытия за 24 часа. Выходная информация: MPP, сглаженный 6-типериодной скользящей средней.

Обучение каждой сети производилось до тех пор, пока MSE не переставала заметно уменьшаться. MSE (Mean Squared Error) – среднеквадратическая ошибка значений, формирующихся на выходах ИНС, рассчитываемая в процессе обучения «с учителем» – один из самых распространенных критериев качества обучения нейросетей. В таблице 2.1 представлены результаты обучения 10-ти ИНС. Нейронные сети не «научились» однозначно распознать хотя бы половину образов, и, кроме того, на одном и том же обучающем множестве показали разные результаты. Особо хочется обратить внимание на то, что даже сети одинаковой конфигурации показали различные «способности» к обучению. Этот факт наглядно иллюстрирует эффект «локальных минимумов» и «первоначальной точки» при обучении методом градиентного спуска (обратного распространения ошибки).

Современные методы обучения многослойных ИНС подразумевают формирование первоначальных значений весов случайным образом и дальнейший пошаговый поиск экстремумов функции невязки. В этой связи, предсказания сетей, обученных на одной и той же выборке, в большинстве случаев, будут отличаться. Этот недостаток (элемент неопределенности) можно превратить в достоинство, организовав комитет нейро-экспертов, состоящий из нескольких ИНС. Разброс в предсказаниях экспертов позволяет получить представление «качестве» получаемых прогнозов, что можно использовать для правильного выбора стратегии игры.

Среднее значений комитета должно давать лучшие предсказания, чем средний эксперт из этого же комитета, причем, снижение ошибки может быть довольно заметным. Поэтому, в предсказаниях всегда лучше опираться на средние значения всего комитета. В большинстве случаев выигрыш комитета выше, чем выигрыш каждого из экспертов. Таким образом, метод комитетов может существенно повысить качество прогнозирования.

В качестве результирующего прогнозируемого значения воспользуемся взвешенной средней мнений сетей – экспертов. В качестве оценки степени обученности нейросетей воспользуемся коэффициентом корреляции выходов сети и «идеальных» значений из обучающего множества: чем больше коэффициент корреляции, тем больше выходные значения сети совпадают с «идеальными». Из таблицы 2.1 видно, что хуже обученные сети характеризуются меньшими значениями коэффициента корреляции. В результате хуже обученные нейросети из комитета вносят меньший вклад в общее мнение и не искажают предсказания.

Полученное среднее мнение комитета можно использовать для построения индикатора. Значения среднего мнения комитета, как и предполагалось выше (см. подраздел 2.3.2), тяготеет к нижней границе оптимальных значений, колеблется с малой амплитудой около своего среднего значения. Кроме того, можно увидеть, что значения характеризуются шумом (испытывают резкие смены направлений), который затрудняет использование индикатора. Все вышесказанное наглядно демонстрирует график среднего мнения (синяя линия на рис. 2.15).

Более удобный вид индикатор примет, если его значения перед применением преобразовать так, чтобы они были более сглаженными и колебались в интервале [0;1]. Этого можно добиться путем некоторых преобразований, например: увеличением/уменьшением значения среднего мнения комитета на константу («приподнимаем» график), растягиванием значения по направлению к краям (вычитаем 0,5, умножаем на коэффициент, прибавляем 0,5), применением функции-сигмоида, сглаживанием скользящей средней (в нашем примере 6 периодов) и т.п.

Полученный индикатор изображен красной линией на рисунке 2.15. Интерпретировать его сигналы можно следующим образом: при приближении индикатора к верхней границе интервала [0;1] необходимо покупать, при приближении индикатора к нижней границе интервала [0;1] необходимо продавать.

Для анализа «качества» индикатора построим точечную диаграмму результатов теста комитета нейросетей на динамике курса евро/доллар за январь 2000 г., на которой ИНС не обучались. По оси абсцисс будем откладывать «ожидаемые» значения, а по оси ординат – соответствующие значения полученного индикатора (рис. 2.16). Синими точками на рисунке 2.16 показаны результаты прогнозирования, красными цветом отмечена ситуация, возникающая в случае 100% совпадения ожидаемых и фактических выходных значений.

По показаниям диаграммы можно сделать следующие выводы:

В том случае, когда значения, полученные в результате прогнозирования, совпадут с ожидаемыми, на диаграмме это будет изображено в виде точечной линии (красная линия на рисунке 2.16). Как видно из диаграммы (синие точки), значения индикатора «размазались» в результате преобразований (прогноз нейросетей, усреднение, растягивание), однако главные крайние значения собраны в «облака» в тех углах, в которых они и должны находиться для хороших прогнозов – «правый верхний» и «левый нижний».

Евро на протяжении 1999 года падала и уже на стадии формирования обучающей выборки было выдвинуто предположение о том, что нейросети с большей достоверностью научатся прогнозировать «продажу». Значения по оси абсцисс, лежащие в интервале [0;0.2], могут быть рассмотрены как потенциальные «продажные» сигналы, а в интервале [0.8;1] – как «покупочные». Облако в области потенциальных сигналов на продажу более концентрировано по оси ординат, а значит, сигналы на продажу должны быть более точными. Будет хорошо, если при реальной работе на рынке с полученным индикатором, евро по отношению к доллару будет продолжать падать.

Средняя погрешность прогноза в январе 2000 составила 0.2333 при единичном интервале колебания индикатора. Это означает, что однозначных заключений о покупке или продаже по полученному индикатору делать нельзя, слишком велика погрешность (≈46% интервала изменения величины) Реально сигналы, подаваемые индикатором комитета, можно рассматривать только как «скорее вниз, чем вверх» или «скорее вверх, чем вниз» и т.п.

Следующим этапом в анализе «качества» полученных результатов будет построение простейшей торговой системы, базирующейся на основе полученного индикатора, и моделирование торговли по ней на рынке.

Под простейшей торговой системой будем понимать систему, выдающую сигналы на открытие позиции (длинной и короткой) и закрытие позиции. Такую систему можно смоделировать, используя модуль System Tester пакета для технического анализа Equis MetaStock.

System Tester позволяет подобрать для индикаторов оптимальные уровни, при пересечении которых возникает сигнал на открытие или закрытие позиции. По результатам нескольких тестов значимые уровни можно расставить следующим образом (рис. 2.17):

а) 0.3 – пересечение индикатором этого уровня сверху вниз будем интерпретировать как сигнал на «продажу»;

б) 0.7 – пересечение индикатором этого уровня снизу вверх будем интерпретировать как сигнал на «покупку».

Такую стратегию можно интерпретировать следующим образом: закрываем одну позицию, открываем другую в обратном направлении. При пересечении значимых уровней (на рисунке 2.17 синие горизонтальные линии) моделируются сигналы на покупку или продажу. График сигналов, используемых при обучении (сглаженный MPP), построен на рисунке синей линией. Из графика видно как индикатор «пытается повторить» идеальный сигнал. Обучение комитета нейро-экспертов проводилось по данным 1999 года. Протестируем индикатор комитета нейросетей на часовых котировках евро/доллар за январь 2000 года, т.е. на данных, которые не использовались в процессе обучения.

Торгуя по такой системе в январе 2000 года на рынке евро/доллар, можно было заработать 488 пунктов (или 4,8 «фигуры» на лексиконе трейдеров), что составляет 57% годовых (12*4,8) для «немаржинальной торговли» (рис. 2.18). Стрелками на графике отмечены моменты открытия и закрытия позиций (длинных и коротких соответственно), внизу красной линией изображен индикатор (рис. 2.18).

Как правило, торговые системы практикующих трейдеров гораздо более сложные и строятся на большом числе элементов, поэтому на реальном рынке по рассмотренной здесь торговой системе профессиональные трейдеры, скорее всего, работать не будут в силу ее упрощенного подхода к интерпретации рыночных ситуаций. Однако она обладает потенциалом усовершенствования с точки зрения надежности и прибыльности. Поэтому работы в данном направлении должны быть продолжены.

