Ce sunt rețelele neuronale?
Rețelele neuronale sunt, în esență, niște blocuri cu capacitatea de auto-învățare și de recunoaștere a modelului, clasificare și prognoză. Acestea sunt deosebit de atractive pentru comercianți, deoarece rețelele pot face față atât estimărilor de probabilitate în situații ambigue, cât și modelelor logice fuzzy, adică cu modele ușor de identificat, dar dificil de algoritmizat sub forma unor reguli exacte. În mod potențial, rețelele neuronale pot detecta toate modelele repetitive prezente în datele sursă. Rețelele pot integra, de asemenea, cantități mari de informații fără să se supere în detaliu și se pot adapta piețelor în schimbare și condițiilor acestora.
Există o mare varietate de rețele neuronale care diferă în "arhitectura" lor, adică modul în care neuronii virtuali comunică, detaliile comportamentului lor (prelucrarea semnalului sau "funcțiile de transfer") și procesul de învățare. Există diferite tipuri de arhitecturi de rețea sunt de interes pentru comercianți, cum ar fi rețeaua de cuantizare vectorială de formare și de rețea UNC (LVQ), o varietate de rețele de rezonanță adaptive și de rețea periodică. În acest capitol, cele mai populare și utile în mai multe moduri, arhitectura va fi discutată, și anume rețeaua neuronală cu o svyazyu.Kak directă menționată mai sus, rețeaua variază în funcție de metoda de formare. Dezvoltatorii sistemului joacă rolul de profesor, furnizând rețelei exemple de instruire. Unele rețele sunt instruite "sub control", unele "fără control". Învățarea sub control are loc atunci când rețeaua este instruită pentru a da răspunsurile corecte, arătând exemple de decizii corecte; pentru fiecare set de intrări, scopul rețelei este de a asigura ieșirea corectă. Formarea fără control constă în faptul că rețeaua organizează datele introduse după cum consideră potrivit, pe baza regularităților interne găsite în ele. Indiferent de forma de învățământ problema principală este de a găsi datele relevante, și oferindu-le sub forma unor studii de caz, fapte care evidențiază modele importante pentru rețeaua de învățare eficientă și direcționată, pentru a se evita formarea de iluzii. Pregătirea preliminară a datelor este în sine o artă.
De fapt, procesul de învățare implică de obicei un mecanism de actualizare a densităților sau importanța diferitelor conexiuni neuronale ca răspuns la exemplele de instruire furnizate. Atunci când se utilizează legături directe în arhitectură, propagarea inversă este adesea folosită - cea mai rapidă formă de optimizare. Algoritmii genetici sunt, de asemenea, eficienți. care necesită un număr mare de calcule și timp, dar de obicei oferă rezultate finale mai bune.
Rețele neuronale cu conexiune directă
O rețea cu o legătură directă constă din straturi de neuroni. Primul strat, stratul de intrare, primește informații sau intrări din exterior. Acest nivel constă din variabile independente, de exemplu, valoarea prețurilor sau a indicatorilor pe care se bazează sistemul în concluzii sau previziuni ulterioare. Acest strat are multe conexiuni cu următorul strat, numit strat ascuns, deoarece nu are conexiuni cu lumea exterioară. Ieșirile acestui strat sunt direcționate spre următorul strat, care poate fi de asemenea ascuns (dacă este cazul, procesul se repetă) sau stratul de ieșire. Fiecare neuron al stratului de ieșire furnizează un semnal bazat pe previziuni, clasificări sau decizii luate de rețea. Rețelele sunt de obicei determinate de numărul de neuroni din fiecare strat; de exemplu, rețeaua 10-3-1 este formată din 10 neuroni din intrare, 3 în stratul ascuns și 1 în stratul de ieșire. Rețelele vin în diferite dimensiuni - de la câțiva neuroni la mii și de la doar trei straturi la zeci; Complexitatea depinde de sfera problemei care trebuie rezolvată. În practică, există întotdeauna trei sau patru straturi. Rețelele neuronale cu conexiune directă (analogii utilizate în acest capitol) includ o formă specială de regresie multiplă neliniară. Rețeaua are o serie de variabile de intrare