Rangkaian neural adalah salah satu buzzwords lebih baru-baru ini dalam perdagangan. Ia kedengaran sejuk dan canggih. Tidak terlalu ramai orang seolah-olah memahami apa yang rangkaian neural adalah semua tentang.
Neuron di Dunia Real
Otak kita adalah phenomenally rumit. Apa kejutan kebanyakan orang, Walau bagaimanapun, adalah bahawa otak adalah lebih kurang satu kotak besar litar. Neuron ialah sel yang bertindak seperti litar dengan "wayar elektrik", dipanggil axons, yang berjalan keluar dan menyambung di seluruh tubuh manusia. Setiap gerakan, persepsi atau tindakan yang anda lakukan adalah jumlah semua yang axons menembak impuls elektrik. Perubahan berlaku apabila kekerapan impuls elektrik dihantar dari neuron yang berbeza-beza. Lebih banyak impuls menyebabkan satu tindak balas, pengurangan yang menyebabkan lain.
Rangkaian neural cuba mencontohi proses dalam otak manusia dengan menganjurkan maklumat ke dalam neuron. Tidak seperti sel-sel neuron sebenar, satu neuron rangkaian hanya wujud di dalam mesin. Ia adalah satu badan mesin yang mengandungi maklumat mengenai apa yang ada di bawah kajian.
Rangkaian neural untuk sistem perdagangan boleh memutuskan untuk mengkaji petunjuk biasa seperti purata bergerak, RSI dan Stochastics pengayun. Nilai purata bergerak untuk bar semasa dikira sebagai neuron sendiri. RSI adalah berbeza, supaya ia menjadi menjadi neuron yang berasingan. Jika saya mempunyai sepuluh petunjuk dalam toolbox saya, maka saya mempunyai 10 neuron dalam rangkaian saya.
Komputer tradisional menyelesaikan linear, masalah mudah. Jika anda ingin tahu keputusan operasi matematik seperti punca kuasa tiga 355, komputer adalah sempurna untuk tugas. Mereka dengan cepat mengira jawapan yang tepat.
Seperti dalam otak manusia, rangkaian neural bentuk sinaps dengan neuron lain. Apabila terlatih, kumpulan neuron boleh belajar mengenali corak. Ia adalah harta ini yang membuat rangkaian neural begitu berguna. Ini membolehkan kami untuk mewujudkan program-program yang akan menjadi mustahil dengan pengkomputeran tradisional. Mewujudkan program perisian untuk mengenali wajah, contohnya, akan menjadi amat sukar. Ia adalah lebih mudah untuk melatih rangkaian untuk mengenali wajah dengan berkali-kali menunjukkan muka rangkaian.
Otak adalah satu topik menarik yang tersendiri. Sebagai mengetepikan, saya dan isteri mengambil kursus kajian dalam neurosains melalui satu siri video The Great Kursus. Jika anda mempunyai apa-apa kepentingan di semua dalam hal perkara, Saya sangat mengesyorkan Memahami Otak oleh Jeanette Norden. Ia meliputi secara terperinci bagaimana neuron menyambung ke seluruh anatomi otak dan seluruh badan.
Rangkaian Neural dan Perdagangan Forex
Rangkaian neural boleh memainkan peranan apabila jawapan yang tidak begitu tepat. Melekat dengan tema blog ini daripada perdagangan forex, tidak ada jawapan yang betul kepada apa yang membuat sistem perdagangan yang sempurna. Seorang pelabur runcit biasa mungkin berkata sistem perdagangan yang terbaik adalah salah satu yang membuat wang yang paling. Satu lagi mungkin berkata sistem perdagangan yang terbaik adalah satu dengan nisbah Sharpe tertinggi. Ramai mahukan sesuatu di tengah-tengah.
"Sistem dagangan terbaik" masalah adalah kabur, yang menjadikannya calon yang ideal untuk menyerang dengan rangkaian neural. Pereka menggariskan set peraturan yang, pada pendapat pedagang, membentuk cara yang berangka mengukur sistem yang terbaik.
Otak manusia menjadi tuan rumah kira-kira 100 bilion neuron. Walaupun selepas usaha terbaik dari banyak pelanggan-pelanggan kami, Saya masih belum berjumpa dengan sesiapa 100 bilion petunjuk pasaran yang terhad. Salah satu cara untuk menguatkan kesan neuron dalam toolbox kami adalah untuk mewujudkan lapisan tersembunyi.
