الشبكات العصبية استراتيجيات التداول

الميكانيكية الفوركس.
التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.
الشبكات العصبية في التداول: بناء تجارة قوية & # 8220؛ الدماغ & # 8221؛ مع عدة ن.
دعنا نبدأ الأسبوع مع بعض الأخبار الجيدة: o). خلال العامين الماضيين كان تطوير أنظمة التعلم الآلي أولوية كبيرة بالنسبة لي. هذه التقنيات توفر لنا حلم التكيف الذاتي بشكل دائم تطبيقات التداول حيث يتم تعديل قرارات التداول باستمرار لتتناسب مع أحدث البيانات. على الرغم من أنني أدرك أنه حتى هذا المستوى من القدرة على التكيف لا يضمن أي ربحية & # 8211؛ حيث قد تصبح النماذج الأساسية غير مجدية في ظل بعض الشروط الجديدة & # 8211؛ فإنه يوفر لنا قدرا أكبر من الثقة فيما يتعلق بقدرتنا على التنبؤ بأداة سوق معينة للمضي قدما. في اليوم & # 8217؛ s و رسكو؛ s s و رسكو؛ ليالي و رسكو؛ ليالي و رسكو؛ ليالي و رسكو؛ لي أن تظهر لك آخر التطورات بلدي في العالم من الشبكات العصبية، حيث لقد حققت أخيرا ما أعتبر نتائج الاختبارات التاريخية المعلقة على أساس تقنيات التعلم الآلي. سأقوم من خلال هذه المقالة بمناقشة الأساليب المختلفة التي ذهبت إلى هذا النظام الجديد، وكيف أن مفتاح نجاحه جاء من تجميع بعض ناجحة سابقا & # 8211؛ غير معلقة & # 8211؛ تطبيقات التداول.
أولا وقبل كل شيء أود أن تصف الطريقة التي وضع استراتيجيات الشبكة العصبية بحيث يمكنك فهم أفضل أنظمتي وآخر التطورات. تم تصميم أنظمة تداول الشبكة العصبية لدينا بحيث يتم إعادة تدريبهم دائما من الأوزان المعشاة حديثا على كل شريط يومي جديد باستخدام أشرطة N السابقة (عادة ما تستخدم البيانات لحوالي 200-500 يوم يستخدم) ومن ثم اتخاذ قرار التداول فقط للشريط اليومي التالي . تتم عملية إعادة التدريب على كل شريط من أجل تجنب أي منحنى المناسب لوقت بدء معين أو تردد التدريب وأوزان إعادة تعيين تماما لتجنب أي الاعتماد على السلوك التدريب السابق. الشبكات العصبية التي برمجتها الاستفادة من إطارنا F4 البرمجة ومكتبة فان (الشبكة العصبية الاصطناعية السريعة)، والتي هي جوهر تنفيذ التعلم الآلي. لم يتم تحسين طوبولوجيا الشبكة ضد الربحية بل تم تعيينها ببساطة كحد أدنى من الخلايا العصبية اللازمة لتحقيق التقارب ضمن عدد معقول من فترات التدريب. وبعض المتغيرات، مثل عدد مدخلات التدريب والأمثلة المستخدمة، تترك بالفعل كمعلمات نموذجية. الآن بعد أن فهمت أفضل كيف أقترب الشبكات العصبية يمكننا أن نذهب أعمق في عملي في ن.
لا بد لي من الاعتراف بأن سعائي لتحسين استراتيجيات التداول الشبكة العصبية قد شغل مع الإحباط. استغرق الأمر وقتا طويلا لتطوير أول نموذج ناجح (نظام التداول سونكو & # 8212؛ الذي هو في الواقع في الربح بعد أكثر من سنة من التداول المباشر) ولكن بعد هذا التطور الأولي لم يكن قادرا على تحسينه (أبعد من بعض التحسينات الصغيرة). بعد هذا قررت ترك هذا النموذج وحده & # 8211؛ وهو أمر معقد حقا في الطبيعة & # 8211؛ ومحاولة تطوير نموذج أبسط نأمل أن يكون من الأسهل تحسينه. هذا هو عندما وضعت نظام بكارين، والذي يستخدم مجموعة أبسط من المدخلات والمخرجات من أجل الوصول إلى مستويات مماثلة من الربحية التاريخية على ور / أوسد. ومع ذلك & # 8211؛ لمواصلة الإحباط & # 8211؛ باكرين واسن & # 8217؛ t من السهل جدا لتحسين كذلك. لقد أحرزت بعض التقدم في تحسين هذه الاستراتيجية التجارية خلال الأسابيع القليلة الماضية ولكن أريد أن أترك هذه المناقشة لمرحلة ما بعد المستقبل (كما أنه يتناول المدخلات).
كانت آخر محاولة للتغلب على المشاكل المذكورة أعلاه استراتيجية التداول تابوي، وهو النظام الذي كان مصدر إلهام على مقال يتناول استخدام ن على الصور. استخدام مكتبات تشارتدركتور و ديفيل و فان تمكنت من تنفيذ آلية إنشاء الصور ومعالجتها التي استخدمت الرسوم البيانية اليومية لزوج اليورو مقابل الدولار الأمريكي (انخفاض كبير في أسعارها) لإجراء تنبؤات بشأن يوم التداول التالي. هذا النظام هو مثير جدا للاهتمام لأنه يدل على أن بكسل بسيطة ضمن هذه الرسومات تحتوي على معلومات كافية لاتخاذ القرارات التي لها حافة تاريخية كبيرة. В تابوي هو أيضا مثيرة للاهتمام بمعنى أنه يعالج الرسوم البيانية التجارية، نفس المدخلات التي يستخدمها التجار اليدوي لمعالجة السوق. ولكن هذا النظام لم يكن علاجا سحريا، كما أن تحسين هذه الاستراتيجية كان صعبا للغاية. تابوي هو أيضا من الصعب أن يعود الاختبار (يستغرق وقتا طويلا جدا بسبب خلق صورة وعملية القراءة)، وبالتالي تم تقليل كمية التجارب التي يمكن إجراؤها.
بعد إنشاء هذه ال 3 أنظمة كانت الإبداعات ن الجديدة لا شيء. لم أتمكن من تحسينها بشكل كبير ولم أتمكن من العثور على استراتيجية جديدة لإنشاء ن، كان هذا هو السبب الرئيسي الذي جعلني أبدأ بتجربة تقنيات التعلم الآلي الجديدة (مثل المصنفات الخطية، كلتنرز، آلات ناقلات الدعم، الخ ). ولكن خلال الأسبوع الماضي كان لدي نوع من الغطاس عندما كنت أفكر في الطرق التي يمكن أن تحد من تعرض السوق لهذه النظم بجعلها التجارة أقل في بعض الطرق وأدركت أن حل لمشاكلي كان أمامي كل زمن. الحل لتحسين أداء ثلاثة المصنفات & # 8211؛ وكلها تظهر حواف تاريخية طويلة الأجل & # 8211؛ بسيط & # 8230؛ مجرد وضعها معا لاتخاذ قرارات التداول! : س)
بالتأكيد خبرتي مع تقنيات التعلم الآلي الأخرى قال لي أن وضع المصنفين معا لجعل قرارات التداول عموما تحسين الأداء ولكن لم أفكر أبدا في وضع هذه النظم معا لأنني نظرت إليها أساسا كاستراتيجيات التداول منفصلة وليس مجرد صانع القرار تعلم الآلات. ومع ذلك، فإنه من المنطقي تماما لوضع ثلاثة النوى صنع القرار في استراتيجية واحدة: ما أود الآن أن نسمي & # 8220؛ أسيريكويبراين & # 8221؛ ويأتي إلى استنتاجات بشأن قرارات التداول من التنبؤ الذي يتوافق مع التقنيات الثلاثة. وإذا كانت جميعها ذات حواف طويلة الأجل، ينبغي أن يكون لاتفاقها الكلي قدرة تنبؤية أكثر من اتفاقها الجزئي. النتيجة دهشت تماما لي. وقد حسنت استراتيجيات التداول بعض الإحصاءات الأخرى بشكل كبير (أكثر بكثير مما لو تم تداولها معا كنظم داخل محفظة)، علاوة على ذلك، فقد قللت من تعرض السوق بشكل عام للاستراتيجيات بفارق كبير. النظام فقط لديه موقف واحد مفتوح في أي وقت من الأوقات، لكنه يحتاج جميع التنبؤات للاتفاق من أجل الدخول أو الخروج من الموقف.
إن الربحية الإجمالية هي الأعلى بين جميع الأنظمة وأن السحب هو الأدنى، وهذا يعني أن أسيريكويبراين يحقق متوسط ​​العائد السنوي إلى الحد الأقصى لنسبة السحب أعلى من أي من تقنيات التداول الفردية المستخدمة، فإن الحد الأقصى لطول فترة السحب هو أيضا انخفاض كبير، من أكثر من 1000 يوما لأنظمة ن الأخرى، إلى أقل من 750 يوما. كما أن خطية نظام التداول في المحاكاة غير المركبة تزيد بشكل كبير (إلى R ^ 2 = 0.98)، وذلك بفضل قوة التمهيد التي تم الحصول عليها من تأثير اللجنة (مما يعني أن الفكرة تعمل!). كما ترون على الصور داخل هذا المنصب، منحنيات للأنظمة الفردية هي أدنى بشكل ملحوظ بالمقارنة مع منحنى الأسهم لاستراتيجية أسيريكويبراين. وسوف تستمر في إجراء بعض الاختبارات والتحسينات، لذلك نتوقع بعض الوظائف الجديدة على ن في غضون الأيام القليلة المقبلة وأسابيع (بما في ذلك بعض الوظائف حول المدخلات، ودقة التنبؤ فس الربحية والتنبؤات الربحية فس التنبؤات الاتجاه).
إذا كنت ترغب في معرفة المزيد عن استراتيجيات الشبكة العصبية وكيف يمكنك أيضا بناء أنظمة إعادة التدريب باستمرار باستخدام فان التي يمكن تنفيذها على MQL4 / MQL5 / جفوريكس أو أواندا ريست أبي، В يرجى النظر في الانضمام إلى أسيريكوي، موقع على شبكة الانترنت مليئة التعليمية وأشرطة الفيديو، وأنظمة التداول، والتنمية، ونهج صريح وشفاف وشفاف نحو التداول الآلي بشكل عام. آمل أن يحظى هذا المقال بإعجابكم ! : س)
7 الردود على & # 8220؛ الشبكات العصبية في التداول: بناء قوية التداول & # 8220؛ الدماغ & # 8221؛ مع العديد من ن & # 8221؛
أنت ذاهب لإطلاق سراح هذا أسيريكويبراين إي في المستقبل القريب؟
شكرا لتعليقك: س) نعم، وسوف يكون على التحديث F4.3.14 المقبل نهاية الأسبوع،
مفهوم مثير للاهتمام. I & # 8217؛ حساب معدل نمو سنوي مركب = 3.5٪ أو بالقرب منه. وأعتقد أن هذا منخفض جدا (سبس تر لنفس الفترة حوالي 10٪) وجنبا إلى جنب مع سحب طويلة جدا أعتقد أنك قد لا يزال أمامك طريق طويل لنقطعه مع هذا. انه لامر جيد كنت مستمرة على الرغم. :)
ماذا عن إذا كنت ضبط حجم الموقف 2 التنبؤات توافق على 2/3 وحجم يصل إلى موقف كامل عندما يتفقون جميعا؟
هل تحتفظ بالموقف مفتوحا حتى لا يوافق المتنبأ أو أن تغلقه في نهاية اليوم؟ لا أعرف إذا فاتني ذلك.
