Що таке нейронні мережі?
Нейронні мережі являють собою, по суті, деякі блоки зі здатністю до самонавчання та розпізнавання образів, класифікації та прогнозування. Вони особливо привабливі для трейдерів, оскільки мережі можуть справлятися і з оцінками ймовірності в неоднозначних ситуаціях, і з моделями нечіткої логіки, тобто з моделями, легко визначених на вигляд, але з працею піддаються алгоритмізації у вигляді точних правил. Потенційно, нейронні мережі можуть виявляти будь-які присутні у вихідних даних повторювані моделі. Мережі також можуть інтегрувати великі обсяги інформації, що не захлинаючись в деталях, і можуть адаптуватися до змін ринків і їх умов.
Існує велика різноманітність нейронних мереж, що відрізняються своєю «архітектурою», тобто способом зв'язку віртуальних нейронів, деталями їх поведінки (обробкою сигналу або «функціями передачі») і процесом навчання. Існують різні види архітектур мереж представляють інтерес для трейдерів, наприклад мережі Коон і мережі з квантуванням навчального вектора (LVQ), різні мережі з адаптивним резонансом і періодичні мережі. У цьому розділі буде розглянута найбільш популярна і корисна в багатьох відносинах архітектура, а саме нейронна мережа з прямою связью.Как було сказано вище, мережі розрізняються за методом навчання. Розробники системи відіграють роль вчителя, забезпечуючи мережу прикладами для навчання. Деякі мережі навчаються «під контролем», деякі «без контролю». Навчання під контролем має місце, коли мережа навчають давати правильні відповіді, показуючи їй приклади правильних рішень; для кожного набору входів метою мережі є забезпечення правильного виходу. Навчання без контролю полягає в тому, що мережа організовує введені дані так, як вважає за потрібне, на основі знайдених в них внутрішніх закономірностей. Незалежно від форми навчання основна проблема полягає в пошуку відповідних даних та надання їм форми навчальних прикладів, фактів, які виділяють важливі моделі для ефективного і спрямованого навчання мережі, щоб уникнути формування помилок. Попередня підготовка даних - саме по собі мистецтво.
Власне процес навчання зазвичай включає деякий механізм поновлення питомих ваг або важливості різних зв'язків між нейронами у відповідь на що подаються навчальні приклади. При використанні в архітектурі прямих зв'язків часто використовують зворотне поширення - найбільш швидку форму оптимізації. Також ефективні генетичні алгоритми. які вимагають великої кількості розрахунків і часу, але зазвичай дає більше остаточні результати.
Нейронні мережі з прямим зв'язком
Мережа з прямим зв'язком складається з шарів нейронів. Перший шар, вхідний, отримує інформацію або вводи ззовні. Цей шар складається з незалежних змінних, наприклад значенні цін або індикаторів, на яких ґрунтується система в наступних висновках або прогнозах. Цей шар має безліч зв'язків з наступним, званим прихованим шаром, оскільки він не має зв'язків із зовнішнім світом. Виходи цього шару подаються на наступний шар, який може бути також прихованим (якщо це так, то процес повторюється) або вихідним шаром. Кожен з нейронів вихідного шару видає сигнал, заснований на прогнозах, класифікаціях або рішеннях, зроблених мережею. Мережі зазвичай визначаються за кількістю нейронів в кожному шарі; наприклад мережу 10-3-1 складається з 10 нейронів у вхідному, 3 в прихованому і 1 в вихідному шарі. Мережі бувають різного розміру - від декількох нейронів до тисяч і від всього трьох шарів до десятків; складність залежить від розмаху розв'язуваної задачі. Практично завжди буває достатньо трьох-чотирьох слоев.Нейронние мережі з прямим зв'язком (аналоги використаної в цьому розділі) включають особливу форму нелінійної регресії. Мережа бере ряд вхідних змінних і використовує їх для прогнозування мети завдання, як і при регресії. У стандартній множинної лінійної регресії, наприклад, якщо ставиться завдання передбачити рівень холестеролу (залежна змінна) на основі споживання жирів і фізичного навантаження (незалежні вхідні змінні), то дані будуть моделюватися наступним чином: прогнозований рівень холестеролу = а + b х споживання жирів + з X навантаження, де значення a, b і з будуть визначатися статистичної процедурою. Буде проводитись пошук безлічі рішень задачі, яке може бути лінією, площиною або гиперплоскостью (в залежності від кількості змінних) згідно з правилом найменших квадратів. У вищенаведеної задачі всі рішення знаходяться на площині: вісь х являє споживання жирів, вісь у-фізичне навантаження, висота площини в кожній точці (х, у) є прогнозований рівень холестеролу. При використанні технології нейронних мереж двовимірна площина або n-мірна гіперплоскость множинної лінійної регресії замінюється гладкою n-мірної зігнутої поверхнею з піками і провалами, хребтами і ярами. Наприклад, нам потрібно знайти оптимальне рішення для набору змінних, і завдання буде зводитися до побудови багатовимірної карти. У нейронної мережі рішення досягається за допомогою «нейронів» - взаємопов'язаних нелінійних елементів, зв'язку яких збалансовані так, щоб підганяти поверхню піддані.
Алгоритм навчання виробляє регулювання ваг зв'язків для отримання максимально вписується в вихідні дані конфігурації поверхні. Як і у випадку зі стандартною множинної регресією, де коефіцієнти регресії необхідні для визначення нахилу гіперповерхні, для нейронної моделі потрібні параметри (у вигляді терезів зв'язків), щоб забезпечити найкраще збіг побудованої поверхні, всіх її піднесень і западин, з вхідними даними.
Нейронні мережі в торгівлі
Нейронні мережі були найбільш популярні в кінці 80 - початку 90-х років, після чого медовий місяць закінчився. Що ж сталося? Загалом, настало розчарування серед трейдерів, які сподівалися, що нові технології чудесним чином забезпечать їм перевагу з мінімальними витратами зусиль. Розробники використовували для навчання недостатньо підготовлені вихідні дані, сподіваючись на відкриття, які повинна була зробити сама мережа. Це був наївний підхід. Успіх на ринку ніколи не буває таким простим і доступним для всіх. Цей підхід був не тільки неефективний відносно розробки мереж, але і призвів до того, що мережі широко поширилися. В результаті будь-яка спроба систем вловити вигідні руху ринку зводилася до нуля через що змінилася природи ринку, який швидко адаптувався до нових методів торгівлі. У всьому звинуватили саму технологію і відкинули її, не задумавшись про неправильному підході до її застосування. Для отримання успішних результатів був необхідний більш осмислений і витончений підхід.
Більшість спроб розробити прогностичні моделі на основі нейронних мереж. прості або ускладнені, були сконцентровані на окремих ринках. Проблема з окремими ринками полягає в тому, що кількість точок даних для навчання мережі досить обмежена і веде до пере-оптимізації, що, особливо в поєднанні з не дуже добре підготовленими даними, веде до провалу при торгівлі. В цьому розділі нейронні мережі будуть навчатися на основі цілого портфеля цінних паперів, валют і ф'ючерсів, що дозволить використовувати для уникнення підгонки десятки тисяч точок даних - пристойну кількість для маленької або середньої нейронної мережі. Можливо, таким чином вдасться змусити працювати досить прямолінійний алгоритм прогнозування ринку. Фактично, така мережа зможе служити універсальним прогностичним засобом, тобто після навчання на цілому портфелі вона зможе прогнозувати окремо кожен з ринків.