Книги по разным темам Pages:     | 1 | 2 | ТЕХНОЛОГИИ ТЕХНОЛОГИИ Нейросети:

работа над ошибками Нейронные сети активно применяются в задачах финансового анализа уже более 10 лет. На фоне постоянно изменяющейся динамики рынка интерес к нейросетевым технологиям не только не ослабевает, а растет с каждым годом. Нейронные сети хорошо работают в условиях резких движений цен, зашумленности и противоречивости данных и являются отличным дополнением к классическому теханализу, который на современных рынках все чаще перестает работать или выдает противоречивые сигналы Данная статья открывает цикл статей, посвященных применению нейронных технологий для анализа финансовых рынков.

- NeuroScalp Экспертный мо- будет полезно как начинающим, Нейросети в России дуль, российский рынок акций - так и опытным пользователям неймире существуют более сотни модуль, содержащий готовые ней- росетей. Далее последовательно Вкоммерческих нейросетевых росети для трех российских акций - рассматриваются все этапы жизни программ, большинство из которых, РАО Газпром, РАО ЕЭС России, НК нейросети, от начала ее создания однако, являются универсальными и Лукойл; до практического применения. На лне заточены под решение финан- - NeuroScalp Модуль Нейронных каждом из этих этапов проводится совых задач. Наш опыт применения сетей - эмулятор классических анализ типовых ошибок, а также нейросетевых программ на россий- многослойных нейронных сетей с даются советы и рекомендации.

ском рынке показал, что внимания использованием генетических алгозаслуживают только три нейропаке- ритмов;

Что умеет нейросеть та - Brain Maker, NeuroShell и - NeuroScalp Модуль Карты КоNeuroScalp. хонена - модуль, реализующий юбая работа с нейросетью наBrainMaker - это программа, с ко- карты Кохонена в приложении к Лчинается с определения задач, торой началась история примене- финансовым рынкам; которые она должна решать, т.е. с ния нейронных сетей в России. В - NeuroScalp Модуль Статисти- определения функций выходов. В этом пакете на профессиональном ка - модуль статистической обра- общем случае сеть может решать уровне реализована классическая ботки финансовой информации и как задачи классификации (дисмногослойная нейронная сеть. Это анализа рынка. кретные выходы), так и задачи единственная программа, в которой NeuroScalp имеет удобный интер- предсказания (непрерывные выхоесть возможность настройки всех фейс и предоставляет необходимое ды). Из всего множества решаемых параметров нейронных сетей и ал- множество методов, требуемое нейросетями задач для трейдинга горитмов обучения. В последнее для реализации различных идей наиболее важными являются:

время BrainMaker чаще всего ис- пользователя. Поэтому в дальней- - классификационный прогноз пользуется не как самостоятельная шем для иллюстрации примеров в направления;

программа, а как надстройка к про- данной статье используется именно - прогноз цены;

грамме TradeStation для анализа в этот нейропакет, демоверсию кото- - выработка торговых сигналов;

режиме реального времени. рого можно найти на компакт-дис- - прогнозирование индикаторов;

NeuroShell, хотя и является уни- ке к этому номеру журнала - определение уровней стопов;

версальной программой, но благода- или в Интернете по адресу - определение лпохожих дней;

ря тому, что она была первой руси- Как - определение кризисных и анофицированной нейросетевой про- и любой новый инструмент анализа, мальных точек;

граммой с удобным интерфейсом, вначале нейросети обратили на - предсказание наступления кризавоевала широкое распростране- себя пристальное внимание трейде- зиса;

ние на российском рынке. Для ре- ров и аналитиков в России, но мало - прогноз развития кризисной сишения финансовых задач NeuroShell кому удалось избежать типовых туации.

имеет модуль рыночных индикато- ошибок и лподводных камней.