شكرا للنشر: o)
مفهوم مثير للاهتمام. Ђ Ђ calcul حساب معدل نمو سنوي مركب = 3.5٪ أو بالقرب منه. وأعتقد أن هذا منخفض جدا (سبس تر لنفس الفترة حوالي 10٪) وجنبا إلى جنب مع سحب طويلة جدا أعتقد أنك قد لا يزال أمامك طريق طويل لنقطعه مع هذا. انه لامر جيد كنت مستمرة على الرغم. :)
لا يمكن حساب معدل النمو السنوي المركب من هذه المحاكاة غير المركبة كما تفعل العادية، لأن الخطر هو مبلغ ثابت بالدولار الأمريكي (1٪ من الرصيد الأولي). عند استخدام إدارة الأموال العادية (1٪ خطر التوازن في التجارة المفتوحة) معدل النمو السنوي المركب هو في الواقع بالقرب من 10٪ و أر / ماكسد في المنطقة 0.8-0.9 (الحد الأقصى د هو حوالي 13.5٪). سوف تفاقم إدارة الأموال العادية توليد مخططات النمو الأسي (والتي يصعب تفسير بصريا بشكل صحيح) السبب أنا دائما نشر محاكاة غير معقدة. ولكن عند التداول مباشرة كنت دائما استخدام إدارة الأموال العادية، مخاطرة نسبة ثابتة من الرصيد على التجارة المفتوحة. I & # 8217؛ كما أحرز بعض التحسينات الهامة خلال الأيام القليلة الماضية وحصلت على الحد الأقصى لطول السحب تحت 500 يوم: س)
ماذا عن إذا كنت ضبط حجم الموقف 2 التنبؤات توافق على 2/3 وحجم يصل إلى موقف كامل عندما يتفقون جميعا؟
إنها فكرة مثيرة للاهتمام! أنا & # 8217؛ ليرة لبنانية محاولة إعطائها ونرى ما أحصل عليه.
هل تحتفظ بالموقف مفتوحا حتى لا يوافق المتنبأ أو أن تغلقه في نهاية اليوم؟ أنا لا أعرف إذا فاتني ذلك.
حاولت على حد سواء، إغلاق المواقف على بعض الخلافات أعطاني أسوأ النتائج، وأنا فقط الصفقات وثيقة كلما ضرب سي أو إشارة عكسية (حيث جميع ننس يتفق) يبدو.
شكرا مرة أخرى للتعليق بوج: س)
& # 8220؛ العادية إدارة الأموال المتضاعفة سوف تولد الرسوم البيانية النمو الأسي (التي يصعب تفسير بصريا بشكل صحيح) السبب أنا دائما نشر محاكاة غير معقدة. ولكن عند التداول المباشر سوف تستخدم دائما إدارة الأموال العادية، مخاطرة نسبة ثابتة من الميزان التجاري مفتوح. & # 8221؛
أنا من رأي أن [مم] عادية سوفت كنت استعملت في [باكتستس] لأن هو يكون مناسبة [أنتي-مارتينغل] أسلوب. ومن النادر أن نرى نموا هائلا بسبب عمليات السحب. أفضل طريقة ل باكتست هو أعتقد أن الطريقة التي التجارة في الواقع وهذا ينطوي مم.
أنا من رأي أن [مم] عادية سوفت كنت استعملت في [باكتستس] لأن هو يكون مناسبة [أنتي-مارتينغل] أسلوب. ومن النادر أن نرى نموا هائلا بسبب عمليات السحب. أفضل طريقة ل باكتست هو أعتقد أن الطريقة التي التجارة في الواقع وهذا ينطوي مم.
نعم بالطبع، وأنا أتفق تماما مع ذلك، وهذا (مع مم) ومن الواضح أن الطريقة التي نعيد اختبار أنظمة لتحليل قبل التداول المباشر. أنا فقط إجراء المحاكاة غير معقدة على بلوق لأنها & # 8217؛ أسهل للتحليل واستخلاص استنتاجات من (وجود فقط المخططات). محاكاة مم العادية دون الإحصاءات (المخطط فقط) هو أصعب لتحليل. في المرة القادمة، سأقوم بإرسال بعض إحصاءات مم العادية أيضا. شكرا مرة أخرى للتعليق بوب: س)
خطية منحنى الأسهم هو دانيال مؤثرة جدا. شكرا لتقاسم عملك الشاق.

استراتيجيات تداول الشبكات العصبية
الهجين الشبكة العصبية وقف واستراتيجيات عكس فوركس.
مايكل R. براينت.
وقد استخدمت الشبكات العصبية في أنظمة التداول لسنوات عديدة بدرجات متفاوتة من النجاح. جاذبيتها الأساسية هي أن هيكلها غير الخطية هو أكثر قدرة على التقاط تعقيدات حركة السعر من قواعد التداول القياسية القائمة على المؤشرات. وكان أحد الانتقادات أن استراتيجيات التداول القائمة على الشبكة العصبية تميل إلى أن تكون أكثر ملاءمة وبالتالي لا تؤدي بشكل جيد على البيانات الجديدة. والحل الممكن لهذه المشكلة هو الجمع بين الشبكات العصبية والمنطق الاستراتيجي القائم على القواعد لخلق نوع هجين من الاستراتيجية. هذه المقالة سوف تظهر كيف يمكن القيام بذلك باستخدام أدابتريد بيلدر.
وعلى وجه الخصوص، ستوضح هذه المادة ما يلي:
الجمع بين الشبكة العصبية والمنطق القائم على القواعد لإدخالات التجارة.
استهداف منصات متعددة في وقت واحد (ميتاترادر ​​4 و ترادستاتيون)
وضع استراتيجية ذات منطق متوقف وغير متناظر.
استخدام بيانات الفوركس خلال اليوم.
وسيستخدم نهج بيانات من ثلاثة قطاعات، مع استخدام الجزء الثالث للتحقق من صحة الاستراتيجيات النهائية. سيتم عرض رمز الاستراتيجية الناتج لكل من ميتاتريدر 4 و ترادستاتيون، وسيتم إثبات أن نتائج التحقق هي إيجابية لكل منصة.
الشبكات العصبية كما مرشحات دخول التجارة.
رياضيا، الشبكة العصبية هي مزيج غير خطية من واحد أو أكثر من المدخلات المرجحة التي تولد واحد أو أكثر من قيم الإخراج. بالنسبة للتداول، يتم استخدام الشبكة العصبية بشكل عام بطريقتين: (1) كتنبؤ بحركة السعر المستقبلية، أو (2) كمؤشر أو عامل تصفية للتداول. هنا، سيتم النظر في استخدامه كمؤشر أو مرشح التجارة.
كمؤشر، الشبكة العصبية تعمل كشرط إضافي أو مرشح يجب أن يكون راضيا قبل التجارة يمكن إدخالها. المدخلات إلى الشبكة هي عادة مؤشرات فنية أخرى، مثل الزخم، ستوشاستيك، أدكس، المتوسطات المتحركة، وهلم جرا، فضلا عن الأسعار ومجموعات من السابقة. يتم تحجيم المدخلات وتم تصميم الشبكة العصبية بحيث يكون الناتج قيمة بين -1 و +1. ويتمثل أحد النهج في السماح بدخول طويل إذا كان الناتج أكبر من أو يساوي قيمة عتبة، مثل 0.5، ودخول قصير إذا كان المخرج أقل من أو يساوي السالب للعتبة؛ على سبيل المثال، -0.5. هذا الشرط سيكون بالإضافة إلى أي شروط دخول موجودة. على سبيل المثال، إذا كان هناك شرط دخول طويل، فإنه يجب أن يكون صحيحا، ويجب أن يكون خرج الشبكة العصبية مساويا على الأقل لقيمة العتبة للدخول الطويل.
عند إنشاء شبكة عصبية، يكون المتداول عادة مسؤولا عن اختيار المدخلات وطبولوجيا الشبكة و & كوت؛ التدريب & كوت؛ الشبكة التي تحدد قيم الأوزان المثلى. كما سيظهر أدناه، يقوم أدابتريد بيلدر بتنفيذ هذه الخطوات تلقائيا كجزء من عملية بناء التطور التي يقوم البرنامج على أساسها. استخدام الشبكة العصبية كمرشح تجاري يسمح لها أن تكون جنبا إلى جنب بسهولة مع قواعد أخرى لخلق استراتيجية التداول الهجين، واحد الذي يجمع بين أفضل ميزات النهج التقليدية القائمة على قواعد مع مزايا الشبكات العصبية. وكمثال بسيط، قد يجمع بيلدر قاعدة كروس أوفر المتوسطة مع شبكة عصبية بحيث يتم اتخاذ موقف طويل عندما يعبر المتوسط ​​المتحرك السريع فوق المتوسط ​​المتحرك البطيء ويكون خرج الشبكة العصبية عند أو فوق عتبة.
استراتيجيات وقف وإيقاف التداول.
إن إستراتيجية التداول المتوقفة والعكسية هي دائما في السوق سواء كانت طويلة أو قصيرة. بالمعنى الدقيق للكلمة، & كوت؛ الإيقاف والعكس & كوت؛ يعني أنك عكس التجارة عندما يتم ضرب طلبك وقف. ومع ذلك، يمكنني استخدامه بمثابة اختصار لأي استراتيجية التداول الذي ينعكس من طويلة إلى قصيرة إلى طويلة وهلم جرا، بحيث كنت دائما في السوق. من خلال هذا التعريف، ليس من الضروري أن أوامر أوامر وقف. هل يمكن أن تدخل وعكس باستخدام أوامر السوق أو الحد كذلك. كما أنه ليس من الضروري أن يستخدم كل جانب نفس المنطق أو حتى نفس نوع الطلب. على سبيل المثال، يمكنك إدخال فترة طويلة (والخروج قصيرة) على أمر إيقاف وإدخال قصيرة (والخروج طويلة) على أمر السوق، وذلك باستخدام قواعد وشروط مختلفة لكل دخول / خروج. ومن شأن ذلك أن يكون مثالا على استراتيجية غير متناظرة للتوقف والعكس.
