Red neuronal es una de las más recientes palabras de moda en el comercio. Suena fresco y sofisticado. No mucha gente parece entender lo que las redes neuronales son todos acerca de.
Las neuronas en el Mundo Real
Nuestros cerebros son complicadas fenomenalmente. Lo que sorprende a la mayoría de la gente, sin embargo, es que el cerebro es más o menos una enorme caja de circuitos. Las neuronas son las células que actúan como circuitos con "cables eléctricos", llamadas axones, que salir corriendo y se conectan a través del cuerpo humano. Cada movimiento, percepción o acción que usted hace es la suma de todos los axones disparar impulsos eléctricos. El cambio ocurre cuando la frecuencia de los impulsos eléctricos enviados desde la neurona varía. Más impulsos causan una reacción, una reducción causa otro.
Las redes neuronales intento de emular procesos del cerebro humano mediante la organización de la información en las neuronas. A diferencia de las células neuronales reales, una neurona red sólo existe en la máquina. Es un peso de la máquina que contiene información sobre lo que está en estudio.
Una red neuronal de un sistema de comercio podría decidir estudiar indicadores comunes como un promedio móvil, el oscilador RSI y Estocástico. El valor de la media móvil de la barra actual cuenta como su propia neurona. El RSI es diferente, por lo que llega a ser una neurona separada. Si tengo diez indicadores en mi caja de herramientas, entonces tengo 10 neuronas en mi red.
Computadoras tradicionalmente resolver lineal, problemas sencillos. Si usted quiere saber el resultado de las operaciones matemáticas como la raíz cúbica de 355, ordenadores son perfectos para la tarea. Rápidamente se calculan una respuesta precisa.
Como en los cerebros humanos, redes neuronales forman sinapsis con otras neuronas. Cuando entrenado, grupos de neuronas pueden aprender a reconocer patrones. Es esta característica que hace que las redes neuronales tan útil. Esto nos permite crear programas que serían imposibles con la computación tradicional. Creación de un programa de software para reconocer un rostro, por ejemplo, sería extremadamente difícil. Es mucho más fácil entrenar a una red para reconocer un rostro mostrando repetidamente las caras de red.
El cerebro es un tema fascinante por derecho propio. Como acotación al margen, mi esposa y yo están tomando un curso de estudio de la neurociencia a través de una serie de videos de los grandes campos. Si usted tiene algún interés en absoluto en la materia, Recomiendo Entender el cerebro por Jeanette Norden. Cubre en detalle cómo las neuronas se conectan a la anatomía en todo el cerebro y el cuerpo entero.
Redes Neuronales y Forex Trading
Las redes neuronales entran en juego cuando la respuesta no es tan preciso. Siguiendo con el tema de este blog de la compraventa de divisas, no hay una respuesta correcta a lo que hace el sistema de comercio perfecto. Un inversor típico minorista podría decir que el mejor sistema de comercio es el que hace que la mayoría del dinero. Otro podría decir que el mejor sistema de comercio es el que tiene el mayor ratio de Sharpe. Muchos quieren algo en el medio.
El problema "mejor sistema de comercio" es ambigua, lo que lo hace un candidato ideal para atacar con redes neuronales. El diseñador describe conjuntos de normas que, en opinión del comerciante, formar una forma numérica de medir el mejor sistema de.
Los cerebros humanos albergan aproximadamente 100 miles de millones de neuronas. A pesar de los mejores esfuerzos de muchos de nuestros clientes, Todavía no he conocido a nadie con 100 mil millones de los indicadores del mercado a su disposición. Una forma de amplificar el efecto de las neuronas en nuestra caja de herramientas es crear capas ocultas.
Una red se compone de capas múltiples, cada una compuesta de múltiples neuronas. Cada neurona está conectada a cada neurona en la capa siguiente. Cada conexión entonces lleva su propio valor ponderado único. Una neurona pasará sobre su valor multiplicando el valor de la neurona y por el peso de la conexión de salida. La neurona en el extremo de la conexión de salida se resumen todas sus conexiones entrantes y propagar ese resultado a la siguiente capa a través de todas sus conexiones salientes.
Fotos hacen la idea mucho más intuitivo. Figura 1 contiene un pequeño ejemplo. La 2 y 3 de la izquierda son los insumos en la red. Estas entradas se multiplican por el peso de la conexión a la capa siguiente. La 2 se multiplica por 0.5 dándonos 1, y 3 por 2 dándonos 6. La segunda capa contiene un nodo que resume los resultados de la capa anterior, dándonos 7. El siguiente paso sería la de multiplicar 7 por los pesos de las conexiones salientes y pasarlo a la siguiente capa.
El ejemplo anterior corto puede ser repetido y encadenados juntos para formar una red más grande. Abajo, en la figura 2, tenemos un ejemplo de una red más grande. La red de ejemplo tiene 3 entradas que están conectadas a una capa oculta. La capa oculta se conecta entonces a una sola salida. Las capas ocultas son facilitar formación. Cuanto más complejo sea el problema más capas y nodos necesarios.
La red aprende mediante la actualización de los pesos de sus múltiples conexiones. Hay muchos algoritmos de software que se utilizan para llevar a cabo el aprendizaje en redes neuronales. Se dividen en dos categorías, aprendizaje supervisado y aprendizaje no supervisado. El aprendizaje supervisado se lleva a cabo con el usuario diciendo la red si sus predicciones son correctas o no. La red calcula entonces su error y utiliza uno de los algoritmos para corregir el error. Un ejemplo de esto es la propagación inversa, que calcula el error de la predicción de una red. La red continuación, utiliza un algoritmo rápido para actualizar cada uno de los pesos de conexión con ese error. Propagación inversa es una de las estrategias de formación más comunes.
Aprendizaje no supervisado utiliza algún tipo de aptitud o de puntuación algoritmo en el que la red va a anotar en sí con y tratar de mejorar en cada intento posterior. Un ejemplo de entrenamiento no supervisado es el algoritmo genético. Este algoritmo genera una población de redes neuronales y utiliza un algoritmo de puntuación diseñado por el usuario para clasificar la población. Después de esto, es la supervivencia del más apto. Los mejor clasificados redes llegan a quedarse y "reproducir" y la parte inferior clasificados son arrojados fuera. Las redes reproducen mezclando y combinando pesos de conexión.
Las redes neuronales pueden ayudar sustancialmente los sistemas de comerciantes en su diseño de algoritmos mediante la exploración de miles de millones de combinaciones entre una pequeña caja de herramientas de indicadores. Esto difiere de los ajustes ordinarios, que implica taponamiento números en diversos indicadores que buscan cualquier combinación devuelve más dinero.
El hecho de que las redes pueden considerar múltiples medidas (equilibrio, Ratio de Sharpe, etc.) para determinar el mejor sistema de comercio ayuda a reducir la probabilidad de que se hace demasiado hincapié en una determinada medida. Un buen ejemplo de esto es saldo de la cuenta. Si un sistema pesa el toma y daca entre el rendimiento neto y la rentabilidad ajustada al riesgo, que empieza a alejarse de cálculo de números para descubrir los mejores números a utilizar y la cabeza hacia el aprendizaje real y reconocimiento de patrones.
Las redes neuronales están demostrando ser muy útil en una amplia gama de aplicaciones de reconocimiento facial a las predicciones del mercado de divisas. Sobresalen donde hay patrones que son difíciles para nosotros reconocer. Esta capacidad hace que las redes de valor incalculable en la solución de problemas difíciles que involucran múltiples variables.
Deja una Respuesta