При разработке нейросетевого индикатора попытаемся в качестве входных данных использовать производные ценовой динамики, а именно – сигналы индикаторов технического анализа (ТА). Очевидные достоинства применения входных данных такого рода описаны выше.

Цель опыта: сформировать комитет нейроэкпертов, который бы решал задачу аппроксимации MPP, сглаженного 6-типериодной скользящей средней, по сигналам индикаторов технического анализа. База для формирования входной информации: часовая динамика курса евро/доллар. Входная информация: значения индикаторов ТА. Выходная информация: сглаженный 6-типериодной скользящей средней MPP.

При отборе индикаторов в обучающее множество будем руководствоваться следующими субъективными оценками: «этот индикатор довольно популярен и часто используется трейдерами», «он имеет достаточно хорошую амплитуду колебаний», «его можно легко перекодировать в интервал активационных функций нейронов». Почти каждый трейдер имеет набор индикаторов, с которыми он постоянно работает. Поэтому отбор тех или иных индикаторов в обучающее множество может быть делом вкуса исследователя.

Из множества индикаторов ТА для обучающей выборки отберем следующие двенадцать:

а) Williams’ %R (14);
б) Dynamic Momentum Index;
в) Price ROC (24);
г) Chande Momentum Oscillator (20);
д) Chaikin A/D Oscillator;
е) CCI-Standard;
ё) Forecast Oscillator;
ж) Swing Index;
з) Stochastic Oscillator;
и) Relative Momentum Index;
й) Binary Wave Composite (as trend);
к) MACD (as trend).

Обучение каждой сети производилось до тех пор, пока MSE не переставала заметно уменьшаться. Результаты обучения 10-ти нейросетей представлены в таблице 2.2.

В качестве результирующего значения будем использовать мнение комитета указанных 10 нейросетей. Мнение комитета получается путем нахождения взвешенного по результирующей ошибке среднего мнения каждой сети, в результате чего хуже обученные сети имеют меньше шансов влиять на общее мнение комитета.

Полученное среднее мнение комитета можно использовать для построения индикатора. Значения среднего мнения комитета зашумлены, что затруднят использование индикатора, кроме того, в результате усреднения выходных значений ИНС уменьшилась амплитуда колебаний рассматриваемой величины. Интервал колебаний уменьшился с [-0.5;0.5] до [-0.3;0.3].

Таким образом, конечные значения индикатора получены путем сглаживания мнения комитета 3-хпериодной скользящей средней и домножения на коэффициент (в нашем примере 1,5).

Проверить «качество» индикатора можно на данных, которые не использовались при обучении ИНС. Протестируем обученные ИНС на часовой динамике курса евро/доллар за январь 2000. Для анализа «качества» индикатора построим точечную диаграмму, на которой по оси абсцисс будем откладывать желаемые «идеальные значения», а по оси ординат – соответствующие значения полученного индикатора (рис. 2.19). Точками красного цвета показано «желаемое» соотношение ожидаемых и фактически полученных выходных значений.

Как видно из диаграммы, значения полученного индикатора испытывают большие отклонения от «идеальных» значений (среднее отклонение составило 0.2053, что меньше, правда, чем в предыдущем опыте). Кроме того, сигналам на продажу можно доверять больше, чем сигналам на покупку (концентрированное облако из синих точек в левом нижнем углу).

Потенциальную прибыльность торговли по сигналам полученного индикатора оценим по результатам простейшей торговой стратегии:

а) пересечение индикатором определенного верхнего уровня будет сигналом к покупке базовой валюты (евро);

б) пересечение индикатором определенного нижнего уровня будет сигналом к продаже базовой валюты (евро);

в) пересечение индикатором некоторого серединного уровня будет сигналом к закрытию открытых позиций.

Для получения лучших стратегий уровни необходимо подбирать оптимизационными методами. В рассматриваемом здесь опыте эти уровни были установлены в следующих местах: верхний (0.25), серединный (0), нижний (-0.25), при интервале индикатора [-0.5;0.5] (см рис. 2.20). При пересечении значимых уровней моделируются сигналы на покупку или продажу. На рисунке 2.20 сглаженный MPP изображен синей линией в нижней части рисунка, индикатор комитета – красной.

Торгуя по избранной системе в январе 2000 года на рынке евро/доллар, можно было заработать 580 пунктов (или примерно 6 фигур), что составляет 69,6% годовых (12*5,8) для «немаржинальной торговли» и 6960% годовых (12*5,8*100) для «маржинальной торговли» с плечом 100, но без учета комиссионных. Моменты открытия и закрытия позиций (длинных и коротких соответственно) отмечены стрелками на рисунке 2.21, в нижней части рисунка красной линией изображен индикатор комитета нейроэкспертов.

Результаты проведенного опыта оказались более успешными в сравнении с предыдущим. Большинство ИНС «научились» распознавать около половины предъявленных при обучении образов. MSE на выходах ИНС также оказалась меньше, чем в предыдущем опыте.

Искусственные нейронные сети и их применение на рынке Форекс

В то время, как большинство трейдеров бьется в поисках Грааля, совершенствуя механические торговые системы и графические методы анализа, небольшая, но прогрессивная часть занимается разработкой нейронных сетей в трейдинге и их продвижением. Что же такое нейронная сеть, и каковы перспективы ее использования на рынках ценных бумаг?

Что такое искусственная нейронная сеть?

Искусственная нейросеть построена по принципу биологических нейронных сетей, то есть, она копирует организацию нервных клеток живого организма и состоит из искусственных нейронов. Она представляет собой математическую модель и ее воплощение в аппаратном и программном обеспечении для осуществления сложных логических вычислений.

Интересно! Нейроны искусственной нейронной сети иногда называют сумматорами. Нейрон получает информацию, обрабатывает ее с помощью простых арифметических действий и передает ее дальше.

Простая нейросеть состоит из трех нейронов:

Обратите внимание! Из всех форекс брокеров, работающих на территории РФ, критериям действительно качественной компании удовлетворяют немногие. Лидером является – Альпари!

— более 20 лет на рынке Форекс;
— 3 международные лицензии;
— 75 инструментов;
— быстрый и удобный вывод средств;
— более двух миллионов клиентов;
— бесплатное обучение;
Альпари — это брокер №1 по версии Интерфакса! Все, что необходимо для начала — просто зарегистрироваться на сайте!

  • входного;
  • скрытого;
  • выходного.

Эта последовательность называется перцептроном. Если нейросеть сложная, то нейроны в ней могут образовывать слои (обычно не более трех). Ключевой способностью нейронной сети является способность к обучению.

Основные задачи, решаемые с помощью нейросетей:

  • классификация – распределение данных по параметрам;
  • прогнозирование – например, курса валют исходя из имеющихся данных;
  • распознавание образов;

Наиболее успешно нейронные технологии применяются для распознавания образов.

Для справки! Голосовые команды и фраза «окей, Гугл» — тоже нейросети.

Классификация нейросетей

Нейросети классифицируются по количеству слоев нейронов:

  • однослойные — с одним слоем;
  • многослойные — с несколькими скрытыми слоями.

Также по направлению движения информации они могут быть следующих видов:

  • прямого распространения – информация двигается только в одном направлении;
  • рекуррентные – с обратными связями;

Возможности рекуррентных сетей пока слабо изучены, так как анализировать их сложно. Потенциал у них очень велик.

Нейронные сети в трейдинге

Нейротехнологии пока не нашли себе широкого применения в трейдинге. Тем не менее, они имеют потенциал, так как позволяют обнаруживать в исходных данных любые повторяющиеся модели. Также в качестве источников данных для анализа можно использовать не только котировки, но, при необходимости, и любую информацию, вплоть до фаз луны и календаря индейцев Майя. При этом, можно комбинировать как технические данные, так и фундаментальные.