الميزة الرئيسية لاستراتيجية وقف والعكس هو أنه من خلال يجري دائما في السوق، وأنت لا تفوت أي خطوات كبيرة. ميزة أخرى هي البساطة. عندما يكون هناك قواعد وشروط منفصلة للدخول والخروج من الصفقات، وهناك أكثر تعقيدا وأكثر من ذلك يمكن أن تسوء. الجمع بين الإدخالات والمخارج يعني اتخاذ قرارات توقيت أقل، والتي يمكن أن تعني أخطاء أقل.
ومن ناحية أخرى، يمكن القول بأن أفضل الظروف للخروج من التجارة نادرا ما تكون مماثلة لتلك التي تدخل في الاتجاه المعاكس؛ أن الدخول إلى الصفقات والخروج منها هي قرارات منفصلة بطبيعتها ينبغي أن توظف بالتالي قواعد ومنطقا منفصلين. هناك عيب محتمل آخر يتمثل دائما في السوق في أن الاستراتيجية سوف تتداول من خلال كل فجوة فتح. فجوة فتح كبيرة ضد الموقف يمكن أن تعني خسارة كبيرة قبل استراتيجية قادرة على عكس. الاستراتيجيات التي تدخل وتخرج بشكل أكثر انتقائية أو الخروج من نهاية اليوم يمكن أن تقلل من تأثير فتح الثغرات.
وبما أن الهدف هو بناء استراتيجية الفوركس، فإن ميتاترادر ​​4 (MT4) هو خيار واضح لمنصة التداول نظرا لأن ميتاترادر ​​4 مصمم بشكل أساسي لفوركس ويستخدم على نطاق واسع لتداول تلك الأسواق (انظر على سبيل المثال ميتاترادر ​​مقابل ترادستاتيون : مقارنة اللغة). ومع ذلك، في السنوات الأخيرة، وقد استهدف ترادستاتيون أسواق الفوركس أكثر من ذلك بكثير بقوة. اعتمادا على حجم التداول الخاص بك و / أو مستوى الحساب، فمن الممكن للتجارة في أسواق الفوركس من خلال ترادستاتيون دون تكبد أي رسوم منصة أو دفع أي عمولات. وتفيد التقارير بأن فروق أسعار الفائدة محدودة مع وجود سيولة جيدة على أزواج العملات الأجنبية الرئيسية. ولهذه الأسباب، تم استهداف كلا المنبرين لهذا المشروع.
تنشأ العديد من القضايا عند استهداف منصات متعددة في وقت واحد. أولا، قد تكون البيانات مختلفة على منصات مختلفة، مع الاختلافات في المناطق الزمنية، ونقلت الأسعار لبعض الحانات، وحجم، ونطاقات التاريخ المتاحة. وللتغلب على هذه الاختلافات، تم الحصول على البيانات من كلا المنصتين، وتم بناء الاستراتيجيات على كل من سلسلة البيانات في وقت واحد. ولذلك كانت أفضل الاستراتيجيات هي تلك التي عملت بشكل جيد على كل من سلسلة البيانات على الرغم من أي اختلافات في البيانات.
وفيما يلي إعدادات البيانات المستخدمة في بيلدر في الشكل 1. وكما يمكن الاستدلال من جدول بيانات السوق في الشكل، تم استهداف سوق العملات الأجنبية باليورو مقابل الدولار (وروس) مع حجم شريط يبلغ 4 ساعات (240 دقيقة). أحجام شريط أخرى أو الأسواق قد خدمت كذلك. كنت فقط قادرا على الحصول على أكبر قدر من البيانات من خلال منصة MT4 كما هو موضح في نطاق التاريخ هو مبين في الشكل 1 (سلسلة البيانات # 2)، لذلك تم استخدام نفس النطاق الزمني في الحصول على سلسلة البيانات المكافئة من ترادستاتيون (سلسلة البيانات # 1). تم استخدام 80٪ من البيانات للبناء (مجتمعة في العينة و & كوت؛ خارج العينة & كوت؛)، مع تخصيص 20٪ (6/20/14 إلى 2/10/15) للتحقق من صحتها. تم تعيين 80٪ من الأصل 80٪ إلى & كوت؛ في العينة & كوت؛ مع تعيين 20٪ على & كوت؛ خارج العينة، & كوت؛ كما هو مبين في الشكل 1. وقد تم تحديد انتشار العطاء / الطلب إلى 5 نقاط، وتم افتراض تكاليف تداول قدرها 6 نقاط أو 60 دولارا لكل وحدة كاملة الحجم (100.000 سهم) في الجولة الواحدة. تم تضمين كل من سلسلة البيانات في البناء، كما هو موضح في علامات الاختيار في العمود الأيمن من جدول بيانات السوق.
الشكل 1. إعدادات بيانات السوق لبناء استراتيجية الفوركس ل ميتاترادر ​​4 و ترادستاتيون.
هناك مشكلة محتملة أخرى عند استهداف الأنظمة الأساسية المتعددة هي أن بيلدر تم تصميمه لتكرار الطريقة التي يحسب بها كل نظام أساسي معتمد مؤشراته، مما قد يعني أن قيم المؤشرات ستكون مختلفة بناء على النظام الأساسي المحدد. ولتجنب هذا المصدر المحتمل للتناقض، يجب إزالة أي مؤشرات تقيم بشكل مختلف في ميتاتريدر 4 من ترادستاتيون من البناء، مما يعني أنه ينبغي تجنب المؤشرات التالية:
بطيء D العشوائية.
سريع D عشوائي.
وتحسب جميع المؤشرات الأخرى المتاحة لكل من المنصات بنفس الطريقة في كلا المنابر. يتضمن ترادستاتيون جميع المؤشرات المتوفرة في بيلدر، في حين أن ميتاترادر ​​4 لا. لذلك، لتضمين المؤشرات المتوفرة في كلا النظامين فقط، يجب اختيار منصة ميتاترادر ​​4 كنوع الرمز في بيلدر. سيؤدي ذلك تلقائيا إلى إزالة أي مؤشرات من مجموعة الإنشاء غير المتوفرة ل MT4، مما سيترك المؤشرات المتوفرة في كلا النظامين الأساسيين. بالإضافة إلى ذلك، منذ لاحظت الاختلافات في حجم البيانات التي تم الحصول عليها من كل منصة، وأنا إزالة كافة المؤشرات تعتمد على وحدة التخزين من مجموعة البناء. وأخيرا، تمت إزالة مؤشر الوقت من اليوم بسبب الاختلافات في المناطق الزمنية بين ملفات البيانات.
في الشكل 2 أدناه، يتم عرض قائمة المؤشرات المستخدمة في مجموعة البناء مرتبة حسب ما إذا كان المؤشر قد تم النظر فيه من خلال عملية الإنشاء (& كوت؛ النظر في & كوت؛ العمود). وترد المؤشرات التي أزيلت من الدراسة للأسباب التي نوقشت أعلاه في أعلى القائمة. وكانت المؤشرات المتبقية، بدءا من & كوت؛ سيمبل موف أفي & كوت؛، كلها جزء من مجموعة الإنشاء.
الشكل 2. تحديدات مؤشر في البناء، والتي تبين المؤشرات إزالتها من مجموعة البناء.
وترد خيارات التقييم المستخدمة في عملية البناء في الشكل 3. كما تم مناقشته، تم اختيار ميتاترادر ​​4 كخيار إخراج الشفرة. بعد أن يتم بناء الاستراتيجيات في بيلدر، يمكن تغيير أي من الخيارات في علامة التبويب خيارات التقييم، بما في ذلك نوع التعليمات البرمجية، وإعادة تقييم الاستراتيجيات، والتي سوف أيضا إعادة كتابة التعليمات البرمجية في أي لغة يتم تحديدها. تم استخدام هذه الميزة للحصول على رمز ترادستاتيون للاستراتيجية النهائية بعد أن تم بناء الاستراتيجيات ل ميتاترادر ​​4.
الشكل 3. خيارات التقييم في بيلدر لاستراتيجية الفوركس يوروس.
لإنشاء إستراتيجيات الإيقاف والعكس، تمت إزالة جميع أنواع الخروج من مجموعة الإنشاء، كما هو موضح أدناه في الشكل 4. تم ترك جميع الأنواع الثلاثة من أوامر الدخول - السوق، والتوقف، والحد - كما & كوت؛ تنظر & كوت؛ ، مما يعني أن عملية البناء يمكن أن تنظر في أي منها أثناء عملية البناء.
الشكل 4. أنواع الأوامر المحددة في بيلدر لإنشاء إستراتيجية الإيقاف والعكس.
يقوم برنامج بيلدر تلقائيا بإنشاء شروط منطقية تستند إلى قواعد للدخول و / أو الخروج. لإضافة شبكة عصبية إلى الاستراتيجية، فمن الضروري فقط لتحديد الخيار & كوت؛ تضمين الشبكة العصبية في شروط الدخول & كوت؛ في علامة التبويب خيارات الاستراتيجية، كما هو مبين أدناه في الشكل 5. تركت إعدادات الشبكة العصبية في افتراضاتها. كجزء من منطق التوقف والعكس، تم تعيين الخيار "خيارات السوق" على لونغ / شورت، والخيار ل & كوت؛ انتظر للخروج قبل الدخول إلى علامة تجارية جديدة & كوت؛ لم يسبق له مثيل. هذا الأخير ضروري لتمكين أمر الدخول للخروج من الوضع الحالي على عكس. تم ترك جميع الإعدادات الأخرى في الإعدادات الافتراضية.
الشكل 5. الخيارات الاستراتيجية المختارة في منشئ لإنشاء استراتيجية هجينة باستخدام كل من القواعد المستندة إلى القواعد وشبكة الشبكة العصبية.
وتسترشد الطبيعة التطورية لعملية البناء في بيلدر باللياقة البدنية، والتي يتم حسابها من الأهداف والشروط المحددة في علامة التبويب المقاييس، كما هو مبين أدناه في الشكل 6. وأبقت أهداف البناء بسيطة: تعظيم صافي الربح مع التقليل إلى أدنى حد التعقيد، الذي أعطى وزن صغير بالنسبة إلى صافي الربح. وقد تم التركيز بشكل أكبر على ظروف البناء، والتي تضمنت معامل الارتباط وأهميته بالنسبة لجودة الإستراتيجية العامة، وكذلك متوسط ​​القضبان في الصفقات وعدد الصفقات.
في البداية، لم يتم تضمين سوى متوسط ​​القضبان في الصفقات كشرط للبناء. ومع ذلك، في بعض المباني المبكرة، كان صافي الربح يفضل على طول التجارة، وبالتالي تم إضافة عدد من المتري. ويعادل المدى المحدد لعدد الصفقات (بين 209 و 418) متوسط ​​أطوال التجارة بين 15 و 30 بارا استنادا إلى عدد الحانات في فترة الإنشاء. ونتيجة لذلك، أضافت إضافة هذا المقياس مزيدا من التركيز على هدف طول التجارة، مما أدى إلى زيادة عدد السكان من السكان مع المدى المطلوب من أطوال التجارة.
الشكل 6. تحديد الأهداف والشروط المحددة في علامة التبويب المقاييس تحدد كيفية حساب اللياقة البدنية.
إن & كوت؛ شروط تحديد أهم الاستراتيجيات & كوت؛ تكرار ظروف الإنشاء إلا أن يتم تقييم شروط الاستراتجيات العليا على كامل نطاق البيانات (وليس بما في ذلك مقطع التحقق من الصحة، الذي يكون منفصلا)، بدلا من مجرد فترة الإنشاء، كما هو الحال بالنسبة لظروف الإنشاء. ويستخدم البرنامج أهم استراتيجيات الاستراتيجيات لتخصيص أي استراتيجيات تستوفي جميع الشروط في مجتمع منفصل.
يتم إجراء الإعدادات النهائية على علامة التبويب خيارات البناء، كما هو موضح أدناه في الشكل 7. أهم الخيارات هنا هي حجم عدد السكان، وعدد الأجيال، وخيار إعادة تعيين استنادا إلى & كوت؛ خارج العينة & كوت؛ أداء. تم اختيار حجم السكان ليكون كبيرا بما فيه الكفاية للحصول على تنوع جيد في السكان في حين لا تزال صغيرة بما فيه الكفاية لبناء في فترة معقولة من الزمن. واستند عدد الأجيال إلى المدة التي استغرقها عدد قليل من البنيات الأولية لكي تبدأ النتائج في التقارب.
الشكل 7. تشمل خيارات الإنشاء حجم السكان وعدد الأجيال وخيارات إعادة تعيين السكان استنادا إلى & كوت؛ خارج العينة & كوت؛ أداء.
خيار & كوت؛ إعادة تعيين الأداء خارج النطاق (أوس) & كوت؛ يبدأ عملية البناء على بعد عدد محدد من الأجيال إذا تم استيفاء الشرط المحدد؛ في هذه الحالة، سيتم إعادة تعيين السكان إذا كانت & كوت؛ خارج العينة & كوت؛ صافي الربح هو أقل من 20،000 $. تم اختيار هذه القيمة على أساس الاختبارات الأولية لتكون قيمة عالية بما فيه الكفاية أنه ربما لن يتم التوصل إليها. ونتيجة لذلك، تم تكرار عملية البناء كل 30 أجيال حتى توقف يدويا. هذا هو وسيلة للسماح للبرنامج بتحديد الاستراتيجيات على أساس أفضل الاستراتيجيات الشروط على مدى فترة طويلة من الزمن. بشكل دوري، يمكن التحقق من السكان أعلى الاستراتيجيات وإلغاء عملية البناء عند العثور على استراتيجيات مناسبة.
لاحظ أن أضع & كوت؛ خارج العينة & كوت؛ في اقتباسات. عند & كوت؛ خارج العينة & كوت؛ يتم استخدام الفترة لإعادة تعيين السكان بهذه الطريقة، و & كوت؛ خارج العينة & كوت؛ الفترة لم تعد حقا خارج العينة. وبما أن هذه الفترة تستخدم الآن لتوجيه عملية البناء، فإنها تشكل جزءا فعالا من فترة العينة. لهذا السبب من المستحسن أن نضع جانبا شريحة ثالثة للتحقق من صحة، كما نوقش أعلاه.
بعد عدة ساعات من المعالجة وعدد من إعادة البناء التلقائي، تم العثور على استراتيجية مناسبة في السكان الاستراتيجيات العليا. ويظهر منحنى الأسهم التجارية المغلق أدناه في الشكل 8. ويبين منحنى الأسهم أداء ثابت في كل من قطاعات البيانات مع عدد كاف من الصفقات والنتائج نفسها أساسا على كل من سلسلة البيانات.
الشكل 8: منحنى الأسهم التجارية المغلقة لاستراتيجية وقف اليورو مقابل الدولار الأمريكي والعكس.
ولتحقق من الاستراتیجیة خلال فترة التحقق، تم تغییر ضوابط التاریخ علی علامة تبویب الأسواق (انظر الشکل 1) إلی تاریخ نھایة البیانات (2/11/2018)، وتم إعادة تقییم الاستراتیجیة عن طریق تحدید تقییم الأمر من قائمة ستراتيغي في بيلدر. وتظهر النتائج أدناه في الشكل 9. وتبين نتائج التحقق من صحة في المربع الأحمر أن الاستراتيجية التي عقدت على البيانات التي لم تستخدم أثناء عملية البناء.
الشكل 9: منحنى رأس المال المقفل من أجل إستراتيجية الإيقاف والعكس لليورو مقابل الدولار الأميركي، بما في ذلك فترة التحقق.
الفحص النهائي هو معرفة كيفية تنفيذ الاستراتيجية على كل سلسلة بيانات بشكل منفصل باستخدام خيار إخراج الشفرة لهذا النظام الأساسي. وهذا ضروري لأنه، كما هو موضح أعلاه، قد تكون هناك اختلافات في النتائج اعتمادا على (1) نوع التعليمات البرمجية، و (2) سلسلة البيانات. نحن بحاجة للتحقق من أن الإعدادات المختارة تقلل من هذه الاختلافات، كما هو مقصود. لاختبار استراتيجية ميتاترادر ​​4، تم إلغاء تحديد سلسلة البيانات من ترادستاتيون على علامة التبويب الأسواق، وتم إعادة تقييم الاستراتيجية. وترد النتائج أدناه في الشكل 10، الذي يكرر المنحنى السفلي في الشكل 9.
الشكل 10: منحنى الأسهم التجارية المغلقة لاستراتيجية الإيقاف والعكس مقابل اليورو مقابل الدولار الأميركي، بما في ذلك فترة التحقق، بالنسبة إلى ميتاترادر ​​4.
وأخيرا، لاختبار استراتيجية ترادستاتيون، تم اختيار سلسلة البيانات من ترادستاتيون وتم إلغاء تحديد سلسلة ميتاتريدر 4 في علامة التبويب "الأسواق"، تم تغيير إخراج التعليمات البرمجية إلى & كوت؛ ترادستاتيون & كوت؛ وتم إعادة تقييم الاستراتيجية. وتظهر النتائج أدناه في الشكل 11 وتبدو مشابهة جدا للمنحنى المتوسط ​​في الشكل 9، كما هو متوقع.
الشكل 11. منحنى الأسهم التجارية المغلقة لاستراتيجية وقف و عكس اليورو مقابل الدولار الأميركي، بما في ذلك فترة التحقق، ل ترادستاتيون.
يتم توفير التعليمات البرمجية لكلا النظامين أدناه في الشكل 12. انقر فوق الصورة لفتح ملف التعليمات البرمجية لمنصة المقابلة. فحص التعليمات البرمجية يكشف أن الجزء القائم على القاعدة من الاستراتيجية يستخدم مختلف الظروف المتعلقة بالتقلب للجانبين الطويل والقصير. تتكون مدخلات الشبكة العصبية من مجموعة متنوعة من المؤشرات، بما في ذلك يوم من أيام الأسبوع، الاتجاه (زلترند)، ارتفاع خلال اليوم، مؤشرات التذبذب (إنفشيريسيكل، إنفشيرسي)، البولنجر باند، والانحراف المعياري.
يمكن رؤية الطبيعة الهجينة للاستراتيجية مباشرة في بيان الكود (من رمز ترادستاتيون):
إذا إنتكوندل و ننوتبوت & غ؛ = 0.5 ثم تبدأ.
شراء (& كوت؛ إنمارك-L & كوت؛) سهم نشارس شريط المقبل في السوق.
المتغير & كوت؛ إنتكوندل & كوت؛ تمثل شروط الدخول المستندة إلى القواعد، و & كوت؛ ننوبوت & كوت؛ هو إخراج الشبكة العصبية. يجب أن يكون كلا الشرطين صحيحا لوضع أمر الدخول الطويل. يعمل شرط الدخول القصير بنفس الطريقة.
الشكل 12. رمز إستراتيجية التداول لاستراتيجية الإيقاف والعكس مقابل اليورو مقابل الدولار الأميركي (يسار، ميتاتريدر 4، رايت، ترادستاتيون). انقر فوق الشكل لفتح ملف التعليمات البرمجية المطابق.
بحثت هذه المقالة في عملية بناء استراتيجية هجينة قائمة على القاعدة / الشبكة العصبية لليورو مقابل الدولار الأميركي باستخدام نهج وقف والعكس (دائما في السوق) مع أدابتريد بيلدر. وقد تبين كيف يمكن إنشاء رمز الاستراتيجية لمنصات متعددة عن طريق اختيار مجموعة فرعية مشتركة من المؤشرات التي تعمل بنفس الطريقة في كل منصة. تم وصف الإعدادات اللازمة لتوليد استراتيجيات عكس من طويلة إلى قصيرة وظهر، وقد ثبت أن الاستراتيجية الناتجة يؤدي إيجابيا على جزء منفصل، التحقق من صحة البيانات. كما تم التحقق من أن الاستراتيجية ولدت نتائج مماثلة مع البيانات وخيار التعليمات البرمجية لكل منصة.
كما نوقش أعلاه، نهج وقف والعكس لديها العديد من السلبيات وربما لا نداء الى الجميع. ومع ذلك، قد يكون النهج دائما في السوق أكثر جاذبية مع بيانات الفوركس لأن أسواق الفوركس التجارة على مدار الساعة. ونتيجة لذلك، لا توجد فجوات افتتاح الجلسة، وأوامر التداول هي دائما نشطة ومتاحة لعكس التجارة عندما يتغير السوق. وأتاح استخدام البيانات اللحظية (القضبان التي تستغرق 4 ساعات) مزيدا من الحانات من البيانات لاستخدامها في عملية البناء ولكنه كان تعسفيا إلى حد ما لأن الطابع الدائم للاستراتيجية يعني أن الصفقات تتم بين عشية وضحاها.
وقد سمح لعملية البناء بتطوير ظروف مختلفة للدخول طويلة وقصيرة، مما أدى إلى استراتيجية غير متناظرة وقف والعكس. على الرغم من الاسم، فإن الاستراتيجية الناتجة تدخل كل من الصفقات الطويلة والقصيرة على أوامر السوق، على الرغم من أن السوق، ووقف، وأوامر الحد كلها النظر فيها من قبل عملية البناء بشكل مستقل لكل جانب. ومن الناحية العملية، فإن الانعكاس من فترة طويلة إلى قصيرة يعني بيع ضعف عدد الأسهم في السوق بما أن الاستراتيجية كانت طويلة في الوقت الراهن؛ على سبيل المثال، إذا كان الوضع الحالي الحالي هو 100.000 سهم، فسوف تبيع 200،000 سهم قصير في السوق. وبالمثل، إذا كان الوضع القصير الحالي 100،000 سهم، يمكنك شراء 200،000 سهم في السوق لعكس من قصيرة إلى طويلة.
تم استخدام تاريخ أقصر للسعر من شأنه أن يكون مثاليا. ومع ذلك، كانت النتائج إيجابية على قطاع التحقق من الصحة، مما يشير إلى أن الاستراتيجية لم تكن مناسبة. وهذا يدعم فكرة أن الشبكة العصبية يمكن استخدامها في استراتيجية التداول دون بالضرورة الإفراط في تركيب الاستراتيجية للسوق.
