Neuronales Netz ist eines der neueren Schlagworten im Handel. Es klingt cool und anspruchsvolle. Nicht zu viele Leute scheinen zu verstehen, was alles über neuronale Netze sind.
Neuronen in der realen Welt
Unsere Gehirne sind phänomenal kompliziert. Was für die meisten überraschend, jedoch, ist, dass das Gehirn mehr oder weniger eine riesige Kiste Schaltungen. Neuronen sind Zellen, die wie Schaltungen mit "elektrischen Leitungen", genannte Axone, das Auslaufen und über den menschlichen Körper verbinden. Jede Bewegung, Wahrnehmung oder Aktion, die Sie tun, ist die Summe der die Axone, die elektrische Impulse auslösen. Änderung tritt auf, wenn die Frequenz des elektrischen Impulse von den Neuronen gesendet variiert. Weitere Impulse zu einer Reaktion führen., eine Verringerung der bewirkt, dass eine andere.
Neuronale Netze versucht, die Prozesse des menschlichen Gehirns zu emulieren, indem die Organisation von Informationen in den Neuronen. Im Gegensatz zu tatsächlichen Neuron Zellen, eine Neuron Netzwerk existiert nur in der Maschine. Es ist ein Maschinengewicht, die enthält Informationen darüber, was unter Studie.
Ein neuronales Netz für ein Handelssystem möchten gemeinsame Indikatoren wie ein gleitender Durchschnitt studieren, der RSI und Stochastik Oszillator. Der gleitende Durchschnittswert für die aktuelle Bar zählt als eigenes neuron. Die RSI ist anders, So wird es ein separates Neuron sein. Wenn ich zehn Indikatoren in meinem Werkzeugkasten haben, dann habe ich 10 Neuronen in meinem Netzwerk.
Computer lösen traditionell linear, einfache Probleme. Wenn Sie das Ergebnis der mathematischen Operationen wie die Kubikwurzel aus wissen wollen 355, Computer sind ideal für die Aufgabe. Berechnen sie schnell eine präzise Antwort.
Wie im menschlichen Gehirn, Neuronale Netze Form Synapsen mit anderen Nervenzellen. Wenn geschult, Gruppen von Nervenzellen können lernen, Muster zu erkennen. Es ist diese Eigenschaft, die neuronale Netze so nützlich macht. Dies ermöglicht es uns, Programme zu erstellen, die mit traditionellen computing unmöglich wäre. Erstellen eines Softwareprogramms, ein Gesicht zu erkennen, zum Beispiel, extrem schwierig wäre. Es ist viel einfacher, ein Netzwerk, ein Gesicht zu erkennen, indem er immer wieder zeigt die Netzwerk-Gesichter zu trainieren.
Das Gehirn ist ein faszinierendes Thema aus eigenem Recht. Nebenbei bemerkt, Meine Frau und ich nehmen einen Umfrage-Kurs in der Neurologie über eine video-Serie The Great Kurse. Wenn Sie Interesse an allen in den Gegenstand haben, Ich empfehle Verstehen des Gehirns von Jeanette Norden. Es umfasst im Detail wie Neuronen Anatomie im gesamten Gehirns und des gesamten Körpers verbinden.
Neuronale Netze und Devisenhandel
Neuronale Netze kommen ins Spiel, wenn die Antwort nicht so präzise ist.. Kleben mit diesem Blog Thema Devisenhandel, Es gibt keine richtige Antwort, was macht das perfekte System für den Handel. Ein typischer Privatanleger könnte sagen, das beste System für den Handel ist der, der das meiste Geld macht. Ein anderes könnte sagen, dass das beste System für den Handel ist derjenige mit der höchsten Sharpe-ratio. Viele wollen etwas in der Mitte.
Das Problem der "Best trading System" ist mehrdeutig, wodurch es einen idealen Kandidat für Angriffe mit neuronalen Netzen. Die Designer-Konturen-Sätze von Vorschriften, die, Laut des Händlers, bilden Sie eine numerische Methode zur Messung des besten Systems.
Menschliche Gehirn hosten etwa 100 Milliarden Neuronen. Trotz der Bemühungen vieler unserer Kunden, Ich habe noch mit treffen 100 Milliarden Marktindikatoren zur Verfügung. Eine Möglichkeit, verstärken die Wirkung von Neuronen in unserer Toolbox ist auf ausgeblendete Ebenen erstellen.
