Rede neural é um dos mais recentes buzzwords em negociação. Parece legal e sofisticado. Não são muitas as pessoas parecem compreender o que as redes neurais são tudo sobre.
Neurônios no mundo real
Nossos cérebros estão fenomenalmente complicado. O que surpreende a maioria das pessoas, contudo, é que o cérebro é mais ou menos uma enorme caixa de circuitos. Os neurônios são as células que funcionam como circuitos com "fios elétricos", chamadas de axônios, que correr para fora e se conectar através do corpo humano. Cada movimento, percepção ou ação que você faz é a soma de todos os axônios disparando impulsos elétricos. A mudança ocorre sempre que a frequência de impulsos elétricos enviados do neurônio varia. Mais impulsos causar uma reacção, provoca uma redução outra.
As redes neurais tentar emular processos do cérebro humano através da organização de informações para os neurónios. Ao contrário das células de neurônios reais, um neurônio rede só existe na máquina. É um peso da máquina que contém informações sobre o que está em estudo.
Uma rede neural para um sistema de negociação pode decidir estudar indicadores comuns como uma média móvel, o RSI e Estocástico oscilador. O valor de média móvel para o bar atual conta como seu próprio neurônio. O RSI é diferente, por isso chega a ser um neurônio separado. Se eu tiver dez indicadores em minha caixa de ferramentas, então eu tenho 10 neurônios na minha rede.
Computadores tradicionalmente resolver linear, problemas simples. Se você quiser saber o resultado de operações matemáticas, como a raiz cúbica de 355, computadores são perfeitos para a tarefa. Eles rapidamente calcular uma resposta precisa.
Como em cérebros humanos, redes neurais formam sinapses com outros neurônios. Quando treinados, grupos de neurônios pode aprender a reconhecer padrões. É esta propriedade que faz com que as redes neurais tão útil. Isso nos permite criar programas que seriam impossíveis com a computação tradicional. A criação de um programa de software para reconhecer um rosto, por exemplo, seria extremamente difícil. É muito mais fácil para treinar uma rede de reconhecer um rosto, mostrando repetidamente os rostos de rede.
O cérebro é um tema fascinante em seu próprio direito. Como um aparte, minha esposa e eu estamos fazendo um curso de pesquisa em neurociência através de uma série de vídeos da Grande Cursos. Se você tem algum interesse em tudo no assunto, Eu recomendo Compreender o Cérebro por Jeanette Norden. Ele cobre em detalhes como os neurônios se conectar a anatomia em todo o cérebro e corpo inteiro.
Redes Neurais e Forex Trading
As redes neurais entram em jogo quando a resposta não é tão precisa. Cumprindo com o tema deste blogue de negociação forex, não há resposta certa para o que faz com que o sistema de comércio perfeito. Um investidor típico de varejo pode dizer o melhor sistema de negociação é a que faz mais dinheiro. Outro pode dizer o melhor sistema de comércio é o que apresenta o maior índice de Sharpe. Muitos querem algo no meio.
O problema "melhor sistema de negociação" é ambíguo, o que o torna um candidato ideal para atacar com redes neurais. O designer descreve conjuntos de regras que, na opinião do comerciante, formar uma forma numérica de medir o melhor sistema.
Os cérebros humanos hospedar aproximadamente 100 bilhões de neurônios. Apesar dos melhores esforços de muitos de nossos clientes, Eu ainda tenho que encontrar alguém com 100 bilhão de indicadores de mercado à sua disposição. Uma maneira de amplificar o efeito de neurônios em nossa caixa de ferramentas é criar camadas ocultas.
A rede é constituída por várias camadas, cada uma composta com vários neurônios. Cada neurônio é conectado a cada neurônio na camada seguinte. Cada conexão então leva seu próprio valor ponderado única. Um neurónio vai passar sobre o seu valor multiplicando o valor do neurónio e por o peso da conexão de saída. O neurônio no final da conexão de saída vai resumir todas as suas conexões de entrada e propagar esse resultado para a próxima camada através de todas as suas conexões de saída.
Pictures fazer a idéia muito mais intuitivo. Figura 1 contém um pequeno exemplo. O 2 e 3 à esquerda são as entradas na rede. Estas entradas se multiplicado pelo peso da conexão para a próxima camada. O 2 é multiplicado pela 0.5 dando-nos 1, e 3 por 2 dando-nos 6. A segunda camada contém um nó que resume os resultados da camada anterior, dando-nos 7. O próximo passo seria a de multiplicar 7 pelos pesos nas conexões de saída e passá-lo para a próxima camada.
O pequeno exemplo acima pode ser repetido e encadeados em conjunto para formar uma rede maior. Abaixo De, na figura 2, temos um exemplo de uma rede maior. A rede tem exemplo 3 entradas que estão ligadas a uma camada oculta. A camada oculta é então ligado a uma saída única. As camadas ocultas são para facilitar o treinamento. Quanto mais complexo o problema dos mais camadas e nós necessário.
A rede aprende, atualizando os pesos de suas muitas conexões. Existem muitos algoritmos de software que são utilizados para realizar a aprendizagem em redes neurais. Eles se dividem em duas categorias, aprendizado supervisionado e aprendizado não supervisionado. Aprendizado supervisionado é realizado com o usuário dizendo a rede se suas previsões estão corretas ou não. A rede, em seguida, calcula o erro e utiliza um dos algoritmos de correcção do erro. Um exemplo disto é a propagação reversa, que calcula o erro de predição de uma rede. A rede, em seguida, usa um algoritmo rápido para atualizar cada um dos pesos de conexão com esse erro. Propagação reversa é uma das estratégias de treinamento mais comuns.
Aprendizado não supervisionado usa algum tipo de algoritmo de fitness ou de pontuação em que a rede vai marcar-se com e tentar melhorar a cada tentativa subsequente. Um exemplo de treinamento supervisionado é o algoritmo genético. Este algoritmo cria uma população de redes neurais e utiliza um algoritmo de pontuação concebido pelo utilizador para classificar a população. Depois disso, é a sobrevivência do mais apto. As redes de topo do ranking começa a ficar e "reproduzir" e no fundo classificou são jogados fora. As redes de reproduzir, misturando e combinando pesos de conexão.
As redes neurais podem ajudar substancialmente os sistemas de comerciantes em seu projeto de algoritmos, explorando bilhões de combinações entre a relativamente pequena caixa de ferramentas de indicadores. Isso é diferente de otimização padrão, que envolve números conectando em vários indicadores que procuram qualquer combinação retorna o máximo de dinheiro.
O fato de que as redes podem considerar várias medidas (equilíbrio, Índice de Sharpe, etc) para determinar o melhor sistema de comércio ajuda a reduzir a probabilidade de que sobrevaloriza uma medida especial. Um bom exemplo disso é o saldo da conta. Se um sistema pesa a dar e receber entre o retorno líquido eo retorno ajustado ao risco, ele começa a se afastar do processamento de números para descobrir os melhores números para usar e siga para a aprendizagem real e reconhecimento de padrões.
As redes neurais estão provando ser muito útil em uma ampla gama de aplicações de reconhecimento facial para previsões de mercado monetário. Primam onde existem padrões que são difíceis para nós reconhecermos. Essa capacidade faz com que redes de valor inestimável na resolução de problemas difíceis que envolvem múltiplas variáveis.
Deixar uma resposta