الاستراتيجية المعروضة هنا ليست مخصصة للتجارة الفعلية ولم يتم اختبارها في الوقت الحقيقي تتبع أو التداول. ومع ذلك، يمكن استخدام هذه المقالة كقالب لوضع استراتيجيات مماثلة ل يوروس أو الأسواق الأخرى. كما هو الحال دائما، يجب اختبار أي استراتيجية التداول التي تقوم بتطويرها بدقة في تتبع الوقت الحقيقي أو على بيانات منفصلة للتحقق من صحة النتائج والتعرف على خصائص التداول للاستراتيجية قبل التداول المباشر.
ظهرت هذه المقالة في عدد فبراير 2018 من النشرة الإخبارية أدابتريد سوفتوار.
نتائج الأداء البدني أو المحاكاة لها بعض القيود المتراكمة. لا سجل الأداء الفعلي، النتائج المحاكاة لا تمثل التداول الفعلي. أيضا، وبما أن التجارة لم تكن قد تم تنفيذها بشكل فعلي، فقد تكون النتائج قد تم تعويضها أو تعويضها بشكل أكبر عن التأثيرات، إن وجدت، لبعض عوامل السوق، مثل عدم وجود السيولة. برامج التداول المحاكاة بشكل عام هي أيضا تخضع لحقيقة أنها تم تصميمها مع الاستفادة من الأذهان. لا يتم تمثيل أي حساب أو سيكون من المرجح تحقيق الأرباح أو الخسائر مماثلة لتلك التي تظهر.
إذا كنت ترغب في أن تكون على علم بالتطورات الجديدة، والأخبار، والعروض الخاصة من أدابتريد البرمجيات، يرجى الانضمام إلى قائمة البريد الإلكتروني لدينا. شكرا لكم.
حقوق الطبع والنشر © 2004-2018 أدابتريد البرمجيات. كل الحقوق محفوظة.

الشبكات العصبية: توقعات التنبؤ.
والشبكات العصبية هي خوارزميات متطورة يمكن أن تحاكي جوانب رئيسية معينة في عمل الدماغ البشري. وهذا يعطيهم قدرة فريدة على التدريب الذاتي، والقدرة على إضفاء الطابع الرسمي على المعلومات غير المصنفة، والأهم من ذلك، القدرة على جعل التنبؤات استنادا إلى المعلومات التاريخية لديهم تحت تصرفهم.
وقد استخدمت الشبكات العصبية بشكل متزايد في مجموعة متنوعة من التطبيقات التجارية، بما في ذلك التنبؤ وتسويق حلول البحث. في بعض المناطق، مثل الكشف عن الاحتيال أو تقييم المخاطر، هم قادة لا جدال فيه. المجالات الرئيسية التي وجدت الشبكات العصبية التطبيق هي العمليات المالية، وتخطيط المشاريع، والتجارة، وتحليلات الأعمال وصيانة المنتجات. الشبكات العصبية يمكن تطبيقها بكفاءة من قبل جميع أنواع التجار، لذلك إذا كنت تاجر ولم تكن قد أدخلت بعد إلى الشبكات العصبية، ونحن سوف يأخذك من خلال هذا الأسلوب من التحليل الفني وتظهر لك كيفية تطبيقه على نمط التداول الخاص بك.
استخدام الشبكات العصبية للكشف عن الفرص.
تماما مثل أي نوع من منتج كبير أو التكنولوجيا، بدأت الشبكات العصبية جذب كل أولئك الذين يبحثون عن سوق في مهدها. وقد أغرقت السيول من الإعلانات حول برنامج الجيل التالي من السوق - الإعلانات تحتفل أقوى من جميع خوارزميات الشبكة العصبية التي تم إنشاؤها من أي وقت مضى. حتى في تلك الحالات النادرة عندما تشبه الدعاوى الإعلانية الحقيقة، ضع في اعتبارك أن زيادة الكفاءة بنسبة 10٪ هي على الأرجح أكثر ما يمكن أن تحصل عليه من الشبكة العصبية. وبعبارة أخرى، فإنه لا ينتج عوائد خارقة وبغض النظر عن مدى نجاحه في حالة معينة، وسوف يكون هناك بعض مجموعات البيانات وفئات المهام التي الخوارزميات المستخدمة سابقا لا تزال متفوقة. تذكر هذا: انها ليست الخوارزمية التي لا خدعة. وتعد معلومات المدخلات المعدة جيدا عن المؤشر المستهدف أهم عنصر في نجاحك مع الشبكات العصبية.
هل أسرع التقارب أفضل؟
العديد من أولئك الذين يستخدمون بالفعل الشبكات العصبية يعتقدون خطأ أن أسرع صافي نتائجها، كان ذلك أفضل. ومع ذلك، هذا هو الوهم. لا يتم تحديد شبكة جيدة بالمعدل الذي ينتج عنه النتائج ويجب على المستخدمين معرفة كيفية إيجاد أفضل توازن بين السرعة التي تدرب فيها الشبكة وجودة النتائج التي تنتجها.
التطبيق الصحيح للشبكات العصبية.
العديد من التجار تطبيق الشبكات العصبية بشكل غير صحيح لأنها تضع الكثير من الثقة في البرنامج الذي يستخدمونه جميعا دون أن يتم تزويدهم بتعليمات مناسبة حول كيفية استخدامه بشكل صحيح. لاستخدام الشبكة العصبية بالطريقة الصحيحة، وبالتالي، مكسب، تاجر يجب أن تولي اهتماما لجميع مراحل دورة إعداد الشبكة. إنه التاجر وليس شبكته المسؤولة عن ابتكار فكرة وإضفاء الطابع الرسمي على هذه الفكرة واختبارها وتحسينها وأخيرا اختيار اللحظة المناسبة للتخلص منها عندما لا تعود مفيدة. فلننظر في مراحل هذه العملية الحاسمة بمزيد من التفصيل:
1. إيجاد فكرة التداول وإضفاء الطابع الرسمي عليها.
2. تحسين معلمات النموذج الخاص بك.
3. التخلص من النموذج عندما يصبح عفا عليها الزمن.
كل نموذج الشبكة العصبية على أساس العمر الافتراضي، ولا يمكن استخدامها إلى أجل غير مسمى. ويعتمد طول العمر الافتراضي لنموذج ما على حالة السوق وعلى مدى استمرار ترابط الأسواق في هذا المجال. ومع ذلك، عاجلا أو آجلا يصبح أي نموذج عفا عليها الزمن. عند حدوث ذلك، يمكنك إما إعادة تدريب النموذج باستخدام بيانات جديدة تماما (أي استبدال جميع البيانات التي تم استخدامها)، وإضافة بعض البيانات الجديدة إلى مجموعة البيانات الحالية وتدريب النموذج مرة أخرى، أو ببساطة سحب النموذج تماما.
العديد من التجار يجعلون خطأ اتباع أبسط مسار - أنها تعتمد بشكل كبير على واستخدام النهج الذي برامجها يوفر وظيفة سهلة الاستخدام والأكثر سهولة. هذا أبسط النهج هو التنبؤ سعر بعض الحانات المقبلة واستنادا نظام التداول الخاص بك على هذه التوقعات. ويتوقع المتداولون الآخرون تغير الأسعار أو النسبة المئوية لتغير الأسعار. نادرا ما ينتج عن هذا النهج نتائج أفضل من التنبؤ بالسعر مباشرة. ويخفق النهجان التبسيطان في الكشف عن معظم الترابطات الهامة الطويلة الأجل واستغلالها بأكبر قدر من الأرباح، ونتيجة لذلك يصبح النموذج عفا عليه الزمن بسرعة مع تغير القوى الدافعة العالمية.
أفضل نهج شامل لاستخدام الشبكات العصبية.

الشبكات العصبية تعلم استراتيجيات التداول الفوركس.
آخر ضجة في عالم الفوركس هو الشبكات العصبية، وهو مصطلح مأخوذ من مجتمع الذكاء الاصطناعي. من الناحية التقنية، الشبكات العصبية هي طرق تحليل البيانات التي تتكون من عدد كبير من وحدات المعالجة التي ترتبط معا من خلال الاحتمالات المرجحة. بعبارات أكثر بساطة، الشبكات العصبية هي نموذج يشبه بشكل فضفاض الطريقة التي يعمل بها الدماغ البشري ويتعلم. على مدى عقود عديدة الآن، استخدم أولئك في مجتمع الذكاء الاصطناعي نموذج الشبكة العصبية في خلق أجهزة الكمبيوتر التي "التفكير" و "التعلم" على أساس نتائج أفعالهم.
وخلافا لبنية البيانات التقليدية، تأخذ الشبكات العصبية في تيارات متعددة من البيانات والإخراج نتيجة واحدة. إذا كانت هناك طريقة لقياس البيانات، فهناك طريقة لإضافتها إلى العوامل التي يتم أخذها في الاعتبار عند وضع التنبؤ. انهم غالبا ما تستخدم في الفوركس البرمجيات التنبؤ السوق لأنه يمكن تدريب الشبكة لتفسير البيانات ورسم استنتاج منه.
قبل أن يكون من أي استخدام في جعل التنبؤات الفوركس، الشبكات العصبية يجب أن تكون "المدربين" للاعتراف وتعديل أنماط التي تنشأ بين المدخلات والمخرجات. قد يكون التدريب والاختبار مضيعة للوقت، ولكن ما يعطي الشبكات العصبية قدرتها على التنبؤ بالنتائج المستقبلية استنادا إلى البيانات السابقة. الفكرة الأساسية هي أنه عندما تقدم مع أمثلة من أزواج من البيانات المدخلات والمخرجات، يمكن للشبكة "تعلم" التبعيات، وتطبيق تلك التبعيات عند تقديمها مع بيانات جديدة. من هناك، يمكن للشبكة مقارنة الانتاج الخاصة بها لمعرفة مدى قرب تصحيح التنبؤ كان، والعودة وضبط الوزن من تبعيات مختلفة حتى تصل إلى الإجابة الصحيحة.
ويتطلب ذلك تدريب الشبكة على مجموعتين منفصلتين من البيانات هما التدريب ومجموعة الاختبار. واحدة من نقاط القوة للشبكات العصبية هو أنه يمكن أن تستمر في التعلم من خلال مقارنة التنبؤات الخاصة بها مع البيانات التي يتم تغذية باستمرار له. الشبكات العصبية هي أيضا جيدة جدا في الجمع بين كل من البيانات التقنية والأساسية، مما يجعل أفضل من سيناريو العالمين. وتتيح لهم قوتهم جدا العثور على أنماط قد لا تكون قد أخذت في الاعتبار، وتطبيق تلك الأنماط على التنبؤ من أجل التوصل إلى نتائج دقيقة بشكل غير دقيق.