Важным преимуществом нейросетей в трейдинге перед механическими торговыми системами является возможность обрабатывать гигантские объемы информации, способность обучаться и адаптироваться к изменениям рынка.

Например, механические советники и торговые роботы периодически нужно перенастраивать, иначе они начинают приносить убытки. Существуют трендовые роботы и роботы хорошо работающие в боковике. Нейронная сеть способна подстраиваться под изменения рынка самостоятельно, без участия человека.

Программное обеспечение для создания нейросетей в трейдинге

Уже довольно давно на рынке присутствуют достаточно мощные пакеты и программные комплексы, позволяющие как проектировать нейронные сети для Форекс самостоятельно, так и включающие в себя готовые решения для торговли.

ExelNeuralPacckage Пакет, разработанный российскими специалистами расширяющий возможности MS Exel в области нейротехнологий.
Nero Brainmaker Несложная программа для проектирования сетей с большим количеством слоев.
NeuroLab Приложение для Wealth-Lab.
NeuralWorks Семейство продуктов для разработки сетей.
NeuroShell Продукты для решения широкого ряда задач, в том числе и в трейдинге.
Trading Solutions Специализированная программа для трейдеров, позволяющая им создавать и отлаживать нейронные сети.
Statistica Продукты компании StatSoft для статистического анализа, в том числе, с применением нейросетей.

Для Форекс-трейдеров существует возможность писать роботов и советников на языках MQL4 и MQL5. Для работы в этом направлении есть соответствующие библиотеки. Также можно использовать пакет NeuroSolutions который позволяет не только создавать нейронные сети, но и подключаться к MetaTrader.

Недостатки нейросетей, работающих на Форекс

К сожалению, на сегодняшний день нейронные сети в трейдинге показывают противоречивые результаты. Это связано со следующими причинами:

  1. Нейросети являются разновидностью статистического анализа и поэтому им свойственны все проблемы и болезни статистических методов: успешный анализ исторических данных не гарантирует успеха в будущем – это утверждение в полной мере справедливо и для нейросетей.
  2. По мере усложнения сети, количество вычислений растет по экспоненте.
  3. Нейронные сети работают по принципу черного ящика: загружая в сеть данные и получая результат, трейдер не понимает принципов, на основании которых она принимает решение, значит он не склонен доверять ей свои деньги, тем более, на таком рынке, как Форекс.

Для решения этой проблемы, разработчики нейросетей предусматривают вывод данных в виде математических формул. Но для того чтобы в них разобраться, нужно обладать серьезными знаниями в области математики.

В краткосрочной торговле, и, в частности, на Форекс, нейросети показывают слабую эффективность, тем самым подтверждая утверждение нобелевского лауреата Юджина Фама о хаотическом характере изменения цены и невозможности предсказаний в краткосрочном плане. Однако они могут быть полезны для анализа долгосрочных процессов и выработки инвестиционных прогнозов, а также при анализе инвестиционных рисков.

Уже сейчас банки и инвестиционные компании активно применяют нейротехнологии. Возможность обрабатывать большие массивы и способность к обучению, позволяют нейронным сетям на Форекс идентифицировать более сложные паттерны, чем это возможно с помощью механических и графических методов.

Не исключено, что нейросетям в будущем будет вполне по силам самостоятельно осуществлять поиск неэффективностей рынка – закономерностей, которые позволяют трейдеру зарабатывать. В настоящее время, использование на рынке стратегий, основанных на нейротехнологиях, возможно с применением грамотного риск-менеджмента и управления капиталом.

НЕЙРОСЕТЕВОЙ АНАЛИЗ

Большим успехом в последние несколько лет пользуются нейронные сети, названные так в силу своей многослойной сетевой структуры однотипных элементов — нейронов, соединенных между собой и сгруппированных в слои. Нейросети представляют собой новую и весьма перспективную интеллектуальную технологию. Математическая модель нейронной сети позволила создать самообучающиеся компьютерные программы, построенные по принципу человеческого мозга. Использование таких программ возможно во всех областях человеческой деятельности, в частности при работе на валютных рынках.

В 1990 г. искусственные нейронные сети — в то время новый инструмент д.ля финансовой науки — преподносились как чудодейственное средство, способное почти полностью вытеснить человека из сферы операций на финансовых рынках.

В настоящее время нейронно-сетевая методология находит все новые применения в практике управления и принятия решений, в том числе в финансовой и торговой сферах. Лежащая в ее основе теория нелинейных адаптивных систем доказала свою полезность при выработке прогнозов в целом ряде отраслей экономики и финансов.

Благодаря многочисленным научным публикациям и конференциям по применению нейронных сетей в финансовой области эта методика завоевывает все большее доверие у практиков, так как она согласуется с их интуитивным представлением, что в совокупной картине изменений финансового рынка могут присутствовать определенные закономерности, которые можно распознать и использовать в инвестиционной или спекулятивной деятельности. Смысл использования нейронных сетей в финансовой области вовсе не в том, чтобы вытеснить традиционные методы — это просто еще одно возможное средство для решения задач.

Характер разработок в области нейронных сетей принципиально отличается от экспертных систем, алгоритмы которых построены на правилах типа «если. то. ». В основе нейронных сетей лежит преимущественно поведенческий подход к решаемой задаче: сеть «учится на примерах» и подстраивает свои параметры при помощи так называемых алгоритмов обучения через механизмы обратной связи. Принципиальным отличием нейронной сети от описанных выше методов прогнозирования является тот факт, что нейронная сеть не предполагает никаких предварительных знаний о модели. Единственное, что нужно, — это значение переменных, а далее сеть приспосабливается к структуре, самостоятельно выбирая адекватную модель. Такой принцип работы делает нейронную сеть наиболее гибким и очень перспективным методом прогнозирования. Нейронная сеть может использовать не только линейные и нелинейные модели, но и успешно распознавать образы. Кроме того, в отличие от других методов нейронные сети могут работать как с числовыми данными, так и с неформализованными (качественными) данными. В Европе существует программа ESPRIT, включающая ряд исследовательских проектов, результаты которых позволили бы учитывать «новости» (мягкие данные) в моделях прогнозирования и принятия финансовых решений.

В нейросетях могут быть реализованы все методы анализа (фундаментальный, технический, статистический и модели детерминированного хаоса). Нейронную сеть можно применять во всех случаях, где используются линейные методы (например, долгосрочное прогнозирование). Кроме того, нейронная сеть больше, чем другие методы, подходит для выявления нелинейных закономерностей (при краткосрочном прогнозировании) при отсутствии априорных знаний об основной модели. Нейронные сети можно применять для одномерного и многомерного анализа, а также можно прогнозировать значения не только одной, но и нескольких переменных (например, значения валютного курса на различное время вперед).

Исследования по прогнозированию с помощью нейронных сетей продолжаются, и никаких стандартных методов пока еще не выработано. Типичная последовательность действий при решении задачи прогнозирования валютного курса (финансовых показателей) по заданным исходным данным с помощью нейронных сетей показана на рис. 3.9.

Рис. 3.9. Принцип работы нейронной сети

Качество прогноза зависит от качества обучения сети. На этапе обучения важно правильно выбрать число и вид показателей, влияющих на изменение валютного курса. Сеть обучается на данных, которые подбираются человеком, именно он задает, какие показатели являются курсообразующими и должны быть использованы при обучении и прогнозировании, а также сколько наблюдений должно участвовать в обучении. Данный факт свидетельствует о том, что при прогнозировании влияние субъективного фактора даже в таких прогрессивных методах устранить не удается.