Ein Netzwerk besteht aus mehreren Schichten, jeweils mit mehreren Neuronen gebildet. Jedes Neuron ist mit jedem Neuron in der nächsten Ebene verbunden.. Jede Verbindung dann trägt seine eigene einzigartigen gewichteten Wert. Eine Neuron wird den Wert des Neurons multipliziert und durch das Gewicht des die ausgehende Verbindung auf dessen Wert übergeben.. Das Neuron am Ende die ausgehende Verbindung wird zusammenfassend alle eingehenden Verbindungen und propagieren dieses Ergebnis auf die nächste Ebene durch alle ausgehenden Verbindungen.
Bilder machen die Idee weit intuitivere. Abbildung 1 enthält ein kleines Beispiel. Die 2 und 3 auf der linken Seite sind die Eingänge ins Netz. Diese Eingänge erhalten durch das Gewicht der Verbindung auf die nächste Ebene multipliziert.. Die 2 multipliziert mit dem 0.5 geben uns 1, und 3 von 2 geben uns 6. Die zweite Schicht enthält einen Node die fasst die Ergebnisse aus der vorherigen Schicht, geben uns 7. Der nächste Schritt wäre zu vermehren 7 durch die Gewichte auf die ausgehenden Verbindungen und übergeben Sie sie auf der nächsten Ebene.
Das kurze Beispiel oben können wiederholt und in Form eines größeren Netzwerks miteinander verkettet werden. Unter, in Abbildung 2, Wir haben ein Beispiel eines größeren Netzwerks. Beispielnetzwerk hat 3 Eingaben, die verborgene Ebene verbunden sind. Die verborgene Ebene wird dann zu einem einzigen Ausgang angeschlossen.. Ausgeblendeten Ebenen werden Schulungen zu erleichtern. Je komplexer das Problem je mehr Schichten und Knoten erforderlich.
Das Netz lernt durch die Gewichte viele Verbindungen aktualisieren. Es gibt viele Softwarealgorithmen, die verwendet werden, um lernen in neuronalen Netzen zu erreichen. Sie fallen in zwei Kategorien, überwachte und Unüberwachtes Lernen. Betreutes lernen geschieht mit dem Benutzer im Netzwerk zu sagen, wenn seine Vorhersagen korrekt sind. Das Netzwerk dann berechnet seine Fehler und einem der Algorithmen verwendet, um den Fehler zu beheben. Ein Beispiel hierfür ist die umgekehrte Vermehrung, die Fehler der Vorhersage des Netzes berechnet. Das Netzwerk verwendet einen schnellen Algorithmus dann alle Gewichte Verbindung mit diesem Fehler aktualisieren. Umgekehrte Vermehrung ist eine der häufigeren Training Strategien.
Unüberwachtes Lernen verwendet irgendeine Art von Fitness oder scoring-Algorithmus, in dem das Netzwerk wird Ergebnis selbst mit und versuchen, bei jedem nachfolgenden Versuch zu verbessern. Ein Beispiel für unbeaufsichtigt Training ist der genetische Algorithmus. Dieser Algorithmus erstellt eine Bevölkerung von neuronalen Netzen und verwendet ein Bewertungsalgorithmus entwickelt, die vom Benutzer zum Rang der Bevölkerung. Danach, Es ist Überleben der stärksten. Die Top-Rang-Netze erhalten bleiben und "reproduzieren" und unten auf Platz geworfen bekommen. Die Netze reproduzieren, indem mischen und Anpassen der Verbindung Gewichte.
Neuronale Netze können erheblich Systeme Händler ihre Algorithmentechnik durch erforschen Milliarden Kombinationen unter eine relativ kleine Toolbox Indikatoren unterstützen. Dies unterscheidet sich vom standard-Optimierung, die wird Zahlen in verschiedenen Indikatoren, die auf der Suche nach was Kombination gibt das meiste Geld zurück.
Die Tatsache, dass Netzwerke können mehrere Maßnahmen zu prüfen (Gleichgewicht, Sharpe-Ratio, etc.) um zu bestimmen, die besten Handelssystem verringern hilft die Wahrscheinlichkeit, dass es eine bestimmte Maßnahme overemphasizes. Ein gutes Beispiel dafür ist Kontostand. Wenn ein System das geben und nehmen zwischen die Nettorendite und dem Risiko angepasst wiegt zurück, Es beginnt zu Schritt weg von der Zahlenverarbeitung entdecken die besten Zahlen zu nutzen und weiter in Richtung tatsächliche Lern- und Muster-Anerkennung.
Neuronale Netze erweisen sich als sehr nützlich in einer Vielzahl von Anwendungen von Gesichtserkennung nach Währung Markt Vorhersagen. Sie excel wo gibt es Muster, die schwierig für uns, zu erkennen sind. Diese Fähigkeit macht Netzwerke von unschätzbarem Wert bei der Lösung schwieriger Probleme mit mehreren Variablen.
Hinterlasse eine Antwort