В нашей библиотеке: 321 книг 226 авторов 0 статей За всё время нас посетило 1162434 человек которые просмотрели 20812005 страниц.
Читатели оставили 10 отзывов о писателях, 70 отзывов о книгах и 6 о сайте


Название: Трейдинг - ваш путь к финансовой свободе

Автор: Ван К. Тарп

Жанр: Технический анализ

Рейтинг:

Просмотров: 1876

Страница: | 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 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | 93 | 94 | 95 | 96 | 97 | 98 | 99 | 100 | 101 |




Луис мендельсон: введение в нейросети

Начиная с 1990-х гг. интеграция межрыночного анализа с традиционным техническим анализом одного-единственного рынка просто необходима в достижении прибыльного трейдинга. Концентрация на анализе одного-единственного рынка должна перейти в более широкую аналитическую конструкцию, которая бы отсылала нас к нелинейной взаимозависимости реальных финансовых рынков. В 1991 г. я впервые написал о таких конструкциях, рассматривая их как «си-нергетический анализ рынков». Такой подход позволил трейдерам количественно определить сложные межрыночные отношения, оценить единовременное влияние нескольких связанных между собой рынков на конкретный рынок, а также измерить его глубину и временной лаг, который обязательно наличествует в таких отношениях.

Нейросети представляют собой превосходный инструмент в проведении синергетического анализа. Они могут быть использованы для синтеза разрозненных данных, а также для нахождения скрытых моделей и сложных взаимоотношений между рынками. Нейросети существуют и работают! Фактически они представляют собой колоссальный анализ расширенных межрыночных данных. В их власти количественно определить тонкие взаимоотношения и выделить скрытые модели между рядом взаимосвязанных рынков, что делает нейросети важным математическим инструментом на финансовой арене. А как еще вы предлагаете проанализировать данные пяти, десяти или пятнадцати взаимосвязанных рынков за последние 10 лет, чтобы выявить их влияние на конкретный рынок?

Более того, через нейросети представляется возможным прогнозирование финансовых рынков, в результате чего трейдеры могут получить оценочную, а не ретроспективную, точку на финансовом рынке, к которой стремятся цены. Кто угодно может сказать, где находились рынки в некоторый момент в прошлом, просто глядя на график цен, но ведь реальные деньги можно заработать только на будущих движениях, но никак не на прошлых! Применяя нейросети к межрыночному анализу, трейдеры на самом деле могут предугадывать будущие движения цен, точно так же, как метеорологи предсказывают, в каком месте должен пройти ураган. Конечно, прогноз никогда не будет точным на все 100%. Никогда. Но с точки зрения принятия решений при конкретных рыночных условиях, это, безусловно, огромный шаг в нужном направлении.

Чтобы ввести межрыночный анализ в вашу торговую систему, совсем необязательно менять стиль торговли или же отказываться от использования отдельного индикатора, который на самом деле неплохо работает. Межрыночный анализ может быть использован для усиления существующего подхода к анализу единичного рынка.

Чтобы по достоинству оценить разницу между межрыночным анализом и анализом единичного рынка, просто прикройте рукой один глаз. Вы заметите, что периферийное зрение резко ограничилось, а ваша способность охватывать взглядом окружающие предметы снизилась многократно. Точно так же выглядит анализ единичного рынка в нашем современном финансовом мире. А теперь уберите ладонь и обратите внимание, как изменилось ваше периферийное зрение. Это отражает сущность межрыночного анализа — предоставлять расширенную область охвата.

 

Азбука нейросетевого анализа

Я с радостью представлю вам краткое описание того, что собой представляют нейросети и как их можно применить на финансовом рынке. Главный акцент будет сделан на парадигмах нейросетей, их архитектуре, а также на тренировочных и тестовых режимах применения нейросетей для прогнозирования финансовых рынков.

. Нейросети призваны «изучать» то, как решаются конкретные задачи путем прохождения информации через нейроны, являющиеся основной единицей в нейросетевых процессах. Обычно нейросети состоят из нескольких уровней нейронов. Сетевая архитектура определяет число уровней, количество нейронов на каждом из уровней, взаимосвязи между нейронами, а также передаточные функции, которые используются в нейросетях. Существует множество парадигм, две из которых широко применяются в финансовом анализе. Одна из них называется сетью с повторяющимся обратным распространением, которая изучает текущую информацию, используя порядок появления событий. Вторая парадигма, которая часто используется в финансовом мире, называется сетью с направляющим обратным распространением. Она предполагает анализ от обратного, т. е. анализ

ошибок (отклонений), которые закодированы в текущей информации, выступающей в качестве входящего потока данных. При этом принимается во внимание так называемый предварительный «щелчок» в данных. Архитектура типичных сетей с обратным распространением представлена на рис. 5.7. Именно эту парадигму мы будем использовать, чтобы продемонстрировать архитектуру нейросетей.

Сеть с обратным распространением состоит из одного уровня входящих данных, одного или нескольких скрытых уровней и одного уровня выходных данных. Уровень входящих данных состоит из нейрона, связанного с каждой входящей независимой переменной. Уровень выходных данных содержит нейрон, относящийся к каждой зависимой переменной, которую надо спрогнозировать. Скрытый уровень состоит из нейронов, которые связаны как с входящими, так и с выходящими данными. Как правило, уровни имеют полные связи между собой. Это означает, что каждый нейрон на каждом уровне связан с каждым из нейронов соседнего уровня.

Значения, ассоциирующиеся с каждым из нейронов входящих данных, отсылаются каждому из нейронов первого из скрытых уровней.

Далее они умножаются на присвоенный им вес, складываются и преобразуются с помощью функций для того, чтобы получить в итоге выходные данные. Выходные данные с первого из скрытых уровней затем передаются каждому последующему скрытому уровню или же напрямую направляются на уровень выходных данных сети, если та включает в себя только один скрытый уровень. Уровень выходных данных — это и есть прогноз, сгенерированный нейросетыо.

Число нейронов скрытых уровней определяется экспериментально. Для нелинейных задач, как, например, прогнозирование цен акций или фьючерсов, нейросеть должна состоять как минимум из одного скрытого уровня. Более того, функция преобразования должна тоже быть нелинейной, постоянно дифференцированной. Это может быть, например, сигма-функция, которая позволяет сети преобразовывать нелинейные статистические модели. На рис. 5.8 представлена модель скрытых нейронов.

Выбор входящих данных и предварительная обработка. Моделирование нейросетей не может существовать без осознания разработчиком сети лежащих в их основе реальных взаимосвязей между входящими и выходящими данными. Решения о включении того или иного фактора в модель должны приниматься исходя из того, что прогнозируется и какие данные могут быть использованы в сети. В нейросетях применяется принцип «Что на входе, то и на выходе». Знание финансовых рынков, дополненное применением различных инструментов, таких как анализ, принципиальных составляющих исследования, с тем, чтобы обнаружить корреляцию между связанными, как нам кажется, рынками, просто необходимы для отбора входящих данных.

Как только вы отберете данные для входящего уровня, эти данные надо будет предварительно обработать. Уменьшая число переменных на этапе входящих данных, мы можем упростить нейросеть. Для предварительной обработки данных применяются, как правило, два широко известных метода — преобразование и нормализация. Преобразование предполагает манипулирование рядом данных для того, чтобы получить из них одну переменную, а не несколько. Нормализация же позволяет равномерно распределить данные и подогнать их под масштаб, который подходил бы ряду нейронов входящих данных.

При практическом применении нейросетей преобразование чаще всего представляет собой алгебраические или статистические операции над входящими данными. В прогнозировании финансовых рынков преобразование может быть применено к бесчисленному множеству технических индикаторов, обычно используемых трейдерами в целях интерпретации рыночных явлений. Предварительная обработка может включать в себя разностные коэффициенты, а также скользящие средние цен открытия, закрытия, максимальных и минимальных цен, показателей объема или открытого интереса. Каждый нейрон на уровне входящих данных представляет собой предварительно обработанные данные.

Вы можете использовать различные методы преобразования и нормализации, так как какие-то из них при различных условиях будут применимы больше, а какие-то — меньше. После того, как вы определитесь с архитектурой, выберете входные данные и предварительно их обработаете, можно переходить к отбору событий.

Отбор событий. События представляют собой ряд связанных чисел, в которых г'-е числа обозначают г-е входные данные сети, а^'-е числа обозначают выходные данные сети. Группа взаимосвязанных между собой событий называется «множеством событий». Если два события обладают абсолютно одинаковыми значениями на входе и выходе, только одно из этих событий включается в выборку. После того, как вы сформируете множество событий, вам придется разделить это множество на два взаимоисключающих подмножества: пробное и тестовое. Этого требует большинство финансовых приложений ней-росетевого анализа.

Сети с обратным распространением оперируют двумя моделями. Первая из них представляет собой учебную модель, в которой сеть берет события из пробного множества с тем, чтобы поменять внутреннее представление информации, придав событиям разные веса. Вторая модель предполагает обратное тестирование, при котором нейросеть берет данные из другого, тестового множества. При этом результат предыдущего тестирования аннулируется. Относительное представление различных пробных моделей на тестовом множестве призвано определить, какую сеть следует применять в итоговой модели.

Пробы и тестирование. После того, как множество событий будет определено, их надо транспонировать в сеть, разбив на серии, образованные во время проб. Веса, которые позволяют нейросети адаптировать ее внутренние процессы моделирования системы, обычно инициируются генератором случайных чисел, которые берутся из небольшого установленного заранее диапазона значений. Если весам изначально придать одни и те же значения, нейросеть может никогда не выдать верного результата, так как глубина ошибки (погрешности) привязана к относительному изменению весов. Для каждого множества пробных значений сеть рассчитывает при помощи компьютера значение погрешностей, возникающие между сгенерированными сетью значениями и желаемым результатом для всех выходных данных каждого выпускающего уровня. Далее полученные ошибки (погрешности) прогоняются обратно через сеть, уровень за уровнем, чередуя связывающие веса между нейронами, чтобы минимизировать суммарную ошибку, связанную с выходными данными.

Каждый раз, когда меняется значение весов, нейросеть совершает очередное движение в многомерном пространстве, формируя целостное пространство погрешностей. Во время тестирования сеть совершает движение вдоль одной плоскости в поисках точки, где величина погрешности была бы минимальной. Изменение весов пропорционально тестируемому параметру называется «коэффициентом обучения». Прочие параметры, которые выводятся в процессе тестирования, представляют собой температуру, выигрыш и шум.

При использовании различных входящих параметров, методов обработки данных, а также архитектуры конфигураций требуется создание автоматизированного режима тестирования, который смог бы интегрировать процесс тестирования и генерацию данных. Такие инструменты, как генетические алгоритмы или же моделируемый отжиг, могут использоваться для поиска пространства допустимых значений этих параметров. Генетические алгоритмы эффективны для решения задач оптимизации систем с большим числом параметров. Во время пробного запуска моделируемый отжиг позволяет автоматизировать процесс поправки коэффициента обучения путем включения такой переменной, как температура, которая, в свою очередь, влияет на коэффициент обучения. При высоких температурах скорость обучения также высока. При снижении температуры обучение замедляется и сеть останавливается на каком-нибудь решении.

Чрезмерная апробация, аналогично подгонке результатов тестирования торговых систем, представляет собой одну из многочисленных ловушек, в которую лучше не попадаться при разработке нейросе-тей. Чрезмерная апробация имеет место, когда сеть начинает запоминать неуловимые и идиосинкразические особенности пробного множества, тем самым снижая способность сетей генерировать новые данные. Когда наблюдается чрезмерная апробация, сеть выдает просто превосходные результаты на пробном множестве, но никуда не годные — на тестовом множестве, а значит, и в реальной торговле. Чтобы не допустить чрезмерной апробации, следует через определенные интервалы времени делать паузы в работе сети, а затем снова перезапускать сеть уже на тестовом множестве, чтобы оценить состоятельность определенных ранее критериев расчетных отклонений. Далее следует продолжить работу сети с того места, в котором она была остановлена. Итерацию в автоматизированном процессе следует проводить до тех пор, пока состоятельность тестового множества не начнет снижаться, что будет указывать на намечающуюся чрезмерность апробации. Все промежуточные результаты, которые удовлетворяют условию допустимого отклонения, в дальнейшем должны быть оценены.

Статистика ошибок. Следующая немаловажная разработка сетевых решений заключается в определении того, что использовать в качестве статистики ошибок (отклонений) для апробации и для тестирования. Мерой измерения ошибок (отклонений) может служить разность между точно вычисленным каким-то статистическим значением ошибок, например их скользящей средней, и выходными данными нейросети. Эта разность должна быть определена для каждого из событий в тестовом множестве, просуммирована и затем разделена на число событий в тесте. Это стандартная мера ошибок, которая называется «средней ошибкой». Другие способы вычисления ошибки включают в себя среднее значение абсолютных ошибок, сумму квадратов ошибок или же квадратный корень ошибок (Root-mean-squared — RMS). После того как будет выбрана нейросетевая модель, ее следует апробировать еще раз на определенных временных промежутках. Следующий этап исследования должен заключаться в модификации входящих и выходящих данных, архитектуры, а также реализации процесса тестирования и апробации в целях улучшения результативности сети и точности выдаваемых ею прогнозов.

У вас не получится разработать эффективное приложение, основанное на нейросетевых механизмах и способное выдавать хорошие прогнозы для финансовых рынков, до тех пор, пока не появится солидный опыт торговли, пока вы не проведете соответствующий математический и программный анализ, а также пока не уделите достаточно времени на проработку задачи. Тщательно разработанное нейресетевое приложение — это и наука и искусство. Для успешного результата придется потратить огромное количество времени и приложить титанические усилия, даже если над разработкой будут трудиться несколько экспертов одновременно.

Могу привести пример из своего собственного опыта. В 1991 г. Predictive Technology Group (группа по работе с прогнозными технологиями), научно-исследовательский отдел моей компании, вводил в эксплуатацию программное обеспечение VantagePoint Intermarket Analysis (межрыночный анализ точек, обладающих преимуществами), разработанное на основе межрыночного анализа, который проводился с середины 1980-х гг. Программа VantagePoint использовала нейросети в межрыночном анализе для прогнозирования трендов, значений скользящих средних, а также цен на каждый последующий торговый день для различных финансовых фьючерсных рынков. В настоящее время на основе VantagePoint разработана 21 программа для валютных рынков, рынков процентных ставок, фондовых индексов, а также энергетического комплекса, которые позволяют трейдеру воспользоваться всеми преимуществами межрыночного анализа, не заставляя их изобретать велосипед или превращаться в суперученых.

 




Страница: | 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 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | 93 | 94 | 95 | 96 | 97 | 98 | 99 | 100 | 101 |

Оцените книгу: 1 2 3 4 5

Добавление комментария:






Информацию в электронную библиотеку yourforexschool.com добавляют исключительно для ознакомления. Если вы являетесь автором книги или компанией которая имеет права распространения и вы хотите чтоб на сайте не было вашей книги, то напишите в обратную связь и мы незамедлительно удалим её.

Копирование материалов сайта разрешено только с использованием активной ссылки на yourforexschool.com Copyright © 2010