Второй этап — тестирование построенной сетью модели прогнозирования с целью оценки ее качества. Оценка обычно основывается на критерии согласия типа средней квадратической ошибки или квадратного корня из нее. Эти критерии показывают, насколько предсказанные значения оказались близки к обучающему, подтверждающему или тестовому значению. Обучение нужно проводить до тех пор, пока результаты тестирования не дадут приемлемую достоверность прогноза, например

95%. Прогноз, полученный с помощью нейросети, имеет вероятностный характер. Следует иметь в виду, что с течением времени качество прогноза будет ухудшаться в силу, например, появления новых факторов, влияющих на курс и не учтенных в обучающей выборке. Очень важно также распознать момент, когда эффективность модели начинает падать и ее надо либо перенастраивать, либо заменять на другую. При построении системы прогноза часто преследуется цель получить руководство для принятия решений в процессе торговли. Такого рода руководство можно создать с помощью организации (топологии) сети в виде комбинаций нескольких нейронных сетей, обученных на разных множествах данных и разных отрезках времени. Топология сети может быть различной. Выбор варианта схемы сети зависит от решаемой задачи.

Например, для краткосрочного прогнозирования валютных курсов используются так называемые адаптивные нейронные сети, которые регулярно перенастраиваются. Использование адаптивных нейросетей вызвано высокой изменчивостью валютного рынка.

Зарубежные ученые Д. Холи, Дж. Джонсон и Д. Райн опубликовали в 1990 г. исследование по применению нейросетей для распознавания образов [1] . Полученные ими результаты говорят о возможности обучения адаптивных нейросетей для проведения технического анализа.

Как уже отмечалось, нейросети позволяют делать нелинейные прогнозы. Известны примеры, описанные Е. Петерсом [2] , когда с помощью модели многослойного персептрона удавалось прогнозировать поведение нелинейных динамических систем с хаотическим поведением, что позволяет отчасти прогнозировать величину непредвиденных изменений валютных курсов. Например, ряд ведущих зарубежных банков стал применять нейросети для решения проблемы неожиданных изменений позиции доллара США на валютном рынке при большом числе неизменных объективных показателей.

В последние несколько лет за рубежом на основе нейросетей было разработано много программных пакетов для прогнозирования динамики валютного курса (и других рыночных цен), а также для оценки кредитоспособности, оценки волатильности, вероятности банкротства банка, для управления валютными активами, контроля за инвестиционными операциями и т.д., которые активно используются зарубежными банками и финансовыми, страховыми, промышленными компаниями

(Bank of America, Chase Manhattan, Citicorp и др.). Наиболее известными зарубежными программами являются: Brain Maker Pro фирмы California Scientific Software, Nestor, Cascade Correlation, Neudisk, Mimenice, Nuweb, Brain, Dana, Neuralworks Professional 2 Plus, Hnet, Explorer, Neuro Solution, Propagator, Matlab Toolbox. В многочисленных зарубежных публикациях о нейросетях утверждается, что такие программы способны прогнози- роть с достоверностью 60—95%. Точность прогноза зависит от области применения и от тщательности обучения нейросети.

Существуют и российские программные продукты: Neuro Builder 2001 (RosBusinesConsulting) и нейросетевая торговая система Fortel Trade (Центр новых технологий в финансах и инвестициях). Система Fortel Trade в онлайн-режиме функционирует следующим образом. Данные поступают от информационных агентств (Reuter, Signal Data Inc и др.) в режиме tick-by-tick и преобразуются в формате торговой системы. Заранее обученный нейросетевой прогнозатор оценивает полученную информацию и прогнозирует динамику цен (валютных курсов) в ближайшем будущем (30—60 мин). На основе этого прогноза и торговой стратегии, зафиксированной перед началом работы, системой генерируется сигнал о параметрах выбранной позиции. Далее осуществляется сделка. Реальная цена исполнения также вводится в систему и процедура повторяется.

Таким образом, прогнозирование и торговля происходят в автоматическом режиме. Однако система также может показать на экране свой прогноз, а человек — сам принимать решение о выборе позиции, учитывая (или не учитывая) полученный прогноз. Данная система настроена для фьючерсной торговли по валютным кросс-курсам на рынке СМЕ, а также для спекулятивной торговли в режиме реального времени на рынке Forex.

Нейросети, не являясь панацеей, уже сейчас зарекомендовали себя как удобный метод анализа и могут быть использованы для прогнозирования как мирового, так и российского валютного рынков.

Как нейронные сети изучают стратегии торговли на Форекс

Нейронные сети являются последней инновацией в мире Форекс. Сам по себе этот термин заимствован у экспертов в области ИИ (искусственного интеллекта). Нейронные сети представляют собой методику анализа, для которой характерно множество блоков. Они используются для обработки различных данных, информации и связаны между собой вероятностями. Это некая модель, которая реализуют механизм работы человеческого мозга, воспроизводит обучающий процесс.

В науке ИИ, нейронные модели успешно применялись для «умных» компьютеров- машин, которые учатся, базируясь на результатах собственных действий. Нейронные сети (в отличии от классической структуры данных), могут принять уже не один поток информации (несколько потоков данных), и на выходе выдать только один результат. При создании прогноза, можно предоставить количественный анализ данных: использовать метод добавления факторов.

Эта методика широко применяется на рынке Форекс (при составлении прогноза): сети легко можно установить на распознавание данных, и получению результатов. Перед тем, как применить нейронные сети (с целью Форекс-прогнозирования), важно «научить» их определять( и находить) паттерны, корректируя их. Паттерны формируются между вводом и выводом.

Так, процесс обучения и самого тестирования длительный, но он того стоит: он дает возможность нейронным сетям предсказывать будущие итоги, при этом базируясь на ретроспективе информации.

В чем заключается основная идея реализации?

При представлении примеров пар: входных и выходных данных, сеть легко может обучиться закономерностям, успешно используя их в будущем для новых данных.
В результате, нейронная сеть сама может сравнивать выходные данные, с целью выявления точности прогноза, и также обладать возможностью возврата назад, для того чтобы настроить важность разных зависимостей( до тех пор, пока ответ не будет верным).

Для такого «обучения» требуется тренировка сети. Это делается с помощью двух(разных) наборов данных: для обучения и тестирования.

Положительная сторона нейронных сетей это продолжение процесса обучения, сравнения прогнозов с новыми данными. Они успешно сочетают технические и фундаментальные параметры, эффективно используя обо вида данных. Это мощный инструмент для обнаружения паттернов( неучтенных), и успешного использования их для точных прогнозов на выходе. Выходные данные также полезны, как и входные: сеть может использовать интеллект без эмоций на рынке. Ведь нейронная сеть никогда не выделить эмоциональность фактора и не сможет дать слабину.

На текущий момент, в связи с активным развитием информационных технологий, на Форексе, есть торговые платформы, которые предоставляют возможность «обучить» нейронную сеть. Это делается системой, с целью составления прогнозов, и последующей установкой на основании их приказов: на покупку и продажу.

Что такое нейросети. Нейросети и форекс.

Одно из последних событий в мире Forex — нейросети. Нейросети — это машинное самообучение, тесно связанное с технологиями искусственного интеллекта. Такие системы собирают и анализируют данные, используя модель обучения отдаленно повторяющую то, как работает и учится человеческий мозг — методами проб и ошибок, обобщений и обособлений. Каковы текущие возможности и перспективы, которые открывают эти программные разработки перед финансовыми рынками форекс?

Что это вообще такое — «нейросети»?

Нейросети — уникальные системы технического анализа данных. И важно то, что в своей автономной работе очень напоминают людей — в том, как те оценивают какие-то причинно-следственные связи и вероятности. Что несомненно важно для людей в принятии тех или иных решений, то воплощается и в нейросетевых системах — оценка предыдущего опыта. Это как ребенок, который раз за разом собирает пазл и делает все меньше ошибок.

А так формулируются принципы работы многослойной нейросети. Чем-то похоже, не правда ли?

