Разделы



Нейронные сети

Технология нейронных сетей, одного из видов искусственного интеллек­та (AI ), возникла на основе подражания процессам обработки информа­ции и принятия решений, происходящих в живых организмах. Целью было моделирование поведения нервной ткани живых систем при помощи ком­пьютерных структур, организованных из программно симулируемых ней­ронов и нейронных связей (синапсов). Исследования нейронных сетей на теоретическом уровне начались в 1940-х годах. Когда компьютерная технология стала достаточно мощной для реализации подобных исследо­ваний, работа началась всерьез. Во второй половине 1980-х годов систе­мы на основе нейронных сетей стали представлять интерес для биржевой общественности. К 1989 г. ряд разработчиков уже предлагали пакеты для создания инструментов на нейронных сетях. Scientific Consultant Services разработал коммерческую систему NexTurn для прогнозирования индек­са S &P 500. Интерес достиг пика в начале 1990-х годов, появились новые программы, но по причинам, о которых будет сказано ниже, к настояще­му времени первоначальное увлечение финансовой общественности ней­ронными сетями прошло.

Поскольку мы не собираемся представлять в этой книге полный курс по нейронным сетям, эта глава будет содержать краткий обзор, содержа­щий основное для понимания принципов работы. Те, кто заинтересуется предметом, могут обратить внимание на материалы в книгах Virtual Trading (Ledermanand Klein , 1995) и Computerized Trading (Jurik , 1999), где также имеется подробная информация о разработке систем на осно­ве нейронных сетей, а также на ряд статей в Technical Analysis of Stocks and Commodities (Katz , апрель 1996, Katz and McCormick , ноябрь 1996 и 1997). Также следует обратить внимание на книгу Neural Networks in Finance and Investing (Trippi and Turban, 1993).

Прогнозирования являются стержнем любой торговой системы, поэтому хорошо сделанные прогнозы Форекс могут сделать тебя несказанно состоятельным.

ЧТО ТАКОЕ НЕЙРОННЫЕ СЕТИ ?

Нейронные сети представляют собой, в сущности, некие блоки со способностью к самообучению и распознаванию образов, классификации ипрогнозированию. 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.

п»ї

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, когда сеть обучают да­вать правильные ответы, показывая ей примеры правильных решений; для каждого набора входов целью сети является обеспечение правильно­го выхода. Обучение без контроля состоит в том, что сеть организует вве­денные данные так, как считает нужным, на основе найденных в них внут­ренних закономерностей. Вне зависимости от формы обучения основная проблема состоит в поиске соответствующих данных и придании им фор­мы учебных примеров, фактов, которые выделяют важные модели для эффективного и направленного обучения сети, во избежание формиро­вания заблуждений. Предварительная подготовка данных — само по себе искусство.

Собственно процесс обучения обычно включает некоторый механизм обновления удельных весов или важности разных связей между нейро­нами в ответ на подаваемые учебные примеры. При использовании в ар­хитектуре прямых связей часто используют обратное распространение — наиболее быструю форму оптимизации. Также эффективны генетичес­кие алгоритмы, которые требуют большого количества расчетов и време­ни, но обычно дают лучшие окончательные результаты.

Читать далее: Нейронные сети с прямой связью