للأسف، هذه القوة يمكن أيضا أن يكون ضعف في استخدام الشبكات العصبية للتداول التنبؤات. في نهاية المطاف، والناتج هو فقط جيدة مثل المدخلات. أنها جيدة جدا في ربط البيانات حتى عندما كنت إطعامهم كميات هائلة منه. أنها جيدة جدا في استخراج أنماط من أنواع متباينة على نطاق واسع من المعلومات - حتى عندما لا يوجد نمط أو علاقة. قوتها الرئيسية الأخرى - القدرة على تطبيق الاستخبارات دون مشاعر - بعد كل شيء، جهاز كمبيوتر ليس لديه الأنا - يمكن أن تصبح أيضا نقطة ضعف عند التعامل مع السوق المتقلبة. عندما يتم إدخال عامل غير معروف، الشبكة العصبية الاصطناعية ليس لديها طريقة لتعيين الوزن العاطفي لهذا العامل.
هناك حاليا عشرات من منصات التداول الفوركس في السوق التي تضم نظرية الشبكة العصبية والتكنولوجيا 'تعليم' الشبكة النظام الخاص بك والسماح لها جعل التوقعات وتوليد أوامر شراء / بيع على أساس ذلك. المهم أن نضع في اعتبارنا هو أن القاعدة الأساسية لتداول العملات الأجنبية ينطبق عندما كنت بناء لبناء الشبكة العصبية الخاصة بك - تثقيف نفسك ومعرفة ما تقومون به. سواء كنت تتعامل مع التحليل الفني، والأساسيات، والشبكات العصبية أو المشاعر الخاصة بك، والشيء الوحيد الأكثر أهمية يمكنك القيام به لضمان نجاحك في تداول العملات الأجنبية هو أن تتعلم كل ما تستطيع.

10 مفاهيم خاطئة حول الشبكات العصبية.
الشبكات العصبية هي واحدة من الطبقات الأكثر شعبية وقوية من خوارزميات التعلم الآلي. في الشبكات المالية التمويل الكمي غالبا ما تستخدم للتنبؤ السلاسل الزمنية، وبناء مؤشرات الملكية، وتداول الخوارزميات، وتصنيف الأوراق المالية ونمذجة مخاطر الائتمان. وقد استخدمت أيضا في بناء نماذج العمليات العشوائية ومشتقات الأسعار. على الرغم من فائدة الشبكات العصبية تميل إلى أن تكون سمعة سيئة لأن أدائها هو "المزاجية". في رأيي يمكن أن يعزى هذا إلى ضعف تصميم الشبكة بسبب المفاهيم الخاطئة حول كيفية عمل الشبكات العصبية. تتناول هذه المقالة بعض هذه المفاهيم الخاطئة.
1. الشبكات العصبية ليست نماذج من الدماغ البشري.
الدماغ البشري هو واحد من أسرار كبيرة من عصرنا والعلماء لم تتوصل إلى توافق في الآراء حول كيف يعمل بالضبط. هناك نظريتان للدماغ هما نظرية خلية الجدة ونظرية التمثيل الموزعة. تؤكد النظرية الأولى أن الخلايا العصبية الفردية لديها قدرة إعلامية عالية وقادرة على تمثيل مفاهيم معقدة مثل جدتك أو حتى جنيفر أنيستون. تؤكد الخلايا العصبية النظرية الثانية أن الخلايا العصبية هي أكثر بساطة بكثير، ويتم توزيع تمثيلات الكائنات المعقدة عبر العديد من الخلايا العصبية. الشبكات العصبية الاصطناعية مستوحاة بشكل فضفاض من النظرية الثانية.
أحد الأسباب التي تجعلني أعتقد أن شبكات الجيل الحالي العصبية ليست قادرة على المصداقية (مفهوم مختلف للاستخبارات) لأنني أعتقد أن الخلايا العصبية البيولوجية أكثر تعقيدا بكثير من الخلايا العصبية الاصطناعية.
وهناك فرق كبير آخر بين الدماغ والشبكات العصبية هو الحجم والتنظيم. تحتوي العقول البشرية على العديد من الخلايا العصبية والنقاط العصبية من الشبكة العصبية وهي ذاتية التنظيم والتكيف. الشبكات العصبية، على سبيل المقارنة، يتم تنظيمها وفقا للهندسة المعمارية. الشبكات العصبية ليست "ذاتية التنظيم" في نفس الشعور مثل الدماغ الذي يشبه إلى حد كبير رسم بياني من شبكة أمر.
بعض وجهات النظر مثيرة جدا للاهتمام من الدماغ كما تم إنشاؤها من قبل الدولة من الفن الدماغ تخيل التقنيات. اضغط على الصورة لمزيد من المعلومات.
فماذا يعني ذلك؟ فكر في هذه الطريقة: الشبكة العصبية مستوحاة من الدماغ بنفس الطريقة التي يستلهم بها الملعب الأولمبي في بكين عش الطيور. هذا لا يعني أن الملعب الأولمبي هو عش الطيور، فهذا يعني أن بعض عناصر أعشاش الطيور موجودة في تصميم الملعب. وبعبارة أخرى، عناصر الدماغ موجودة في تصميم الشبكات العصبية ولكنها أقل كثيرا مما قد تعتقد.
في الواقع الشبكات العصبية هي أكثر ارتباطا إلى الأساليب الإحصائية مثل منحنى المناسب وتحليل الانحدار من الدماغ البشري. في سياق التمويل الكمي أعتقد أنه من المهم أن نتذكر أنه في حين أنه قد يبدو باردا أن أقول أن شيئا ما "مستوحاة من الدماغ"، وهذا البيان قد يؤدي إلى توقعات غير واقعية أو الخوف. لمزيد من المعلومات انظر 'لا! الذكاء الاصطناعي ليس تهديدا وجوديا ".
مثال على منحنى المناسب المعروف أيضا باسم تقريب وظيفة. الشبكات العصبية غالبا ما تستخدم لتقريب الدوال الرياضية المعقدة.
2. الشبكات العصبية ليست "شكل ضعيف" من الإحصاءات.
تتكون الشبكات العصبية من طبقات من العقد المترابطة. وتسمى العقد الفردية بيرسيبترونس وتشبه الانحدار الخطي المتعدد. الفرق بين الانحدار الخطي المتعدد و بيرسيبترون هو أن بيرسيبترون يغذي إشارة ولدت من الانحدار الخطي المتعدد في وظيفة التنشيط التي قد تكون أو لا تكون غير الخطية. في بيرسيبترون متعددة الطبقات (ملب) يتم ترتيب بيرسيبترونس في طبقات وترتبط طبقات مع أخرى أخرى. توجد في طبقة ملب ثلاثة أنواع من الطبقات وهي طبقة الإدخال وطبقة (طبقات) مخفية وطبقة الإخراج. وتتلقى الطبقة المدخلة أنماط الإدخال ويمكن أن تحتوي طبقة المخرجات على قائمة بالتصنيفات أو إشارات المخرجات التي قد تحددها أنماط المدخلات هذه. الطبقات المخفية ضبط الأوزان على تلك المدخلات حتى يتم تقليل الخطأ من الشبكة العصبية. تفسير واحد من هذا هو أن الطبقات الخفية تستخرج السمات البارزة في بيانات المدخلات التي لديها القدرة التنبؤية فيما يتعلق النواتج.
مدخلات الخرائط: المخرجات.
يتلقى بيرسيبترون ناقلا للمدخلات، ويتكون من الصفات. ويسمى هذا المتجه من المدخلات نمط الإدخال. يتم وزن هذه المدخلات وفقا لمتجه الوزن الذي ينتمي إلى ذلك بيرسيبترون،. في سياق الانحدار الخطي المتعدد هذه يمكن أن ينظر إليها على أنها الانحدار كو-إفيسيانتس أو بيتا. وتكون إشارة الدخل الصافية، من البرسيبترون هي عادة ناتج مجموع نمط المدخلات وأوزانها. الخلايا العصبية التي تستخدم مجموع المنتج ل تسمى وحدات الجمع.
ثم يتم تغذية إشارة الدخل الصافية، ناقص التحيز في بعض وظيفة التنشيط،. وظائف التنشيط عادة ما تكون وظائف زيادة روتينية التي تكون محصورة بين أي من (أو تتم مناقشة ذلك بشكل أكبر في هذه المقالة). يمكن أن تكون وظائف التنشيط خطية أو غير خطية.
أبسط شبكة عصبية هو واحد الذي لديه واحد فقط الخلايا العصبية التي خرائط المدخلات إلى الإخراج. وبالنظر إلى نمط ما، فإن هدف هذه الشبكة هو تقليل الخطأ في إشارة الخرج، بالنسبة إلى بعض القيمة المستهدفة المعروفة لبعض أنماط التدريب المعطاة. على سبيل المثال، إذا كان من المفترض للخريطة العصبية لتخطيط ل -1 ولكن تعيينه إلى 1 ثم الخطأ، كما تقاس مسافة مربع التربيع، من الخلايا العصبية سيكون 4،.
كما هو مبين في الصورة أعلاه بيرسيبترونس يتم تنظيمها في طبقات. الطبقة الأولى أو بيرسيبترونس، ودعا الإدخال في وقت لاحق، يتلقى أنماط،، في مجموعة التدريب،. خرائط الطبقة الأخيرة إلى المخرجات المتوقعة لتلك الأنماط. ومن الأمثلة على ذلك أن الأنماط قد تكون قائمة بكميات المؤشرات الفنية المختلفة فيما يتعلق بالأمن، وقد تكون النواتج المحتملة هي الفئات.
طبقة مخفية هي التي تستقبل كمدخلات مخرجات من طبقة أخرى؛ والتي تشكل النواتج المدخلات إلى طبقة أخرى. فماذا تفعل هذه الطبقات الخفية؟ أحد التفسيرات هو أنها تستخرج السمات البارزة في بيانات المدخلات التي لديها القدرة التنبؤية فيما يتعلق بالمخرجات. وهذا ما يسمى استخراج ميزة وبطريقة أنها تؤدي وظيفة مماثلة للأساليب الإحصائية مثل تحليل المكون الرئيسي.
الشبكات العصبية العميقة لديها عدد كبير من طبقات مخفية وقادرة على استخراج ميزات أعمق بكثير من البيانات. في الآونة الأخيرة، كانت الشبكات العصبية العميقة أداء جيدا بشكل خاص لمشاكل التعرف على الصور. ويرد أدناه توضيح لاستخلاص الميزات في سياق التعرف على الصور،
وأعتقد أن واحدة من المشاكل التي تواجه استخدام الشبكات العصبية العميقة للتداول (بالإضافة إلى خطر واضح من الإفراط في الإمداد) هو أن المدخلات في الشبكة العصبية هي دائما تقريبا بشكل كبير قبل معالجتها بمعنى أنه قد يكون هناك عدد قليل من الميزات في الواقع استخراج لأن المدخلات هي بالفعل إلى حد ما الميزات.
قواعد التعلم.
كما ذكر سابقا هدف الشبكة العصبية هو التقليل من بعض الخطأ من الخطأ،. إن المقياس الأكثر شيوعا للخطأ هو خطأ مربع-مربع على الرغم من أن هذا المقياس حساس للقيم المتطرفة وقد يكون أقل ملاءمة من خطأ التتبع في سياق الأسواق المالية.
سوم تربيع الخطأ (سس)،
وبالنظر إلى أن الهدف من الشبكة هو للحد من أننا يمكن استخدام خوارزمية الأمثل لضبط الأوزان في الشبكة العصبية. خوارزمية التعلم الأكثر شيوعا للشبكات العصبية هي خوارزمية النسب التدرج على الرغم من أنه يمكن استخدام خوارزميات أخرى يحتمل أن تكون أفضل. الانحدار النسب يعمل عن طريق حساب المشتقة الجزئية من الخطأ فيما يتعلق الأوزان لكل طبقة في الشبكة العصبية ومن ثم الانتقال في الاتجاه المعاكس إلى التدرج (لأننا نريد للحد من الخطأ في الشبكة العصبية). عن طريق تقليل الخطأ نحن تحقيق أقصى قدر من الأداء للشبكة العصبية في العينة.
ويعبر رياضيا عن قاعدة التحديث للأوزان في الشبكة العصبية () من قبل،
حيث هو معدل التعلم الذي يتحكم في سرعة أو ببطء الشبكة العصبية تتقارب. ولا جدوى من أن حساب المشتقات الجزئية فيما يتعلق بصافي إشارة الدخل لنمط يمثل مشكلة لأي وظائف تنشيط متقطعة؛ وهذا هو أحد الأسباب التي يمكن أن تستخدم خوارزميات التحسين البديلة. اختيار معدل التعلم له تأثير كبير على أداء الشبكة العصبية. قد تؤدي القيم الصغيرة إلى التقارب البطيء جدا، في حين أن القيم العالية يمكن أن تؤدي إلى الكثير من التباين في التدريب.
على الرغم من أن بعض الإحصائيين الذين التقيت بهم في وقتي يعتقدون أن الشبكات العصبية ليست مجرد "شكل ضعيف من الإحصاءات لمحللين كسوليين" (لقد قيل لي هذا من قبل وكان مضحكا جدا). تمثل الشبكات العصبية تجريدا من التقنيات الإحصائية الصلبة التي تعود إلى مئات السنين. للحصول على تفسير رائع للإحصاءات وراء الشبكات العصبية أوصي قراءة هذا الفصل. بعد أن قلت أنا أتفق على أن بعض الممارسين مثل لعلاج الشبكات العصبية بأنها "الصندوق الأسود" التي يمكن طرحها في أي مشكلة من دون أخذ الوقت لأول مرة لفهم طبيعة المشكلة وعما إذا كانت الشبكات العصبية هي الخيار المناسب أم لا . ومن الأمثلة على ذلك استخدام الشبكات العصبية لأغراض التداول؛ الأسواق هي ديناميكية بعد الشبكات العصبية تفترض توزيع أنماط المدخلات لا تزال ثابتة مع مرور الوقت. ويناقش هذا بمزيد من التفصيل هنا.
3. الشبكات العصبية تأتي في العديد من المعماريات.
حتى الآن ناقشنا للتو أبسط بنية الشبكة العصبية، وهي بيرسيبترون متعدد الطبقات. هناك العديد من أبنية الشبكة العصبية المختلفة (الكثير جدا أن نذكر هنا) وأداء أي شبكة العصبية هي وظيفة لهندسة المعمارية والأوزان. العديد من التقدم في العصر الحديث في مجال التعلم الآلي لا تأتي من إعادة النظر في الطريقة التي بيرسيبترونز وخوارزميات الأمثل العمل ولكن بدلا من أن تكون خلاقة بشأن كيفية هذه المكونات تناسب معا. وفيما يلي مناقشة بعض مثيرة جدا للاهتمام والإبداعية أبنية الشبكة العصبية التي تم تطويرها مع مرور الوقت،
الشبكات العصبية المتكررة - بعض أو كل الاتصالات تتدفق إلى الوراء مما يعني أن تغذية الحلقات مرة أخرى موجودة في الشبكة. ويعتقد أن هذه الشبكات تؤدي أداء أفضل في بيانات السلاسل الزمنية. وعلى هذا النحو، قد تكون ذات أهمية خاصة في سياق الأسواق المالية. لمزيد من المعلومات هنا هو رابط لمقالة رائعة بعنوان، أداء غير معقول من المتكررة [العميقة] الشبكات العصبية.
ويظهر هذا الرسم البياني ثلاثة متكررة الشبكة المعمارية العصبية المتكررة وهي الشبكة العصبية إلمان، الشبكة العصبية الأردنية، والشبكة العصبية هوبفيلد طبقة واحدة.
ومن أحدث الهندسة المعمارية العصبية المتكررة في الشبكة العصبية هي آلة تورينج العصبية. تجمع هذه الشبكة بين بنية الشبكة العصبية المتكررة والذاكرة. وقد تبين أن هذه الشبكات العصبية هي تورينج كاملة وكانت قادرة على تعلم خوارزميات الفرز والمهام الحوسبة الأخرى.
الشبكة العصبية بولتزمان - واحدة من أول الشبكات العصبية متصلة تماما كانت شبكة بولتزمان العصبية a. k.a بولتزمان آلة. وكانت هذه الشبكات أول شبكات قادرة على تعلم التمثيلات الداخلية وحل المشاكل التوفيقية الصعبة للغاية. تفسير واحد من آلة بولتزمان هو أنه هو نسخة مونت كارلو من الشبكة العصبية المتكررة هوبفيلد. على الرغم من هذا، الشبكة العصبية يمكن أن يكون من الصعب جدا لتدريب ولكن عندما مقيدة أنها يمكن أن تثبت أكثر كفاءة من الشبكات العصبية التقليدية. القيد الأكثر شعبية على آلات بولتزمان هو عدم السماح بالاتصال المباشر بين الخلايا العصبية المخفية. ويشار إلى هذا العمارة الخاصة على أنها آلة بولتزمان المقيدة، والتي تستخدم في آلات بوتلزمان العميقة.
يوضح هذا الرسم البياني كيف يمكن لآلات بولتزمان المختلفة التي لها علاقات بين العقد المختلفة أن تؤثر بشكل كبير على نتائج الشبكة العصبية (رسوم بيانية على يمين الشبكات)
الشبكات العصبية العميقة - هناك شبكات عصبية مع طبقات مخفية متعددة. أصبحت الشبكات العصبية العميقة شعبية للغاية في السنوات الأخيرة بسبب نجاحها لا مثيل لها في مشاكل التعرف على الصور والصوت. عدد معماريات الشبكات العصبية العميقة ينمو بسرعة كبيرة ولكن بعض من أكثر المباني شعبية تشمل شبكات الاعتقاد العميق، الشبكات العصبية التلافيفية، آلات بولتزمان مقيدة عميق، مكدسة لصناعة السيارات في الترميز، وغيرها الكثير. واحدة من أكبر المشاكل مع الشبكات العصبية العميقة، وخاصة في سياق الأسواق المالية التي هي غير ثابتة، هو الإفراط في الكتابة. المزيد من المعلومات انظر ديبلارنينغ.
يوضح هذا الرسم البياني شبكة عصبية عميقة تتكون من طبقات مخفية متعددة.
الشبكات العصبية التكيفية - هي الشبكات العصبية التي تتكيف في الوقت نفسه وتحسين أبنيتها أثناء التعلم. ويتم ذلك إما عن طريق زيادة العمارة (إضافة المزيد من الخلايا العصبية الخفية) أو تقلصها (تشذيب الخلايا العصبية الخفية غير الضرورية). وأعتقد أن الشبكات العصبية التكيفية هي الأنسب للأسواق المالية لأن الأسواق غير ثابتة. أقول هذا لأن الميزات المستخرجة من الشبكة العصبية قد تعزز أو تضعف مع مرور الوقت اعتمادا على ديناميات السوق. إن ما يترتب على ذلك هو أن أي بنية تعمل على النحو الأمثل في الماضي تحتاج إلى تغيير للعمل على النحو الأمثل اليوم.
يوضح هذا الرسم البياني نوعين مختلفين من معماريات الشبكات العصبية التكيفية. الصورة اليسرى هي شبكة عصبية متتالية والصورة الصحيحة هي خريطة ذاتية التنظيم.
الشبكات على أساس شعاعي - على الرغم من عدم وجود نوع مختلف من العمارة بمعنى الإدراك والتوصيلات، فإن وظائف الأساس الشعاعي تستفيد من وظائف الأساس الشعاعي كدالات تنشيط لها، وهي وظائف قيمة حقيقية يعتمد خرجها على المسافة من نقطة معينة. وأكثر الوظائف المستخدمة شعاعيا شيوعا هي التوزيع الغوسي. لأن وظائف أساس شعاعي يمكن أن تتخذ على أشكال أكثر تعقيدا بكثير، كانت تستخدم في الأصل لأداء الاستيفاء وظيفة. على هذا النحو، يمكن للشبكة العصبية وظيفة أساس شعاعي لديها قدرة المعلومات أعلى بكثير. وتستخدم أيضا وظائف أساس شعاعي في نواة آلة دعم ناقلات.
يوضح هذا الرسم البياني كيف يمكن القيام به منحنى المناسب باستخدام وظائف أساس شعاعي.
باختصار، هناك العديد من المئات من أبنية الشبكة العصبية موجودة وأداء الشبكة العصبية واحدة يمكن أن تكون متفوقة بشكل كبير على آخر. وعلى هذا النحو، فإن المحللين الكميين المهتمين باستخدام الشبكات العصبية يجب أن يختبروا على الأرجح عدة معماريات للشبكات العصبية وأن ينظروا في الجمع بين مخرجاتهم معا في مجموعة لتعظيم أدائهم الاستثماري. أوصي بقراءة مقالتي، جميع النماذج الخاصة بك خاطئة، 7 مصادر المخاطر النموذجية، قبل استخدام الشبكات العصبية للتداول لأن العديد من المشاكل لا تزال سارية.
4. حجم المسائل، ولكن أكبر ليس دائما أفضل.
بعد اختيار بنية واحدة يجب أن تقرر ثم كيف كبيرة أو صغيرة يجب أن تكون الشبكة العصبية. كم عدد المدخلات هناك؟ كم عدد الخلايا العصبية الخفية يجب أن تستخدم؟ كم عدد الطبقات المخفية التي يجب استخدامها (إذا كنا نستخدم شبكة عصبية عميقة)؟ وكم عدد النواتج العصبية مطلوبة؟ والأسباب التي تجعل هذه الأسئلة مهمة لأنه إذا كانت الشبكة العصبية كبيرة جدا (صغيرة جدا)، فإن الشبكة العصبية يمكن أن تحيد (نقص البيانات) البيانات بمعنى أن الشبكة لن تتعمق جيدا من العينة.