Сеть совершенствуется за счет двух основных наборов данных: набора для обучения и набора для тестирования, что позволяет улучшать себя за счет проб-ошибок — как у людей. Одна из основных сильных сторон нейросетей состоит в том, что она может продолжать учиться, дополняя свои прогнозы поступающими данными, и переосмыслять на этом фоне некоторые принципы своей работы.

Нейросети на форекс могут очень гармонично анализировать между собой как технические, так и фундаментальные данные, чего не делают не то что другие механические системы, но и некоторые трейдеры.

Само же обучение нейросетей занимает много времени, ресурсов и сил. Но есть надежды на то, что таким образом или похожим — можно еще больше сократить дистанцию между уникальными способностями человеческого мышления и вычислительными возможностями компьютерных систем.

Где-то уже применяются такие системы?

Поисковые системы, такие как Google или Яндекс уже давно используют нейросети для анализа и классификации изображений, звуков, символов текста и других данных. Нейросети гугла могут сортировать изображения — по ходу обучаясь выделять все более общие и частные признаки характерные для тех же картинок. Такие нейросистемы легчайшим образом сортируют черно-белые и цветные изображения и могут почти безошибочно отличать изображения котят от щенят.

Гугл-переводчик также частично перешел на нейросетевой интерфейс и стал переводить гораздо точнее и внимательнее к контексту. Нейрокомпьютеры активно используются американским финансовым конгломератом Citigroup Inc. В Chemical Bank также развита крупная программная система, обслуживаемая фирмой Neural Data. Многие крупные американские компании, такие как LBS Capital Management Inc. покупают небольшие нейропакеты и нейрокомпьютеры (до 50000 $) и значительно улучшают свои торговые показатели на американских индексах — S&P и Nasdaq.

Также расширились отдельные возможности при работе с какими-либо данными. Например, нейросети могут сжимать данные, выделяя наиболее общие взаимосвязи между их частями, и выражать их более компактно — в меньшей размерности. Исходный образ данных можно также восстановить за счет ассоциативной памяти нейросети — если вдруг данные были повреждены или зашумлены.

Но сегодня перед исследователями и разработчиками нейросетей стоят скорее фундаментальные, чем частные задачи и проблемы. Есть куда совершенствовать сами алгоритмы самообучения и анализа, быстродействия и другие, чтобы укрепить саму нишу, расширив потенциал для конкретных возможностей.

Как нейросети можно использовать на рынках форекс?

Нейросети могут прогнозировать, обобщая и обособляя зависимости между входящими и выходящими данными. Обученная сеть может, как и любой технический индикатор, предсказывать будущие значения какой-либо последовательности на основании исторических данных.

Но в отличие от классических индикаторов, нейросеть самостоятельно настраивает принципы оценки данных, их зависимостей друг от друга, корректирует их на основе успехов и ошибок в торговле. Конечно, и тут понадобится немало времени, средств и сил, чтобы обучить сеть и обеспечить необходимую инфраструктуру для своевременного реагирования на поступающие данные.

Все видимые преимущества нейросетевых систем имеют риски очень круто подвести в отношение торговых прогнозов. В конечном счете, выходные решения хороши ровно настолько, насколько хороши входные данные. Нейросети прекрасно обнаруживают корреляции между ними — даже если данных очень много.

Также хорошо извлекаются шаблоны из широко разрозненных типов информации, даже когда эти шаблоны и отношения почти не просматриваются человеческим глазом. Но все же, применение интеллекта без эмоций — в конце концов — скорее слабость, которая может проявить себя при работе с неустойчивым рынком. Когда вводится неизвестный фактор, искусственная нейронная сеть не имеет возможности назначить ему эмоциональный вес.

С наиболее показательными примерами эксплуатации глубинных нейросетей на финансовых рынках вы можете ознакомиться здесь или здесь . В сети появляется все больше индикаторов, так или иначе эксплуатирующих нейронные сети, и вы найдете их без особого труда.

Нейросетевой анализ для Форекс

Идеальный нейросетевой советник должен торговать сам, абсолютно без участия человека. Обычный советник рано или поздно приходится оптимизировать, подбирать параметры, при которых он начинает торговать прибыльно. Использование нейронных сетей позволяет сочетать преимущества автоматической торговли (соблюдение правил стратегии, независимость от эмоций) и способность к обучению (то чего лишены обычные торговые роботы).

В процессе создания любого торгового робота трейдер проходит через такие этапы как:

  • выявление закономерностей на валютном рынке и формулирование четких правил стратегии;
  • описание получившейся торговой стратегии на языке понятном компьютеру;
  • тестирование советника на исторических данных и оптимизация (при необходимости);
  • торговля на демо-счете;
  • торговля на реальных деньгах;
  • периодическая оптимизация с целью максимизации прибыли.

В принципе на этом можно остановиться и использовать полученные наработки для автоматической или полуавтоматической торговли, но возникает соблазн переадресовать даже эти функции компьютеру. Советник на основе нейронных сетей может предоставить такую возможность, по крайней мере, в теории.

Как работает нейросетевой советник

Все существующие нейронные советники (с использованием нейронный сетей любой сложности и разнообразных фильтров) решают одну и ту же задачу – отнесение объекта к определенному классу. Применительно к торговле на валютном рынке события можно, например, классифицировать как восходящий тренд (событие 1-го класса) и нисходящий тренд (событие 2-го класса). Нейросетевой советник должен точно классифицировать события на основании входящих данных.

В обычных советниках критерий, по которому выполняется классификация событий, остается неизменным. В результате при смене тенденции он продолжает торговать по старым правилам и успешно сливает депозит. Советник на основании нейронных сетей автоматически должен распознавать новую тенденцию и изменять правила торговли без участия человека.

В зависимости от сложности нейронных советников изменяется и точность классификации объектов. Простейшие торговые роботы на этапе оптимизации используют линию или плоскость. Введение дополнительных нелинейных фильтров и их объединение в многослойные нейронные сети позволяет учитывать большее число факторов и повышает точность прогноза. При оптимизации используются поверхности высших порядков.

Нейросетевой советник – мнения скептиков и оптимистов

Скептики приводят несколько весомых аргументов, которые, по их мнению, делают прогнозирование поведения цены бессмысленным:

  • рынок является открытой системой, а это значит, что на график цены влияет множество факторов;
  • некоторые из этих факторов нельзя оценить количественно;
  • реакция на один и тот же фактор может быть различной, то есть играет роль «эффект толпы».

Нейросетевой советник, по мнению оптимистов, будущее трейдинга. Их главным аргументом является то, что на крупных таймфреймах видны ярко-выраженные трендовые участки. Если бы движение цены действительно было хаотичным, то с увеличением таймфрейма график приближался бы к прямой линии. Это говорит о том, что существуют правила, по которым рынок «живет» и нейронные сети позволят еще ближе подойти к их пониманию.

Тем не менее, на современном этапе развития эффективность нейронных сетей в лучшем случае сопоставима с результатами технического анализа и индикаторных стратегий. Серьезных изменений в этом вопросе не стоит ждать до момента создания искусственного интеллекта, не уступающего человеческому. Источник: Dewinforex

Нейросетевой анализ для Форекс

Вы загружаете изображение (например, скриншот) любого отрезка графика.

Программа фиксирует текущий отрезок графика как базовый.

Находит похожие отрезки в истории биржевой торговли.

Показывает статистику дальнейшего движения графика.

Самообучающаяся нейронная сеть

Для анализа каждого графика Expatterns «просматривает» всю историю биржевой торговли по 2400 эмитентам начиная с 1970 года.

Мы провели более 1000 тестов программы. Точность анализа составляет не менее 95%.

Удобство и скорость

Управление программой предельно простое: чтобы загрузить и проанализировать изображение, требуется всего несколько секунд.