și le folosește pentru a prezice obiectivul jobului, ca în regresie. Standard de regresie liniară multiplă, de exemplu, în cazul în care sarcina este de a prezice nivelul de colesterol (variabilă dependentă) în funcție de aportul de grăsimi și exercițiile fizice (variabila de intrare independentă), datele vor fi modelate după cum urmează: nivelul de colesterol prezis = a + b x aportul de grăsime + c X, unde valorile a, b și c sunt determinate prin procedura statistică. O căutare va fi făcută pentru setul de soluții ale problemei, care poate fi o linie, un avion sau un hiperplane (în funcție de numărul de variabile) în conformitate cu regula celor mai mici pătrate. In problema de mai sus toate soluțiile sunt în planul: axa x reprezintă consumul de grăsime, axa y activitatea fizică, înălțimea planului la fiecare punct (x, y) este nivelul prognozat de colesterol. La utilizarea tehnicilor de rețele neuronale un plan bidimensional, sau n-dimensional hiperplan de regresie liniară multiplă este înlocuită cu suprafața curbă netedă n-dimensional, cu vârfuri și sosuri, creste si rigole. De exemplu, trebuie să găsim soluția optimă pentru un set de variabile și problema va fi redusă la construirea unei hărți multidimensionale. Într-o rețea neurală, soluția este realizată cu ajutorul "neuronilor" - elemente nelineare interconectate, ale căror legături sunt echilibrate, astfel încât subiecții pot ajusta suprafața.
Algoritmul de învățare ajustează greutățile legăturilor pentru a obține configurația maximă a suprafeței care se potrivește cu datele inițiale. Așa cum este cazul cu regresie multiplă standard în care sunt necesare pentru coeficienții de regresie pentru a determina înclinarea unui hipersuprafață, pentru parametrii de model neuronale sunt necesare (sub formă de greutăți de conexiuni), pentru a asigura cea mai bună suprafață fit construite, toate vârfurile și văile, cu datele de intrare.
Rețele neuronale în comerț
Rețelele neuronale au fost cele mai populare la sfârșitul anilor 80 și începutul anilor 90, după care sa încheiat luna de miere. Ce sa întâmplat? În general, a existat o dezamăgire în rândul comercianților care speră că noile tehnologii i-ar oferi în mod miraculos o superioritate cu un efort minim. Dezvoltatorii au utilizat date inițiale insuficient pregătite pentru formare, sperând să descopere descoperirile pe care le-a făcut rețeaua în sine. A fost o abordare naivă. Succesul pe piață nu este niciodată atât de simplu și accesibil tuturor. Această abordare nu numai că este ineficientă în dezvoltarea rețelelor, ci a condus și la faptul că rețelele au fost foarte răspândite. Ca urmare, orice încercare a sistemelor de a capta mișcări profitabile pe piață a fost redusă la zero datorită naturii schimbate a pieței, care sa adaptat rapid noilor metode de tranzacționare. Ei au dat vina pe tehnologie pentru totul și l-au aruncat fără să se gândească la abordarea greșită a aplicării sale. Pentru a obține rezultate reușite, a fost necesară o abordare mai semnificativă și mai sofisticată.
Majoritatea încercărilor de a dezvolta modele predictive bazate pe rețele neuronale. simple sau complicate, au fost concentrate pe piețe individuale. Problema cu piețele individuale este faptul că numărul de puncte de date pentru o rețea de formare este foarte limitată și conduce la o re-optimizare, care, mai ales atunci când sunt combinate cu date nu prea bine pregătite, duce la eșec în tranzacționare. În acest capitol, rețeaua neuronală va fi instruit pe baza unui portofoliu de valori mobiliare, valute și contracte futures, care vor fi folosite pentru a evita montarea zeci de mii de puncte de date - o sumă decentă pentru o rețea neuronală mică sau medie. Probabil, în acest fel, va fi posibil să ajungem la un algoritm destul de simplu de prognozare a pieței. De fapt, o astfel de rețea poate servi ca un instrument universal de prognostic, adică după instruirea pe întregul portofoliu, va fi capabil să prezinte separat fiecare dintre piețe.
Trimiteți-le prietenilor: