Rede neural do sistema comercial

SISTEMAS DE NEGOCIAÇÃO.

Criando um Sistema de Negociação Usando Redes Neurais.

A aprendizagem de máquinas tornou-se incrivelmente popular durante a última década com o advento de melhores algoritmos e poder computacional suficiente para enfrentar até mesmo os problemas mais exigentes. Hoje, os algoritmos de aprendizagem de máquinas resolvem problemas em muitas áreas onde relacionamentos complexos entre variáveis ​​são presentes e isso torna a aprendizagem de máquinas uma ferramenta potencialmente viável para a criação de estratégias de negociação. Mas como podemos criar um sistema comercial usando esse tipo de tecnologia? Neste artigo, vamos aprender a usar um algoritmo básico de aprendizado de máquina e ndash; chamado rede neural e ndash; para criar um sistema de negociação simples no EUR / USD.

Todos os fragmentos de codificação são amostras retiradas da nossa estrutura de programação F4, disponível na Asirikuy. A biblioteca de código aberto Shark é usada para a criação e treinamento dos algoritmos de aprendizado da máquina. No entanto, as ideias gerais e as noções algorítmicas apresentadas neste artigo podem ser traduzidas para outras bibliotecas e linguagens de programação.

O que é uma Rede Neural?

Uma rede neural é um tipo de algoritmo de aprendizagem de máquinas. A rede neural clássica mais simples é composta por uma camada de entrada, uma camada oculta e uma camada de saída, onde cada camada contém um número determinado de & ldquo; neurones & rdquo ;. Cada neurônio na camada de entrada obtém um valor, processa-o usando uma função e passa para um ou vários neurônios na camada oculta com um determinado conjunto de pesos, os neurônios repitam o processo e passam os valores para um ou vários neurônios de saída . Em essência, a rede neural possui alguns valores de entrada e entrega alguns valores de saída ao processar as entradas através da sua estrutura funcional. Os neurônios não são senão unidades de processamento funcionais que passam valores multiplicados por certos pesos a outras unidades.

Fragmento de código 1. Função em C ++ que cria 84 exemplos usando 2 retornos como entradas eo retorno da barra seguinte como saída.

No entanto, uma rede neural não sabe como processar entradas desde o início, uma vez que não conhece os pesos atribuídos a cada conexão de rede neural. É por isso que precisamos de & ldquo; train & rdquo; uma rede neural usando um determinado conjunto de entradas e valores de saída, de modo que os pesos que definem as conexões entre os neurônios possam ser adequadamente definidos. Em seguida, usamos uma rede neural treinada para prever os resultados em dados desconhecidos, que é onde podemos obter um benefício ao prever alguns resultados relacionados com os dados de preços.

Redes Neurais: Previsão de Lucros.

As redes de neurônios são algoritmos de última geração, imutáveis, que imitam certos aspectos importantes no funcionamento do cérebro humano. Isso lhes dá uma capacidade única de auto-treinamento, a capacidade de formalizar informações não classificadas e, o mais importante, a capacidade de fazer previsões com base na informação histórica que eles têm à sua disposição.

As redes de neurônios têm sido usadas cada vez mais em uma variedade de aplicativos de negócios, incluindo soluções de pesquisa de previsão e marketing. Em algumas áreas, como detecção de fraude ou avaliação de riscos, são líderes indiscutíveis. Os principais campos em que as redes neurais encontraram aplicações são operações financeiras, planejamento empresarial, negociação, análise de negócios e manutenção de produtos. As redes neurais podem ser aplicadas de forma lucrativa por todos os tipos de comerciantes, por isso, se você é um comerciante e ainda não foi introduzido em redes neurais, nós o acompanharemos através deste método de análise técnica e mostraremos como aplicá-lo a seu estilo de negociação.

Use redes neurais para descobrir oportunidades.

Assim como qualquer tipo de excelente produto ou tecnologia, as redes neurais começaram a atrair todos aqueles que estão procurando por um mercado em desenvolvimento. Torrents de anúncios sobre software de próxima geração inundaram o mercado - anúncios comemorando o mais poderoso de todos os algoritmos de rede neural já criados. Mesmo nesses casos raros, quando reivindicações publicitárias se assemelham à verdade, tenha em mente que um aumento de 10% na eficiência é provavelmente o máximo que você obterá de uma rede neural. Em outras palavras, ele não produz retornos milagrosos e, independentemente de quão bem ele funciona em uma situação particular, haverá alguns conjuntos de dados e classes de tarefas para as quais os algoritmos utilizados anteriormente são superiores. Lembre-se disso: não é o algoritmo que faz o truque. Informações de entrada bem preparadas sobre o indicador segmentado são o componente mais importante do seu sucesso com as redes neurais.

A Convergência mais rápida é melhor?

Muitos daqueles que já utilizam redes neurais acreditam erroneamente que quanto mais rápido sua rede fornece resultados, melhor será. Isso, no entanto, é uma ilusão. Uma boa rede não é determinada pela taxa em que produz resultados e os usuários devem aprender a encontrar o melhor equilíbrio entre a velocidade na qual a rede treina e a qualidade dos resultados que produz.

Aplicação correta de redes neurais.

Muitos comerciantes aplicam redes neurais de forma incorreta porque depositam muita confiança no software que utilizam, sem terem fornecido instruções adequadas sobre como usá-lo adequadamente. Para usar uma rede neural do jeito certo e, portanto, de forma lucrativa, um comerciante deve prestar atenção a todas as etapas do ciclo de preparação da rede. É o comerciante e não a rede dele que é responsável por inventar uma ideia, formalizando essa idéia, testando e melhorando, e, finalmente, escolhendo o momento certo para descartá-la quando não for mais útil. Consideremos os estágios deste processo crucial com mais detalhes:

1. Encontrando e Formalizando uma Idéia de Negociação.

2. Melhorando os Parâmetros do seu Modelo.

3. Eliminação do modelo quando se torna obsoleto.

Todo modelo baseado na rede neural possui uma vida útil e não pode ser usado indefinidamente. A longevidade do período de vida de um modelo depende da situação do mercado e de quanto tempo as interdependências do mercado refletem nele permanecerem atualizadas. No entanto, mais cedo ou mais tarde, qualquer modelo se torna obsoleto. Quando isso acontece, você pode redirecionar o modelo usando dados completamente novos (ou seja, substituir todos os dados que foram usados), adicionar alguns dados novos ao conjunto de dados existente e treinar o modelo novamente, ou simplesmente retirar o modelo completamente.

Muitos comerciantes cometem o erro de seguir o caminho mais simples - eles dependem fortemente e usam a abordagem para a qual seu software fornece a funcionalidade mais amigável e automatizada. Essa abordagem mais simples é prever um preço de algumas barras à frente e basear seu sistema de negociação nesta previsão. Outros comerciantes prevêem variação de preço ou porcentagem da mudança de preço. Esta abordagem raramente produz melhores resultados do que prever o preço diretamente. Ambas as abordagens simplistas não conseguem descobrir e explorar de forma lucrativa a maior parte das importantes interdependências a longo prazo e, como resultado, o modelo torna-se rapidamente obsoleto à medida que as forças motrizes globais mudam.

A Abordagem Geral Mais Ótima para o Uso de Redes Neurais.

Rede neural.

A rede neural é uma das palavras-chave mais recentes na negociação. Parece legal e sofisticado. Muitas pessoas não parecem entender o que são as redes neurais.

Neurônios no mundo real.

Nossos cérebros são fenomenalmente complicados. O que surpreende a maioria das pessoas, no entanto, é que o cérebro é mais ou menos uma enorme caixa de circuitos. Os neurônios são células que atuam como circuitos com "fios elétricos", chamados de axônios, que se acabam e se conectam através do corpo humano. Todo movimento, percepção ou ação que você faz é a soma de todos os axônios que disparam impulsos elétricos. A mudança ocorre sempre que a freqüência de impulsos elétricos enviados do neurônio varia. Mais impulsos causam uma reação, uma redução provoca outra.

As redes neurais tentam imitar processos do cérebro humano através da organização da informação nos neurônios. Ao contrário das células neuronais reais, um neurônio de 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 comercial pode decidir estudar indicadores comuns, como uma média móvel, o oscilador RSI e Stochastics. O valor médio móvel para a barra atual conta como seu próprio neurônio. O RSI é diferente, então ele é um neurônio separado. Se eu tiver dez indicadores na minha caixa de ferramentas, então eu tenho 10 neurônios na minha rede.

Os computadores tradicionalmente resolvem problemas simples e lineares. Se você quer saber o resultado de operações matemáticas como a raiz do cubo de 355, os computadores são perfeitos para a tarefa. Eles calculam rapidamente uma resposta precisa.

Como nos cérebros humanos, as redes neurais formam sinapses com outros neurônios. Quando treinados, grupos de neurônios podem aprender a reconhecer padrões. É essa propriedade que torna as redes neurais tão úteis. Isso nos permite criar programas que seriam impossíveis com a computação tradicional. Criar um programa de software para reconhecer um rosto, por exemplo, seria extremamente difícil. É muito mais fácil treinar uma rede para reconhecer um rosto ao mostrar repetidamente os rostos da rede.

O cérebro é um tema fascinante por direito próprio. Como uma aparência, minha esposa e eu estamos fazendo um curso de pesquisa em neurociências através de uma série de vídeos de The Great Courses. Se você tem algum interesse no assunto, eu recomendo Compreender o cérebro por Jeanette Norden. Abrange em detalhes como os neurônios se conectam à anatomia em todo o cérebro e todo o corpo.