Отличие от торговых роботов

Expatterns — не робот. Трейдер самостоятельно принимает решение о покупке или продаже.

Понятие нейросеть для Форекс

На сегодняшний день определение «нейросеть» привлекает достаточно много внимания. Это мощный инструмент для работы торговца или мнимая установка, которая не собирается приносить прибыль, а создан только для того, чтобы уменьшать депозит? На валютном рынке обширно используют и дают применение нейросетевым технологиям.

Что значит нейросеть рынка Форекс

Такая теория была разработана Л.Заде еще много лет назад. Цель ее создания состоит в том, чтобы решать сложные вопросы при помощи простых ответов. И важно то, что развитие любого процесса имеет единый результат, значит, он детерминирован.

Это понятие определяется как структура, имеющая несколько уровней и объединяющая в себе одинакового типа элементы нейроны, а они разделены группами по отдельным слоям. Это позволяет таким сетям считаться многоуровневыми. Работа данной системы состоит в том, что различная информация подается на нейроны, находящиеся на уровне входа.

Перед готовностью нейроновых сетей к использованию, важно установить веса для будущей связи между нейронами. Это дает возможность получать по итогу ответы близкие к правде. Структура строения нейроновой сети служит решением возникающих вопросов по изменению внешних условий. Нужно сказать, что используя такую сеть можно выявить больше нужных сведений для получения точного прогнозирования по развитию ситуации.

В каких ситуациях используют нейросеть Форекс

Такое анализирование и возможные прогнозы часто используют для определения колебаний, которые могут возникнуть после окончания действующего тренда и начала его коррекции. Еще систему применяют для определения вероятности продолжения текущего тренда. Система помогает составлять прогнозы возможных появлений точки максимума м точки минимума на графике, следить за действием разных пар валют.

Перед началом использования нейросети в своей работе, торговец обязан знать, что полученный результат зависит от многих факторов. Это анализирующая информация при помощи нейросети, которую собирается изучать трейдер. Но здесь итог получается с некоторыми погрешностями, то есть собранной информации будет недостаточно.

Еще, не стоит забывать, о том, что нейросеть Форекс во время своей работы не дает конкретных ответов на поставленные вопросы, то есть , что нужно делать и какие действия принимать в заданной ситуации. Система всего лишь предлагает несколько вариантов решения поставленного вопроса. Трейдеру нужно самостоятельно сделать выбор и при этом взять во внимание анализ.

Нейросеть не может дать точных предсказаний по вопросам цен, возможно, только увидеть возможные события которые будут развиваться в том или другом ключе. Здесь трейдеру делать выбор нужно самостоятельно, доверится прогнозам или подождать удобных условий для того, чтобы создать сделку, приносящую хорошую прибыль.

Важным является еще то, что специальный софт, который создали для нейросети, может делать только те действия, которые выполняет непосредственно нейросеть.

Нейросеть Форекс, это прекрасная возможность для получения вероятных прогнозов, но, как и во всякой системе есть недостатки, но все это поправимо и решаемо, если во время проведения анализа применять еще вспомогательные инструменты. Они станут полезными в работе, так как система не может предоставить точного прогноза вероятности из-за того, что не работает с точными цифрами и данными.

—!> Пройдите опрос
и получите бонусы от нашего сайта!

Нейросетевой анализ для Форекс

Для этого я выбрал:
1. Open BEAGLE — evolutionary computation framework.
2. NeuroSolutions — neural network.

Входные данные
Первая проблема которая возникает это выбор входных данных для нейронной сети. Тут я пошел по пути наименьшего сопротивления. Было решено подавать на вход все данные, которые дает рынок в неискаженном виде. То есть цена открытия, закрытия, максимум, минимум и объем. Все эти данные представлены в виде логарифма относительного приращения log(C(t)/C(t+1)).

Также на всякий случай для улавливания закономерностей были добавлены данные о дне недели и времени.

Тут рассмотрим поиск стратегии на 3х барах. От одного бара 5 входов соответственно для 3х это 15 + день и время. Итого 17 входов для нейронной сети.

Архитектура сети
На этом этапе можно потратить массу времени. Опять же если выбирать простейший путь нужно выбирать максимально простейшую архитектуру сети. Казалось бы, если такая сеть будет плохо справляться с построением системы, то с помощью увеличения сложности сети все можно исправить. Но как выяснилось все не так. Даже самая простейшая сеть в состоянии заучить рынок без найденной закономерности (если она даже теоретически есть).

И так простейшая сеть это всего 1 сигмоидальный нейрон. То есть входные данные передаются всего на один нейрон и на выходе получаем сигнал для торговли.

Поиск
Процесс поиска прост, перебираются варианты весов сети. Алгоритм был выбран CMA-ES. Для простейшей сети он подходит лучше всего. Функция оценки стратегии представляет из себя рост отхваченных пипсов за неделю. В борьбе с переоптимизацией решено тупо установить лимит профита. То есть если у рынка отхвачено больше 100 пипсов за неделю в течении года то эта стратегия хорошая.

Оптимизации на тейк профиты, стоплоcсы и и максимальную длинну сделки не рассматриваю намеренно. Т.к. они реально мешают оптимизации весов. Тут рассматриваем только возможности самой нейронной сети.

Тестирование
Оптимизация проводится на тренировочном участке истории (Train). Для оценки пригодности сети используем форвард тест(CV). Период тестирования будет отображать реальную торговлю (Test).

Для полноты картины приведу пример смещенных во времени оптимизаций. Так если бы трейдер искал новую оптимальную стратегию раз в 2 недели.

Инструмент: EURUSD
Таймфрейм: H1
История: 2009.12.21 -> 2011.02.28

Делалась генерация 45 сетей. Из них выбирались самые прибыльные на участке форвард тестирования(CV). Ниже показаны по 3 самые-самые.

Как результат видно, что действительно есть вероятность побывать в плюсе. Но субъективно кажется, что вероятность оказаться в минусе намного выше. То есть если перевернуть сигнал системы и вместо продажи покупать и т.д. то шанс отхватит у рынка немного пипсов чуть выше.

Сама же нейронная сеть (с одним нейроном. ) на таком минимальном наборе входных данных показала слишком круто. Что даже страшно добавлять другие сигналы (например новости и т.п.). Т.к. выделить успешную торговую систему будет практически не возможно.

Заключение
И так для себя сделал вывод, что нейронные сети не самый лучший инструмент для поиска паттернов или чего-то там еще, что есть на рынке. Если у вас есть какие то идеи или камень в мой огород ,пожалуйста. Технические моменты и детали не описываю и не буду. Т.к. рассчитываю на подготовленную аудиторию.

Опции:
Tarasp
Статистик

Зарегистрирован: 09/03/2007
Сообщений: 413
Нахождение: moscow

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Aivenum]
# 326995 — 02/03/2011 20:38
Правка Ответ Цитата Быстрый ответ
много перепробовал сетей и пришел к следующему выводу:

в таком применении нейросети малопригодны. если я правильно понял, то тут сеть — это аналог авторегрессии, чуть более умной. и прогнозирование (тип сигнала на сделку) идет непрерывно. но для прибыльной торговли это абсолютно не нужно! в основном рынок хаотичен и лишь изредка этот хаос немного упорядочивается. вот именно эти моменты и нужны.

поэтому после обучения сети из нее нужно извлечь комбинации входов, которые дают минимальную ошибку. у меня более выгодным оказалось использование сети, как классификатора.

———————
Усложнять — просто, упрощать — сложно.

Опции:
Aivenum
Гость

Зарегистрирован: 28/01/2010
Сообщений: 10

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Tarasp]
# 327002 — 02/03/2011 22:49
Правка Ответ Цитата Быстрый ответ
По поводу торгового сигнала уточню. На выходе выходного нейрона проверяем если:
1. сигнал >= 0.5 покупка
2. сигнал = 0.2 завершаем short сделку
4. сигнал

Опции:
fingoldo
Свой человек

Зарегистрирован: 03/05/2005
Сообщений: 40

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Aivenum]
# 339713 — 26/07/2011 09:54
Правка Ответ Цитата Быстрый ответ
Ребят, добрый день.
Я понял после нескольких лет периодических попыток использования ИНС для прогнозирования в общем-то простую вещь. 🙂
Прежде чем применять какой-либо инструмент для прогноза (неважно, линейную регрессию или ИНС или нечёткую экспертную систему) на рядах данных, нужно убедиться, что между интересующими Вас переменными вообще есть зависимость. Иначе 100% «мусор на входе-мусор на выходе». Совет: смотрите в сторону теоретико-информационных методов (mutual information и производные).

Опции:
fingoldo
Свой человек

Зарегистрирован: 03/05/2005
Сообщений: 40

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: fingoldo]
# 339714 — 26/07/2011 10:02
Правка Ответ Цитата Быстрый ответ
А насчёт замечания Тараса о врЕменных «окнах», когда прогнозирование или классификация становятся возможны — тут можно применять коэффициент Хёрста, который показывает степень и характер предсказуемости временного ряда. Правда, он считается на основе только одного ряда, многомерных аналогов я не знаю..

Опции:
VovaM
майор

Зарегистрирован: 20/08/2003
Сообщений: 2504

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: fingoldo]
# 339775 — 26/07/2011 22:48
Правка Ответ Цитата Быстрый ответ
Все совершенно справедливо — для того что бы что то применять, нужно примерно понимать модель происходящего («почему», «откуда», «как»). Но когда вы ее поймете — для достижение главной цели — прибыли, нейросеть уже нафиг не нужна.

———————
Все проблемы от того, что люди плохо фильтруют базар

Опции:
DXiT
Свой человек

Зарегистрирован: 18/02/2009
Сообщений: 46

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: VovaM]
# 339866 — 28/07/2011 01:28
Правка Ответ Цитата Быстрый ответ
Был преподаватель на кафедре, лекции нам читал по нейронным сетям и искусственному интеллекту, и «про между делом» диссер по данной теме защитил. Фанат своего дела! Так вот бился он пару лет с прикручиванием нейронных сетей для прогнозирования поведения цены на форексе, на выходе увы получил пшик. Кстати в книге Кац и МакКормик-а результаты применения НС при walk forward проверке оказались тоже весьма плачевными. Для себя сделал выводы о не применимости данных методов «в лоб».

———————
Статистика — обоснованное отражение объективной реальности

Опции:
Dmitry_A_E
Unregistered

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Tarasp]
# 339867 — 28/07/2011 02:30
Правка Ответ Цитата Быстрый ответ
Нейросеть это один из классов универсальных апроксиматоров (проще говоря подгонщик под оригинал). Видов сетей много. Видел отчеты о неплохих результатах тестингов в т.ч. на данных которые сеть не видела в процессе обучения, провести эксперимент самому пока не хватает времени. Лично я чесно говоря пока придерживаюсь мнения что неудачи с сетями в неучитывании рыночных процессов, хотя-бы базовых — что рынок меняется, что погрешности будут полюбому и т.п.

Редактировано Dmitry_A_E (28/07/2011 02:31)

Опции:
Dmitry_A_E
Unregistered

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: VovaM]
# 339868 — 28/07/2011 02:38
Правка Ответ Цитата Быстрый ответ
С другой стороны применяемая модель (вид сети) уже содержит в себе определенную идею и философию. Если точнее то не каждая сеть подойдет для рынка, т.к. рынок это процесс нестационарный (все знают я думаю какие у этой тайм серии свойства), а о моделировании нестационарных процессов нужно иметь представление еще до запуска сети.

Опции:
alles
Свой человек

Зарегистрирован: 01/09/2004
Сообщений: 44
Нахождение: Москва

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: ]
# 339926 — 28/07/2011 17:57
Правка Ответ Цитата Быстрый ответ
Все правильно: нейросеть — обычный аппроксиматор, коэффициенты подбираются так, чтобы результат был похож на исходную функцию. Поэтому прогнозировать она не может. Я тоже увлекался одно время нейросетями. После построения и оптимизации сети она мне прогнозировала таким образом: повторяла предыдущее движение — если вчера было плюс 100 пипсов, то прогноз на сегодня +100 пипсов. И это логично: это — самая лучшая аппроксимация случайного процесса

Опции:
Барин
Реинкарнировавший Kent

Зарегистрирован: 19/10/2009
Сообщений: 1478

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: alles]
# 339932 — 28/07/2011 18:35
Правка Ответ Цитата Быстрый ответ
прогнозировать нейросеть может

Опции:
Andrewso
Верю, СССР
будет восстановлен

Зарегистрирован: 31/07/2006
Сообщений: 1624

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Барин]
# 339941 — 28/07/2011 19:31
Правка Ответ Цитата Быстрый ответ
agree

Опции:
VovaM
майор

Зарегистрирован: 20/08/2003
Сообщений: 2504

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: ]
# 339947 — 28/07/2011 20:24
Правка Ответ Цитата Быстрый ответ

В ответ на :
Dmitry_A_E писал:
С другой стороны применяемая модель (вид сети) уже содержит в себе определенную идею и философию. Если точнее то не каждая сеть подойдет для рынка, т.к. рынок это процесс нестационарный (все знают я думаю какие у этой тайм серии свойства), а о моделировании нестационарных процессов нужно иметь представление еще до запуска сети.

На мой взгляд этот тип альтернативности примерно соответствует трудностям в выборе пластилина для детей — разный цвет, разные наборы, разные производители.
Но это все — пластилин.

———————
Все проблемы от того, что люди плохо фильтруют базар

Опции:
Юджин
Долгожитель

Зарегистрирован: 20/01/2008
Сообщений: 1076

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: VovaM]
# 339964 — 29/07/2011 00:14
Правка Ответ Цитата Быстрый ответ
Нейросеть это как полином n-й степени, отлично интерполирует, чуть хуже экстраполирует. Вообще c точки зрения математики нс корректно применять только к стационарным процессам, хоть и нелинейным по своей природе. Так что присоединюсь к тренду — нс в сторонку

Опции:
Барин
Реинкарнировавший Kent

Зарегистрирован: 19/10/2009
Сообщений: 1478

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Юджин]
# 339987 — 29/07/2011 10:14
Правка Ответ Цитата Быстрый ответ
поскольку нейросети могут согласно вики:
2.1 Распознавание образов и классификация
2.2 Принятие решений и управление
2.3 Кластеризация
2.4 Прогнозирование
2.5 Аппроксимация
2.6 Сжатие данных и Ассоциативная память

и для извлечения знаний (закономерностей) из данных, то нейросети вполне нормальный инструмент со своими плюсами и минусами

другой момент — кому какой инструмент удобнее, это скорее дело личных предпочтений и пристрастий

Опции:
KnyazSeverov
Душа форума

Зарегистрирован: 06/09/2010
Сообщений: 250
Нахождение: Rostov-on-Don

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Барин]
# 340009 — 29/07/2011 12:27
Правка Ответ Цитата Быстрый ответ
На тему нужности/не нужности нейронных сетей: Интервью с Леонидом Величковским (LeoV)
Может быть это конечно уже баян, но тем кто не читал и интересуется нейронными сетями, я думаю стоит прочитать.

Обучали ли Вы сначала нейросеть на поиск оптимальных сигналов для входа в позицию, а затем уже дорабатывали стратегию по поиску стратегий выхода, или это происходило как то по-другому?
Я люблю переворотные стратегии. То есть вход является выходом из предыдущего входа. Я считаю, что если найти хорошие входы в рынок, к примеру buy, то они будут являться хорошими выходами из предыдущего sell, и наоборот. Хороших входов, на самом деле, не так уж и много. Поэтому я обучаю сеть на поиск только входов. Обычно для длинных входов использую одну нейросеть, для коротких входов другую. Но иногда одну и для длинных и для коротких. Но, кстати, могу сделать ТС без нейросетей. И она будет работать. Нейросеть — не грааль и не панацея. Это всего лишь инструмент, которым нужно уметь пользоваться. Есть очень много других инструментов, которые с успехом работают на финрынках не хуже, а может даже лучше нейросетей. В принципе, задача, как сделать на Форексе прибыльную торговую стратегию, как найти закономерности рынка, для меня решена. До конца не решенным остается вопрос выбора наиболее оптимальных параметров ТС для будущей торговли (наибольшей прибыльности) после ее оптимизации.

Редактировано KnyazSeverov (29/07/2011 13:34)

Опции:
Dmitry_A_E
Unregistered

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: KnyazSeverov]
# 340162 — 31/07/2011 23:51
Правка Ответ Цитата Быстрый ответ
Reading forex memory with five-day Markov chains

Для себя я сделал это более или менее строгое определение сантимента: Сантимент — это однонаправленное движение цены в течении нескольких баров. Оценивается приблизительно следующим образом:

Рост сантимента — рост однонарправленности движения цены.

Простейший пример использования сантимента (Марковости) — продолжение движения в течении нескольких баров после мощной свечи.

Редактировано Dmitry_A_E (01/08/2011 00:04)

Опции:
Барин
Реинкарнировавший Kent

Зарегистрирован: 19/10/2009
Сообщений: 1478

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: ]
# 340181 — 01/08/2011 09:58
Правка Ответ Цитата Быстрый ответ
марковость и сантимент разные вещи имхо
во всяком случае марковость имеет строгое определение
марковость здесь не причем

Опции:
Dmitry_A_E
Unregistered

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Барин]
# 340182 — 01/08/2011 10:01
Правка Ответ Цитата Быстрый ответ
Не понял

Опции:
Барин
Реинкарнировавший Kent

Зарегистрирован: 19/10/2009
Сообщений: 1478

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: ]
# 340189 — 01/08/2011 11:55
Правка Ответ Цитата Быстрый ответ
фраза «Простейший пример использования сантимента (Марковости)» подразумевает в моем понятии «сантимент = марковость»
смысл моего поста заключается в том, что это не так в моем понимании

Опции:
Юджин
Долгожитель

Зарегистрирован: 20/01/2008
Сообщений: 1076

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Барин]
# 340203 — 01/08/2011 15:00
Правка Ответ Цитата Быстрый ответ
А что есть такое сантимент в Вашем понимании?

Опции:
Барин
Реинкарнировавший Kent

Зарегистрирован: 19/10/2009
Сообщений: 1478

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Юджин]
# 340207 — 01/08/2011 15:39
Правка Ответ Цитата Быстрый ответ
в моем понимании это когерентное (согласованное, коррелированное) поведение участников рынка

Опции:
Юджин
Долгожитель

Зарегистрирован: 20/01/2008
Сообщений: 1076

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Барин]
# 340209 — 01/08/2011 15:47
Правка Ответ Цитата Быстрый ответ
Которое в свою очередь приводит к появлению «памяти» в ценах, так?

Опции:
Барин
Реинкарнировавший Kent

Зарегистрирован: 19/10/2009
Сообщений: 1478

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Юджин]
# 340214 — 01/08/2011 16:14
Правка Ответ Цитата Быстрый ответ
возможно, честно говоря, я не знаю, что точно приводит к появлению «памяти», думаю, много разных причин, в том числе новости, фундаментальные данные

Опции:
Барин
Реинкарнировавший Kent

Зарегистрирован: 19/10/2009
Сообщений: 1478

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Барин]
# 340231 — 01/08/2011 20:52
Правка Ответ Цитата Быстрый ответ
посмотрел статью по линку от Dmitry_A_E
Reading forex memory with five-day Markov chains
http://www.futuresmag.com/Issues/2011/May-2011/Pages/Reading-market-memory.aspx?page=1
попись Aleksey Yudin is a professional quantitative analyst. Reach him at yudinaleksey@hotmail.com
он же Алексей Юдин, он же Axiom( ник на данном форуме), вероятно он же ФеликсВайт

Опции:
Барин
Реинкарнировавший Kent

Зарегистрирован: 19/10/2009
Сообщений: 1478

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Барин]
# 340232 — 01/08/2011 21:11
Правка Ответ Цитата Быстрый ответ
вот еще:
First of all it is necessary to note that our approach can work only with liquid shares, therefore we selected only ones satisfying to the condition:

Average ((Closing of a day)*(Day Volume), 52 Weeks) >= $30 mio to construct the basket.
http://community.scottrade.com/blogs/310/461
Aleksey Yudin has been researching nonlinear methods as applied to markets since 2005 and he is an investment analyst of Universal Finance Systems Limited, United Kingdom. He can be reached at [Email]yudinaleksey@hotmail.com.[/Email]

т.е. вероятно на данном сайте был некий поиск клиентов под ником Аксиом и далее ФеликсВайт

тем же примерно пытался заняться и ник Cr

признаки так называемого приема — партизанский маркетинг

Опции:
Dmitry_A_E
Unregistered

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: ]
# 340238 — 02/08/2011 00:20
Правка Ответ Цитата Быстрый ответ
http://club.investo.ru/viewtopic.php?f=9&t=42053&start=45

Опции:
Kobra007
Змей007

Зарегистрирован: 09/06/2003
Сообщений: 1727

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: ]
# 340240 — 02/08/2011 00:32
Правка Ответ Цитата Быстрый ответ
Ссылка заражена трояном JS/Kriptik.BP об ентом мне eSet мотюгнулся

Опции:
Dmitry_A_E
Unregistered

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: Kobra007]
# 340242 — 02/08/2011 00:37
Правка Ответ Цитата Быстрый ответ
Странно. У меня не показало трояна. Ссылка к тому, что Марковость обсуждали в далеком 2002-2003м гг., Атаман, Акело, Нео, ну и в сявязи с тем что картинки показанные там были тогда мной многократно просмотрены но не поняты, решил показать интересную статью, т.к. на форумах таких обсуждений я уже давно не видел.

Опции:
Kobra007
Змей007

Зарегистрирован: 09/06/2003
Сообщений: 1727

Re: Нейронная сеть и генетический алгоритм — опыт использования [re: ]
# 340243 — 02/08/2011 00:42
Правка Ответ Цитата Быстрый ответ
Ну а у мну не токмо мотюгнулся, так еще и доступ сразу же перекрыл
01.08.2011 23:29:10 HTTP filter file http://club.investo.ru/viewtopic.php?f=9&t=42053&start=45 JS/Kryptik.BP trojan connection terminated — quarantined

А с интересными обсуждениями и темами действительно в последнее время йок, а может быр. Видимо все уже переговорено и иссякли силы у «старичков» с молодыми постоянно бодаться попусту.

Опции:
Страниц в ветке: 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | >> (все)
Назад Индекс Вперед ветвями

Дополнительная информация
1 зарегистрированных и 30 незарегистрированных пользователей просматривает форум.

Доступ и ограничения:
Вы не можете начать новую тему
Вы не можете отвечать на тему
HTML включён
UBBCode включён

Generated in 1.702 seconds in which 0.011 seconds were spent on a total of 13 queries. Zlib compression enabled.

Лучшие брокеры с бонусами:
  • FinMax (Форекс)
    FinMax (Форекс)

    Инвестируй в акции торговых компаний и получай до 40% в месяц!

  • BINARIUM
    ☆☆☆☆☆
    ★★★★★
    BINARIUM

    Лучший брокер по бинарным опционам. Огромный раздел по обучению.

Добавить комментарий