Энциклопедия торговых стратегий

Энциклопедия торговых стратегий

ЧТО ТАКОЕ НЕЙРОННЫЕ СЕТИ?

ЧТО ТАКОЕ НЕЙРОННЫЕ СЕТИ? Нейронные сети представляют собой, в сущности, некие блоки со способностью к самообучению и распознаванию образов, классификации и прогнозированию. Они особо привлекательны для трейдеров, поскольку сети могут справляться и с оценками вероятности в неоднозначных ситуациях, и с моделями нечеткой логики, т.е. с моделями, легко определимыми на вид, но с трудом поддающимися алгоритмизации в виде точных правил. Потенциально, нейронные сети могут обнаруживать любые присутствующие в исходных данных повторяющиеся модели. Сети также могут интегрировать большие объемы информации, не захлебываясь в деталях, и могут адаптироваться к изменениям рынков и их условий. Существует большое разнообразие нейронных сетей, отличающихся своей "архитектурой", т.е. способом связи виртуальных нейронов, деталями их поведения (обработкой сигнала или "функциями передачи") и процессом обучения. Существуют различные виды архитектур сетей представляющих интерес для трейдеров, например сети Коонена и сети с квантованием обучающего вектора (LVQ), различные сети с адаптивным резонансом и периодические сети. В этой главе будет рассмотрена наиболее популярная и полезная во многих отношениях архитектура, а именно нейронная сеть с прямой связью. Как было сказано выше, сети различаются по методу обучения. Разработчики системы играют роль учителя, снабжая сеть примерами для обучения. Некоторые сети обучаются "под контролем", некоторые "без контроля". Обучение под контролем имеет место, ...[ ... ]

Нейронные сети с прямой связью

Нейронные сети с прямой связью Сеть с прямой связью состоит из слоев нейронов. Первый слой, входной, получает информацию или вводы извне. Этот слой состоит из независи мых переменных, например значении цен или индикаторов, на которых основывается система в последующих заключениях или прогнозах. Этот слой имеет множество связей со следующим, называемым скрытым слоем, поскольку он не имеет связей с внешним миром. Выходы этого слоя подаются на следующий слой, который может быть также скрытым (если это так, то процесс повторяется) или выходным слоем. Каждый из нейронов выходного слоя выдает сигнал, основанный на прогнозах, классификациях или решениях, сделанных сетью. Сети обычно определяются по количеству нейронов в каждом слое; например сеть 10-3-1 состоит из 10 нейронов во входном, 3 в скрытом и 1 в выходном слое. Сети бывают различного размера - от нескольких нейронов до тысяч и от всего трех слоев до десятков; сложность зависит от размаха решаемой задачи. Практически всегда бывает достаточно трех-четырех слоев. Нейронные сети с прямой связью (аналоги использованной в этой главе) включают особую форму нелинейной множественной регрессии. Сеть берет ряд входных переменных и использует их для прогнозирования цели задания, как и при регрессии. В стандартной множественной линейной регрессии, например, если ставится задача предсказать уровень холесте-рола (зависимая переменная) на основе потребления жиров и физической нагрузки (независимые входные переменные), то данные будут мо ...[ ... ]

