ニューラルネットワークは、取引におけるより最近の流行語の一つであります. それは、クールで洗練されたサウンドを. あまりにも多くの人々は、ニューラルネットワークがすべてに約あるかを理解するように見えます.
実世界でのニューロン
私たちの脳は驚異的に複雑です. どのようなほとんどの人が驚き, しかし, 脳は回路の多かれ少なかれ巨大な箱であるということです. ニューロンは、「電気配線」で回路のように作用する細胞であります, 呼ばれる軸索, それは人間の体全体に実行し、接続します. すべての動き, あなたが認知や行動は、電気インパルスを発射すべての軸索の合計です. ニューロンから送られた電気インパルスの周波数が変化するたびに変化が生じます. もっとインパルスは一つの反応を起こします, 減少は別の原因.
ニューラルネットワークは、ニューロンに情報を整理することによって、ヒトの脳のプロセスをエミュレートしようとします. 実際の神経細胞とは異なり, ネットワークニューロンのみマシンに存在します. それは検討されているものは何でもについての情報を含む本体重量です.
取引システムのためのニューラルネットワークは、移動平均のような一般的な指標を検討することを決定したかもしれません, RSIとストキャスティックオシレータ. 現在のバーのための移動平均値は、独自のニューロンとしてカウント. RSIは異なり、, それは独立した神経細胞であることを取得します. 私は私のツールボックスの10の指標を持っている場合, その後、私が持っています 10 私のネットワーク内のニューロン.
コンピュータは、伝統的に線形を解決, 単純な問題. あなたは、の立方根のような数学的な操作の結果を知りたい場合は 355, コンピュータはタスクに最適です. 彼らは急速に正確な答えを計算します.
人間の脳のように, 他のニューロンとニューラルネットワークフォームシナプス. 訓練を受けたとき, ニューロンのグループは、パターンを認識することを学ぶことができます. これは、ニューラルネットワークが非常に便利になります。このプロパティであります. これは、私たちは伝統的なコンピューティングでは不可能であろうプログラムを作成することができます. 顔を認識するためのソフトウェアプログラムを作成, たとえば, 非常に困難です. これを繰り返し、ネットワーク面を示すことによって、顔を認識するようにネットワークを訓練する方がはるかに簡単です.
脳はそれ自体が魅力的なトピックです. 余談として、, 私の妻と私は偉大なコースのビデオシリーズを通して神経科学における調査のコースを取っています. あなたが主題にまったく興味を持っている場合, 私は非常にお勧め 脳を理解します ジャネット・ノルデンによって. それは、ニューロンが脳と体全体を通して解剖学的構造に接続する方法を詳細にカバー.
ニューラルネットワークと外国為替取引
答えはそれほど正確ではないときニューラルネットワークは、遊びに来て. 外国為替取引のこのブログのテーマにこだわっ, 完璧な取引システムを作るものへの正しい答えはありません. 最高の取引システムを言うかもしれない典型的な小売り投資家はほとんどのお金を作るものです. もう一つは、最高の取引システムは、最高のシャープレシオを有するものであると言うかもしれません. 多くが途中で何かをしたいです.
「最高の取引システム」の問題が曖昧です, それニューラルネットワークを攻撃するための理想的な候補になります. 設計者は、一連のルールを概説します, トレーダーの意見で, 最適なシステムを測定する数値の道を形成します.
人間の脳は約ホスト 100 億ニューロン. 多くのお客様の最善の努力にもかかわらず, 私は誰かを満たすには至っていません 100 彼らの処分で億の市場指標. 私たちのツールボックス内のニューロンの効果を増幅するための一つの方法は、隠れ層を作成することです.
ネットワークは、複数の層で構成されています, それぞれが複数のニューロンと作ら. 各ニューロンは次の層のすべてのニューロンに接続されています. すべての接続は、その独自の加重値を運びます. ニューロンは、ニューロンの値を乗算することによっておよび発信接続の重量で、その値に渡します. 発信接続の終わりのニューロンは、着信接続のすべてを合計し、その発信接続のすべてを次の層の上にその結果を反映されます.
写真はアイデアがはるかに直感的に. フィギュア 1 小さな例が含まれています. 、 2 と 3 左側のネットワークへの入力であります. これらの入力は、次の層への接続の重みを乗算します. 、 2 乗算され 0.5 私たちを与えます 1, と 3 によって 2 私たちを与えます 6. 第二の層は、前の層からの結果を合計つのノードが含まれています, 私たちを与えます 7. 次のステップは、乗算することであろう 7 発信接続の重みとすることによって、次の層の上にそれを渡します.
簡単な例は、上記を繰り返すことができ、大規模なネットワークを形成するために一緒に連鎖さ. 以下, 図中 2, 我々は、大規模なネットワークの例を持っています. 例ネットワークが持っています 3 中間層に接続され、入力. 中間層は、その後、単一の出力に接続されています. 非表示のレイヤーは、トレーニングを容易にするためです. より多くの層とのノードが必要な、より複雑な問題.
ネットワークは、多くの接続の重みを更新することにより、学習します. ニューラルネットワークで学習を行うために使用される多くのソフトウェアアルゴリズムがあります. 彼らは2つのカテゴリに分類され, 教師あり学習と教師なし学習. 教師付き学習は、その予測が正しいかそうでない場合は、ネットワークを伝えるユーザによって達成されます. ネットワークは、その誤差を算出し、誤りを訂正するためのアルゴリズムの1つを使用します. この例は、逆伝搬であります, これは、ネットワークの予測の誤差を計算します. ネットワークは、そのエラーとの接続重みのそれぞれを更新するために迅速なアルゴリズムを使用しています. 逆伝播は、より一般的なトレーニング戦略の一つであります.
教師なし学習は、ネットワークが使用して自身を獲得し、後続のすべての試行で改善しようとしたフィットネスやスコアリングアルゴリズムのいくつかのタイプを使用しています. 教師なしの訓練の例は、遺伝的アルゴリズムであります. このアルゴリズムは、ニューラルネットワークの人口を作成し、人口をランク付けするために、ユーザによって設計されたスコアリング・アルゴリズムを使用しています. その後, それが適者生存であります. トップランクのネットワークが滞在し、「再現」するために取得し、底が追放されるランク. ネットワークが接続重みを混合し、一致させることにより再現します.
ニューラルネットワークは、実質的指標の比較的小さな道具箱の中から組み合わせの数十億を探索することにより、それらのアルゴリズム設計でシステムトレーダーを支援することができます. これは、標準の最適化とは異なり, これはどのような組み合わせを探して様々な指標に差し込む番号を必要とすることはほとんどのお金を返します。.
ネットワークは複数の対策を検討することができるという事実 (バランス, シャープレシオ, など) 最高の取引システムを決定するためには、それが一つの特定のメジャーをoveremphasizes可能性を減らすことができます. この良い例は、口座残高です. システムは、ギブの重さと純収益とリスク調整後リターンの間に取る場合, それは、実際の学習やパターン認識に向けて最良に使用する番号と頭を発見するために数値演算から離れてステップを開始.
ニューラルネットワークは、通貨市場の予測に顔認識から、広範囲の用途に非常に有用であることが自分自身を証明しています. 彼らは私たちが認識することは困難であるパターンがある場合に秀でます. その能力は、複数の変数を伴う困難な問題の解決に非常に貴重なネットワークを作ります.