Redes Neurais e Forex Trading.

As redes neurais entram em jogo quando a resposta não é tão precisa. Fugindo com o tema deste blog sobre o comércio forex, não há uma resposta correta para o que faz o sistema de negociação perfeito. Um investidor de varejo típico pode dizer que o melhor sistema de negociação é aquele que ganha mais dinheiro. Outro pode dizer que o melhor sistema de negociação é aquele com o maior índice de Sharpe. Muitos querem algo no meio.

O problema do "melhor sistema comercial" é ambíguo, o que o torna um candidato ideal para atacar com redes neurais. O designer delineia conjuntos de regras que, na opinião do comerciante, formam uma forma numérica de medir o melhor sistema.

Os cérebros humanos acolhem cerca de 100 bilhões de neurônios. Apesar dos melhores esforços de muitos de nossos clientes, ainda tenho que conhecer alguém com 100 bilhões de indicadores de mercado à sua disposição. Uma maneira de amplificar o efeito dos neurônios em nossa caixa de ferramentas é criar camadas ocultas.

Uma rede é composta por múltiplas camadas, cada uma composta por múltiplos neurônios. Cada neurônio está conectado a cada neurônio na próxima camada. Toda conexão traz seu próprio valor ponderado único. Um neurônio irá transmitir seu valor multiplicando o valor do neurônio e pelo peso da conexão de saída. O neurônio no final da conexão de saída somará todas as suas conexões de entrada e propagará esse resultado na próxima camada através de todas as suas conexões de saída.

As imagens tornam a idéia muito mais intuitiva. A Figura 1 contém um pequeno exemplo. Os 2 e 3 à esquerda são as entradas para a rede. Essas entradas são multiplicadas pelo peso da conexão para a próxima camada. O 2 é multiplicado por 0,5 dando-nos 1 e 3 por 2 nos dando 6. A segunda camada contém um nó que resume os resultados da camada anterior, dando-nos 7. O próximo passo seria multiplicar 7 pelos pesos em as conexões de saída e passá-lo para a próxima camada.

Figura 1: Um exemplo de uma rede neural que propaga resultados para a frente.

O pequeno exemplo acima pode ser repetido e encadeado para formar uma rede maior. Abaixo, na Figura 2, temos um exemplo de uma rede maior. O exemplo de rede tem 3 entradas que estão conectadas a uma camada oculta. A camada oculta é então conectada a uma única saída. As camadas escondidas são para facilitar o treinamento. Quanto mais complexo o problema, mais camadas e nós precisavam.

Figura 2: Um exemplo de uma rede neural maior.

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 sem supervisão. A aprendizagem supervisionada é realizada com o usuário informando a rede se suas previsões estão corretas ou não. A rede então calcula seu erro e usa um dos algoritmos para corrigir o erro. Um exemplo disso é a propagação reversa, que calcula o erro da previsão de uma rede. A rede usa então um algoritmo rápido para atualizar cada um dos pesos de conexão com esse erro. A propagação reversa é uma das estratégias de treinamento mais comuns.

O aprendizado não supervisionado usa algum tipo de algoritmo de aptidão ou pontuação em que a rede se anotará e tentará melhorar todas as tentativas subseqüentes. Um exemplo de treinamento não supervisionado é o algoritmo genético. Este algoritmo cria uma população de redes neurais e usa um algoritmo de pontuação projetado pelo usuário para classificar a população. Depois disso, é a sobrevivência do mais apto. As redes mais bem sucedidas conseguem ficar e "se reproduzem" e as classificações mais baixas são jogadas fora. As redes se reproduzem misturando e combinando pesos de conexão.

As redes neurais podem ajudar substancialmente os comerciantes de sistemas no seu projeto de algoritmo, explorando bilhões de combinações entre uma caixa de ferramentas relativamente pequena. Isso difere da otimização padrão, que envolve a conexão de números em vários indicadores procurando qualquer combinação que retorne mais dinheiro.

O fato de que as redes podem considerar medidas múltiplas (saldo, Ratio Sharpe, etc.) para determinar o melhor sistema comercial ajuda a reduzir a probabilidade de enfatizar demais uma determinada medida. Um bom exemplo disso é o saldo da conta. Se um sistema pesa a entrega e a entrega entre o retorno líquido e o retorno ajustado ao risco, ele começa a se afastar do crunching de números para descobrir os melhores números para usar e dirigir-se para a aprendizagem real e o reconhecimento de padrões.

As redes neurais estão se mostrando muito úteis em uma ampla gama de aplicações, desde o reconhecimento facial até as previsões do mercado monetário. Eles se destacam onde existem padrões que são difíceis de reconhecer. Essa capacidade torna as redes inestimáveis ​​na resolução de problemas difíceis envolvendo múltiplas variáveis.