НЕЙРОННЫЕ СЕТИ В ТОРГОВЛЕ

НЕЙРОННЫЕ СЕТИ В ТОРГОВЛЕ Нейронные сети были наиболее популярны в конце 80 - начале 90-х годов, после чего медовый месяц завершился. Что же произошло? В общем, наступило разочарование среди трейдеров, надеявшихся, что новые технологии чудесным образом обеспечат им превосходство с минимальными затратами усилий. Разработчики использовали для обучения недостаточно подготовленные исходные данные, надеясь на открытия, которые должна была сделать сама сеть. Это был наивный подход. Успех на рынке никогда не бывает таким простым и доступным для всех. Этот подход был не только неэффективен в отношении разработки сетей, но и привел к тому, что сети широко распространились. В результате любая попытка систем уловить выгодные движения рынка сводилась к нулю ввиду изменившейся природы рынка, который быстро адаптировался к новым методам торговли. Во всем обвинили саму технологию и отбросили ее, не задумавшись о неправильном подходе к ее применению. Для получения успешных результатов был необходим более осмысленный и изощренный подход. Большинство попыток разработать прогностические модели на основе нейронных сетей, простые или усложненные, были сконцентрированы на отдельных рынках. Проблема с отдельными рынками состоит в том, что количество точек данных для обучения сети весьма ограничено и ведет к переоптимизации, что, особенно в сочетании с не слишком хорошо подготовленными данными, ведет к провалу при торговле. В этой главе нейронные сети будут обучаться на основе целого портфеля ценн ...[ ... ]

ПРОГНОЗИРОВАНИЕ

ПРОГНОЗИРОВАНИЕ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ Нейронные сети будут разрабатываться с целью прогнозирования: ( I ) куда уйдет рынок в ближайшем будущем и (2) будет ли завтрашняя цена открытия представлять собой точку разворота. Для первого случая будет сооружаться сеть, прогнозирующая обращенный во времени стохастический осциллятор, а именно обращенный Медленный %К. Это, в общем, стандартный осциллятор, но рассчитываемый с обратным отсчетом времени. Такой осциллятор отражает текущее положение цены закрытия по отношению к нескольким последующим дням. Несомненно, предсказание значения такого индикатора было бы полезно для трейдера: зная, что сегодняшняя цена закрытия и, вероятно, завтрашняя цена закрытия лежат внизу ценового диапазона нескольких следующих дней, можно предполагать, что это хорошая ситуация для покупки, и наоборот, если сегодняшняя цена открытия лежит вблизи максимума ближайшего будущего, время поразмыслить о продаже. Во втором случае представим моделирование ситуации с завтрашним открытием - будет ли эта цена максимумом или минимумом? Для решения этой задачи будут обучены две нейронные сети: одна на определение минимума в завтрашней цене открытия, другая на определение максимума. Возможность предсказать максимум или минимум на завтрашней цене открытия также полезно для трейдера, решающего, входить ли в рынок и какую позицию занимать-длин-ную или короткую. Целью этого исследования будет получение таких прогнозов в отношении любого рынка, где используется модель. ...[ ... ]

ВХОДЫ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

ВХОДЫ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ Мы будем обучать три нейронные сети, дающие три модели входа. Две из них будут настроены на поиск точек разворота: одна будет определять минимумы, другая - максимумы. Если модель, определяющая минимум, покажет, что вероятность минимума на завтрашней цене открытия выше некоторого порога, то будет отдан приказ на покупку. Если модель, определяющая максимум, покажет, что вероятность максимума на завтрашней цене открытия выше некоторого другого порога, то будет отдан приказ на продажу. Ни одна из этих моделей не будет отдавать приказы при каких-либо других условиях. Таким образом, стратегия проста и основана только на предсказанных минимумах и максимумах. Если вероятность определения максимумов и минимумов будет выше случайной, то торговля будет прибыльной. Система обнаружения не должна быть идеальной, пусть вероятность правильного сигнала будет выше 50% - этого будет достаточно, чтобы преодолеть транзакционные затраты. Для модели, использующей обращенный во времени Медленный %К, будет использоваться подобная стратегия. Если прогноз показывает, что обращенный во времени Медленный %К имеет вероятность быть ниже установленного порога, будет отдан приказ на покупку; это значит, что рынок находится вблизи минимума некоторого будущего ценового диапазона и можно быстро получить прибыль. Таким же образом, если прогнозируемое значение обращенного Медленного %К высоко и превышает некоторый верхний порог, будет отдан приказ на продажу. Эти входы, как и мно ...[ ... ]

coreldraw скачать бесплатно на русском

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60