ров, позволяющий использовать бо- Целью данной статьи не являетлее 20 индикаторов теханализа при ся систематическое изложение работе с нейросетью. Семейство методов работы с нейронными сепрограмм NeuroScalp построено по тями. Последовательное и системамодульному принципу. Базовым мо- тическое изложение можно найти дулем является модуль классическо- либо в книгах, либо на наших семиго теханализа, в который интегриру- нарах, посвященных теории и пракются дополнительные модули, реа- тике нейронных сетей. Целью стализующие различные методы анали- тьи является освещение типичных и за финансовых рынков. В настоящее наиболее часто встречающихся время доступны следующие допол- ошибок при работе с нейронными нительные модули: сетями. Мы надеемся, что это ВАЛЮТНЫЙ СПЕКУЛЯНТ Август ТЕХНОЛОГИИ ТЕХНОЛОГИИ Последние четыре задачи особенно эффективно решаются с История развития использование специальной парадигмы нейронной сети - самоорганейросетей низующихся карт Кохонена. Особенности работы с такими картами будут изложены в следующих дея обработки информации по образу устройства нервной системы статьях цикла. И(головного мозга) возникла более 50 лет назад. В 1943 году америКонечной целью любого вида канские ученые Маккалох и Питтс сформулировали основные положеанализа, в том числе и нейронных ния теории деятельности головного мозга и разработали математичестехнологий, является выработка кую модель нейрона. Согласно их теории, мозг рассматривался как торговых сигналов. Настройка ней- совокупность простых элементов - нейронов, связанных единой струкросети для генерации торговых сиг- турой. В 1958 г. Розенблатт реализовал эти принципы в электронном налов - задача сложная и требую- устройстве "Марк-1", способном распознавать печатные буквы и обущая углубленного понимания рынка чаться на примерах. Этой работой заинтересовались военные, что даи нейросетей. Поэтому мы совету- ло мощный импульс развитию нейронных сетей. Однако вскоре было ем сначала научиться избегать оши- замечено, что существующие алгоритмы обучения несут с собой ряд бок на более простых, но не менее существенных ограничений и не позволяют достаточно точно решать важных задачах - прогнозировании многие практические задачи (например, задача исключающего ИЛИ). В цен и индикаторов. 1969 г. было доказано, что такие ограничения возможностей нейронных сетей непреодолимы. Это привело к потере интереса к исследованию в области нейронных сетей почти на 20 лет.

Close в качестве выхода - это неправильно! ри выборе функции выхода неПобходимо всегда проводить предварительный анализ и оценивать возможность его предсказания.

Примером может быть исследование прогнозирования цен High, Low, Close для российского рынка акций на день вперед. В ходе проведенных исследований был сделан вывод о том, что цена Close прогнозируется наихудшим образом и име- И лишь в начале 80-х годов, благодаря работам Хопфилда и Хехт-Нилет наибольшую ошибку. А цены сена, интерес к нейронным сетям возобновился, и наработки в этой обHigh и Low прогнозируются с пере- ласти стали внедряться в практику. В середине 80-х годов был найден менным успехом для разных акций. универсальный алгоритм обучения нейросетей, который известен как меВывод о худшем прогнозировании тод обратного распространения (в зарубежной литературе обозначается цены Close можно обосновать тем, Back Propagation of Error или, сокращенно, backprop). Первым, кто что в конце торгов последние сдел- сформулировал основные принципы этого алгоритма, были американки делают крупные операторы рын- ские математики Румельхарт, Хинтон и Вильямс (1986).

ка, и их поведение не поддается Основная идея этого алгоритма состоит в том, что выход последнего формализации. слоя нейронов сравнивается с образцом обучения, и из разницы между Что прогнозировать - абсолют- желаемым и действительным делается вывод о том, каковы должны быть ные или относительные значения связи нейронов последнего слоя с предыдущим. Затем подобная операОбычно в литературе приводится ция производится с нейронами предпоследнего слоя. В итоге по нейроследующий пример. Предположим, сети от выхода к входу бежит волна изменения весов связей. Именно за мы прогнозируем цену акции с те- это метод и был назван обратным распространением.

кущей стоимостью около $100 и Настройка нейронной сети состоит в обучении, т.е. в подаче на её средними дневными колебаниями вход образцов того ряда значений, который породила изучаемая система.

$1.5. При этом натренируем две После знакомства с серией таких образцов внутренние параметры нейнейросети. У одной в качестве вы- росети изменяются таким образом, что её выходные данные начинают похода будет абсолютная цена, а у ходить на выход самой изучаемой системы. Так как нейросеть может другой - ее изменение. После обу- иметь сколь угодно сложную внутреннюю организацию, в результате обучения первая сеть будет иметь точ- чения из неё может получиться "черный ящик", сколь угодно похожий на ность 98%, вторая будет иметь худ- реальность. Проблема на этом пути состоит в следующем: чтобы быть шую точность - 60%. Отсюда мож- вполне уверенным в завершении обучения нейросети, надо провести чено сделать ввод, что абсолютные рез нее количество образцов, раз в 10-15 превышающее число нейронов.

значения прогнозируются лучше, В результате обучения получается система, которая может построить чем относительные. Правильно приближение для широкого класса функциональных зависимостей межНет, неправильно! Фокус в том, ду входом и выходом. Проблема состоит лишь в том, как её наилучшим что точность 98% при стоимости образом приспособить к данной задаче и как правильно воспользовать$100 составляет $2, что больше, ся результатами.

чем средние дневные колебания акции! То есть прогноз отсутствуВАЛЮТНЫЙ СПЕКУЛЯНТ Август ТЕХНОЛОГИИ ТЕХНОЛОГИИ культивировалась в прессе, явля- например, статистическими.

ется тезис лвали все в кучу, нейросеть сама разберется, что Архитектура нейросети и важно, а что нет. Действительно, нейросеть умеет отсеивать незна- параметры обучения чимые входы, но каждый ллишний вход утяжеляет сеть, затруд- ыбор оптимальной архитектуры няет обучение, а главное - снижа- Всети в настоящее время не имеет качество прогноза. При ет математического решения и пробольшом числе ллишних входов изводится на основе опыта и знанейросеть чаще всего делает ний. Здесь можно сказать только, прогноз по типу лсегодня будет что сеть должна иметь разумные как вчера, завтра будет как сего- размеры, а именно:

ет. А точность 60% от изменения дня, как проиллюстрировано на - максимальное число нейронов цены составляет $0.6, а это уже рисунке. Поэтому необходимо 30-40;

неплохой прогноз. очень аккуратно подходить к - максимальное число скрытых Описав этот нехитрый фокус, ав- добавлению новых входов. Вооб- слоев 3-4;

торы книг обычно делают вывод, ще, на входы нейросетей можно - объем входных данных должен что прогнозировать надо изменение подавать самую разнообразную превышать в несколько раз количецены, а не ее абсолютное значение, информацию, как дискретную ство нейронов.

и призывают прогнозировать изме- (различные события) так и Обычно начинающий пользованения цен. Правильно ли это Нет, непрерывную (цены, индексы, ин- тель считает, что большее число неправильно! Наш опыт примене- дикаторы). Состав входов обычно нейронов обеспечивает более качения нейронных сетей показал, что является наиболее лсокровенной ственное прогнозирование, и это существуют лучше прогнозируемые тайной разработчика нейросети и является типичной ошибкой. Больварианты выходов. держится в секрете. Как показыва- шой размер нейросети приводит к ет наш опыт, наиболее значимыми затруднению обучения (для сети с входами являются индикаторы тех- 50 входами и 20 нейронами это Две нейросети с одним нического анализа и различные задача оптимизации в 1000-мерном выходом лучше, чем фондовые индексы. пространстве) и попаданию сети в Большой проблемой при опреде- локальные, а не в глобальные миниодна с двумя лении состава входов является оп- мумы функции ошибки. Также еобходимо отметить, что для ределение глубины лпогружения - уменьшаются обобщающие свойстНминимизации ошибки надо ис- размера временного окна, данные ва сети, сеть начинает просто запопользовать только один выход. Это из которого подаются на вход ней- минать обучающую выборку. Такая определяется тем, что при обуче- росети. Сколько баров истории по- сеть будет отлично лпрогнозиронии нейросети каждый выход пыта- давать на вход, чтобы качественно вать на обучающей выборке, но на ется настроить сеть под себя, ме- обучить нейросеть Эта величина новых данных прогноз будет шая тем самым другим выходам. определяется только из собственно- плохим. Чтобы избежать эффекта Для иллюстрации этого тезиса мы го опыта и должна быть адекватной запоминания, объем данных должен натренировали одну нейросеть с прогнозируемому периоду. Напри- быть достаточно большим. Напридвумя выходами для прогнозирова- мер, при дневных прогнозах разум- мер, для прогнозирования российния High и Low (на графике крас- ная глубина погружения находится ских акций на день вперед мининым цветом) и две нейросети от- в пределах 5-20 дней. мальный рекомендуемый размер дельно для High и для Low с един- Необходимо отметить, что мно- выборки - около 200-250 дней.

Pages:     | 1 | 2 |    Книги по разным темам