California Scientific.

4011 Seaport Blvd.

West Sacramento, CA 95691.

BrainMaker Neural Network Software.

Um Sistema de Negociação de Rede Neural de Usuário amigável.

Stock Prophet é uma ferramenta de desenvolvimento de sistema de comércio de propósito geral que emprega a tecnologia de rede neural BrainMaker para combinar automaticamente vários indicadores em um único sinal claro de compra / venda. Pode ser aplicado a ações, fundos mútuos, futuros e outros instrumentos financeiros. Stock Prophet é um produto do software Future Wave.

Stock Prophet Highlights.

Stock Prophet ajuda os comerciantes, consolidando múltiplos fatores de intermarket em um sinal comercial claro. Muitos analistas de mercado têm um repertório de indicadores favoritos, mas a tomada de decisões é difícil devido a indicações conflitantes de direção do mercado. Stock Prophet emprega tecnologia de rede neural para combinar automaticamente vários indicadores em um único sinal claro de compra / venda. Isso faz isso, fornecendo desenvolvimento direto de sistemas de negociação com base na técnica de rede neural de inteligência artificial, bem como análises técnicas convencionais. O resultado é "classe institucional" capacidade de análise técnica / quantitativa para o investidor astuto. Os destaques do Stock Prophet são:

Aplicável às ações, commodities, fundos mútuos e outros mercados. Simulação científica mostra potencial de lucro extraordinário. Sinais claros com dias e semanas antes da data de execução comercial. Isso contrasta com essencialmente com todos os indicadores técnicos que são atrasados ​​devido ao uso de técnicas de suavização. O sistema de negociação completo pode ser projetado, treinado e testado para rentabilidade dentro de uma pequena fração de uma hora. Mais de 35 indicadores mais indicadores de outros indicadores para um número explosivo de indicadores compostos para pré-processamento. Ajuda a selecionar os melhores indicadores ao analisar sua escolha de indicadores para habilitar a previsão de Tendência do mercado usando uma técnica de correlação múltipla. A conveniente capacidade de intercomunicação dá-lhe o Edge. Automação MACRO Permite Atualizações Fáceis de Indicadores. Fornece uma interface eficiente com o BrainMaker e pode exportar para o EXCEL. Formatos de dados Computrac / Metastock, Telescan e ASCII suportados. Para compatíveis com IBM.

Stock Prophet's Forecasting System.

Como quase todos os proprietários de redes neurais concordam, o passo mais difícil no funcionamento de uma rede neural é a coleta e pré-processamento de dados volumosos e de alta qualidade. As redes neurais, tão poderosas como elas, dependem dos dados aplicáveis ​​em quantidades suficientes, e em um formato apropriado, para trabalhar sua magia.

Stock Prophet automatiza grande parte do pré-processamento necessário para formatar dados para o BrainMaker, permitindo ao usuário incorporar uma ampla gama de indicadores técnicos bem conhecidos.

Em uma edição de 1995 da Análise Técnica de Stocks e Commodities, o Editor Técnico John Sweeney observou que a integração da rede neural é uma característica importante do Profeta de Stock, dizendo que o usuário pode ignorar o desenvolvimento de regras complexas (e redesenvolvê-las à medida que sua eficácia desaparece). . . basta definir a série de preços e os indicadores que você deseja usar, e a rede neural faz o resto. & quot;

Além disso, como Sweeney continua dizendo, "um grande benefício da rede neural é que você não precisa definir regras comerciais específicas. Em vez disso, a rede neural deriva as regras durante o treino dos dados. Quando o BrainMaker envia um indicador de seu processamento, a única regra necessária é acima de zero, é uma compra e, abaixo de zero, é uma venda. & Quot;

Stock Prophet oferece um complemento completo de indicadores técnicos (volume em balanço, interesse aberto, MACD, volume dividido, aceleração, etc.) ou o usuário pode implementar seus próprios indicadores, criando-os em outro programa e importando-os através de arquivos ASCII. Além disso, os recursos de manipulação de dados do Prophet da Stock incluem desvios, somatórios, valores limitantes, dimensionamento, transformações de Fourier e polarização. Vários desses indicadores podem ser aplicados a indicadores gerados anteriormente, aumentando assim as opções de pré-processamento de dados. Muitas dessas opções (particularmente os recursos de pré-processamento de dados da rede neural) podem ser automatizadas através da capacidade de macro do Stock Prophet.

O valor de uma combinação de Stock Prophet / BrainMaker é resumido de forma concisa pela Stock e Commodities. Sweeney: a característica única do Prophet do estoque no desenvolvimento de sinais comerciais é que o indicador neural net é uma previsão da tendência futura, publicada antes da data de negociação. . . Se você receber bons sinais 10 dias antes do comércio, você vai ser um campista satisfeito! Se você pudesse imaginar isso, tente este programa.