Rangkaian A terdiri daripada pelbagai lapisan, setiap terdiri dengan pelbagai neuron. Setiap neuron disambungkan kepada setiap neuron dalam lapisan seterusnya. Setiap sambungan kemudiannya membawa nilai wajaran yang tersendiri. Neuron A akan menurunkan nilai dengan mendarabkan nilai neuron dan oleh berat sambungan keluar. The neuron pada akhir sambungan keluar akan meringkaskannya semua sambungan masuk dan menyebarkan hasil yang ke lapisan seterusnya melalui semua sambungan keluar yang.
Gambar membuat idea yang jauh lebih intuitif. Rajah 1 mengandungi satu contoh yang kecil. Yang 2 dan 3 di sebelah kiri adalah input ke dalam rangkaian. Input ini dapat didarabkan dengan berat sambungan ke lapisan seterusnya. Yang 2 didarabkan dengan 0.5 memberikan kami 1, dan 3 oleh 2 memberikan kami 6. Lapisan kedua mengandungi satu nod yang merumuskan keputusan dari lapisan yang lalu, memberikan kami 7. Langkah seterusnya adalah untuk membiak 7 oleh berat tentang sambungan keluar dan menyebarkannya ke lapisan seterusnya.
Contoh yang pendek di atas boleh diulangi dan dirantai bersama-sama untuk membentuk rangkaian yang lebih besar. Di bawah, dalam Rajah 2, kita mempunyai contoh rangkaian yang lebih besar. Rangkaian contoh mempunyai 3 input yang disambungkan kepada satu lapisan tersembunyi. Lapisan tersembunyi kemudiannya disambungkan kepada output tunggal. Lapisan tersembunyi adalah untuk memudahkan latihan. Semakin kompleks masalah yang lebih lapisan dan nod yang diperlukan.
Rangkaian ini belajar dengan mengemas kini pemberat sambungan yang banyak. Terdapat banyak perisian algoritma yang digunakan untuk mencapai pembelajaran dalam rangkaian neural. Mereka jatuh ke dalam dua kategori, pembelajaran diselia dan pembelajaran tanpa pengawasan. Pembelajaran berselia dicapai dengan pengguna memberitahu rangkaian jika ramalan itu adalah betul atau tidak. Rangkaian ini kemudian menghitung kesilapan dan menggunakan salah satu algoritma untuk membetulkan kesilapan. Contoh ini adalah pembiakan terbalik, yang mengira ralat ramalan rangkaian ini. Rangkaian ini kemudian menggunakan algoritma yang cepat untuk mengemaskini setiap satu daripada berat berkaitan dengan ralat yang. Pembiakan Songsang adalah salah satu strategi latihan lebih biasa.
Pembelajaran tanpa pengawasan menggunakan beberapa jenis kecergasan atau algoritma pemarkahan di mana rangkaian akan menjaringkan dirinya dengan dan cuba untuk memperbaiki setiap percubaan yang seterusnya. Contoh latihan tanpa pengawasan adalah algoritma genetik. Algoritma ini mewujudkan penduduk rangkaian neural dan menggunakan algoritma pemarkahan direka oleh pengguna untuk bertaraf penduduk. Selepas itu, ia adalah kuatlah yang terus hidup. Rangkaian mendapatkan kedudukan tertinggi untuk tinggal dan "mengeluarkan semula" dan bahagian bawah Peringkat mendapatkan dibuang. Rangkaian semula dengan mencampurkan dan sepadan pemberat.
Rangkaian neural dengan ketara boleh membantu sistem peniaga dalam reka bentuk algoritma mereka dengan meneroka berbilion gabungan antara satu toolbox kecil penunjuk. Ini berbeza daripada pengoptimuman standard, yang melibatkan memasang nombor ke dalam pelbagai petunjuk mencari apa kombinasi mengembalikan wang yang paling.
Hakikat bahawa rangkaian boleh mempertimbangkan beberapa langkah (imbangan, Nisbah Sharpe, dan lain-lain) untuk menentukan sistem perdagangan yang terbaik membantu mengurangkan kemungkinan bahawa ia overemphasizes satu langkah tertentu. Satu contoh yang baik ini adalah baki akaun. Jika sistem yang berat memberi dan mengambil antara pulangan bersih dan pulangan terlaras risiko yang, ia mula menjauh dari nombor crunching nombor untuk mencari yang terbaik untuk digunakan dan kepala ke arah pembelajaran sebenar dan pengiktirafan corak.
Rangkaian neural membuktikan diri mereka sebagai sangat berguna dalam pelbagai aplikasi daripada pengiktirafan muka untuk ramalan pasaran mata wang. Mereka cemerlang di mana terdapat pola yang sukar bagi kita untuk mengenali. Keupayaan yang membuat rangkaian yang tidak ternilai dalam menyelesaikan masalah sukar melibatkan pelbagai pembolehubah.