كم عدد المدخلات التي ينبغي استخدامها؟
ويعتمد عدد المدخلات على حل المشكلة، وكمية ونوعية البيانات المتاحة، وربما بعض الإبداع. المدخلات هي ببساطة المتغيرات التي نعتقد أن لديها بعض القدرة التنبؤية على المتغير التابع يجري التنبؤ بها. إذا كانت المدخلات إلى مشكلة غير واضحة، يمكنك تحديد منهجي المتغيرات التي ينبغي تضمينها من خلال النظر في الارتباطات والارتباط المتبادل بين المتغيرات المستقلة المحتملة والمتغيرات التابعة. هذا النهج مفصل في المقال، ما الذي يدفع نمو إجمالي الناتج المحلي الحقيقي؟
هناك مشكلتان مع استخدام الارتباطات لتحديد متغيرات الإدخال. أولا، إذا كنت تستخدم مقياس ارتباط خطي، يمكنك استبعاد متغيرات مفيدة عن غير قصد. وثانيا، يمكن الجمع بين متغيرين غير مترابطين نسبيا لإنتاج متغير قوي الارتباط. إذا نظرتم إلى المتغيرات في عزلة قد تفوت هذه الفرصة. للتغلب على المشكلة الثانية يمكنك استخدام تحليل المكون الرئيسي لاستخراج إيجنفكتورس مفيدة (تركيبات الخطية للمتغيرات) كمدخلات. وهذا يعني أن المشكلة في هذا الأمر هي أن المتجهين قد لا يعممون جيدا وأنهم يفترضون أيضا أن توزيعات أنماط الإدخال ثابتة.
وهناك مشكلة أخرى عند اختيار المتغيرات هي متعددة الألوان. متعدد الألوان هو عندما اثنين أو أكثر من المتغيرات المستقلة يجري تغذية في نموذج ترتبط ارتباطا وثيقا. في سياق نماذج الانحدار قد يؤدي هذا إلى الانحدار المشترك الكفاءة للتغيير بشكل غير منتظم استجابة للتغيرات الصغيرة في النموذج أو البيانات. وبالنظر إلى أن الشبكات العصبية ونماذج الانحدار متشابهة وأظن أن هذا هو أيضا مشكلة للشبكات العصبية.
وأخيرا، وليس آخرا، التحيز الإحصائي واحد الذي يمكن إدخاله عند اختيار المتغيرات هو تحيز متغير محذوف. يحدث تحيز متغير محذوف عندما يتم إنشاء نموذج الذي يترك واحد أو أكثر من المتغيرات السببية الهامة. ينشأ التحيز عندما يعوض النموذج بشكل غير صحيح عن المتغير المفقود عن طريق تقدير أو تقليل تأثير أحد المتغيرات الأخرى، أي أن الأوزان قد تصبح كبيرة جدا على هذه المتغيرات أو سس ستكون كبيرة.
كم عدد الخلايا العصبية المخفية التي يجب استخدامها؟
العدد الأمثل للوحدات المخفية هو مشكلة محددة. ومع ذلك، كقاعدة عامة، فإن الوحدات الأكثر خفية تستخدم أكثر احتمالا يصبح خطر الإفراط في التجميع. الكتابة الزائدة هي عندما الشبكة العصبية لا تتعلم الخصائص الإحصائية الأساسية للبيانات، ولكن بدلا من "يحفظ" الأنماط وأي ضوضاء قد تحتوي عليها. This results in neural networks which perform well in sample but poorly out of sample. So how can we avoid overfitting? There are two popular approaches used in industry namely early stopping and regularization and then there is my personal favourite approach, global search,
Early stopping involves splitting your training set into the main training set and a validation set. Then instead of training a neural network for a fixed number of iterations, you train then until the performance of the neural network on the validation set begins to deteriorate. Essentially this prevents the neural network from using all of the available parameters and limits it's ability to simply memorize every pattern it sees. The image on the right shows two potential stopping points for the neural network (a and b).
Regularization penalizes the neural network for using complex architectures. Complexity in this approach is measured by the size of the neural network weights. Regularization is done by adding a term to sum squared error objective function which depends on the size of the weights. This is the equivalent of adding a prior which essentially makes the neural network believe that the function it is approximating is smooth,
where is the number of weights in the neural network. The parameters and control the degree to which the neural network over or underfits the data. Good values for and can be derived using Bayesian analysis and optimization. This, and the above, are explained in considerably more detail in this brilliant chapter.
My favourite technique, which is also by far the most computationally expensive, is global search. In this approach a search algorithm is used to try different neural network architectures and arrive at a near optimal choice. This is most often done using genetic algorithms which are discussed further on in this article.
What Are the Outputs?
Neural networks can be used for either regression or classification. Under regression model a single value is outputted which may be mapped to a set of real numbers meaning that only one output neuron is required. Under classification model an output neuron is required for each potentially class to which the pattern may belong. If the classes are unknown unsupervised neural network techniques such as self organizing maps should be used.
In conclusion, the best approach is to follow Ockhams Razor. Ockham's razor argues that for two models of equivalent performance, the model with fewer free parameters will generalize better. On the other hand, one should never opt for an overly simplistic model at the cost of performance. Similarly, one should not assume that just because a neural network has more hidden neurons and maybe more hidden layers it will outperform a much simpler network. Unfortunately it seems to me that too much emphasis is placed on large networks and too little emphasis is placed on making good design decisions. In the case of neural networks, bigger isn't always better.
Entities must not be multiplied beyond necessity - William of Ockham.
Entities must not be reduced to the point of inadequacy - Karl Menger.
5. Many training algorithms exist for neural networks.
The learning algorithm of a neural network tries to optimize the neural network's weights until some stopping condition has been met. This condition is typically either when the error of the network reaches an acceptable level of accuracy on the training set, when the error of the network on the validation set begins to deteriorate, or when the specified computational budget has been exhausted. The most common learning algorithm for neural networks is the backpropagation algorithm which uses stochastic gradient descent which was discussed earlier on in this article. Backpropagation consists of two steps:
The feedforward pass - the training data set is passed through the network and the output from the neural network is recorded and the error of the network is calculated Backward propagation - the error signal is passed back through the network and the weights of the neural network are optimized using gradient descent.
The are some problems with this approach. Adjusting all the weights at once can result in a significant movement of the neural network in weight space, the gradient descent algorithm is quite slow, and is susceptible to local minima. Local minima are a problem for specific types of neural networks including all product link neural networks. The first two problems can be addressed by using variants of gradient descent including momentum gradient descent (QuickProp), Nesterov's Accelerated Momentum (NAG) gradient descent, the Adaptive Gradient Algorithm (AdaGrad), Resilient Propagation (RProp), and Root Mean Squared Propagation (RMSProp). As can be seen from the image below significant improvements can be made on the classical gradient descent algorithm.
That having been said, these algorithms cannot overcome local minima and are also less useful when trying to optimize both the architecture and weights of the neural network concurrently. In order to achieve this global optimization algorithms are needed. Two popular global optimization algorithms are the Particle Swarm Optimization (PSO) and the Genetic Algorithm (GA). Here is how they can be used to train neural networks:
Neural network vector representation - by encoding the neural network as a vector of weights, each representing the weight of a connection in the neural network, we can train neural networks using most meta-heuristic search algorithms. This technique does not work well with deep neural networks because the vectors become too large.
This diagram illustrates how a neural network can be represented in a vector notation and related to the concept of a search space or fitness landscape.
Particle Swarm Optimization - to train a neural network using a PSO we construct a population / swarm of those neural networks. Each neural network is represented as a vector of weights and is adjusted according to it's position from the global best particle and it's personal best.
The fitness function is calculated as the sum-squared error of the reconstructed neural network after completing one feedforward pass of the training data set. The main consideration with this approach is the velocity of the weight updates. This is because if the weights are adjusted too quickly, the sum-squared error of the neural networks will stagnate and no learning will occur.
This diagram shows how particles are attracted to one another in a single swarm Particle Swarm Optimization algorithm.
Genetic Algorithm - to train a neural network using a genetic algorithm we first construct a population of vector represented neural networks. Then we apply the three genetic operators on that population to evolve better and better neural networks. These three operators are,
Selection - Using the sum-squared error of each network calculated after one feedforward pass, we rank the population of neural networks. The top x% of the population are selected to 'survive' to the next generation and be used for crossover. Crossover - The top x% of the population's genes are allowed to cross over with one another. This process forms 'offspring'. In context, each offspring will represent a new neural network with weights from both of the 'parent' neural networks. Mutation - this operator is required to maintain genetic diversity in the population. A small percentage of the population are selected to undergo mutation. Some of the weights in these neural networks will be adjusted randomly within a particular range.
This algorithm shows the selection, crossover, and mutation genetic operators being applied to a population of neural networks represented as vectors.
In addition to these population-based metaheuristic search algorithms, other algorithms have been used to train of neural networks including backpropagation with added momentum, differential evolution, Levenberg Marquardt, simulated annealing, and many more. Personally I would recommend using a combination of local and global optimization algorithms to overcome the shortcomings of both.
6. Neural networks do not always require a lot of data.
Neural networks can use one of three learning strategies namely a supervised learning strategy, an unsupervised learning strategy, or a reinforcement learning strategy. Supervised learning require at least two data sets, a training set which consists of inputs with the expected output, and a testing set which consists of inputs without the expected output. Both of these data sets must consist of labelled data i. e. data patterns for which the target is known upfront. Unsupervised learning strategies are typically used to discover hidden structures (such as hidden Markov chains) in unlabeled data. They behave in a similar way to clustering algorithms. Reinforcement learning are based on the simple premise of rewarding neural networks for good behaviours and punishing them for bad behaviours. Because unsupervised and reinforcement learning strategies do not require that data be labelled they can be applied to under-formulated problems where the correct output is not known.
Unsupervised Learning.
One of the most popular unsupervised neural network architectures is the Self Organizing Map (also known as the Kohonen Map). Self Organizing Maps are essentially a multi-dimensional scaling technique which construct an approximation of the probability density function of some underlying data set, , whilst preserving the topological structure of that data set. This is done by mapping input vectors, , in the data set, , to weight vectors, , (neurons) in the feature map, . Preserving the topological structure simply means that if two input vectors are close together in , then the neurons to which those input vectors map in will also be close together.
For more information on self organizing maps and how they can be used to produce lower-dimensionality data sets click here. Another interesting application of SOM's is in colouring time series charts for stock trading. This is done to show what the market conditions are at that point in time. This website provides a detailed tutorial and code snippets for implementing the idea for improved Forex trading strategies.
Reinforcement Learning.
Reinforcement learning strategies consist of three components. A policy which specifies how the neural network will make decisions e. g. using technical and fundamental indicators. A reward function which distinguishes good from bad e. g. making vs. losing money. And a value function which specifies the long term goal. In the context of financial markets (and game playing) reinforcement learning strategies are particularly useful because the neural network learns to optimize a particular quantity such as an appropriate measure of risk adjusted return.
This diagram shows how a neural network can be either negatively or positively reinforced.
7. Neural networks cannot be trained on any data.
One of the biggest reasons why neural networks may not work is because people do not properly pre-process the data being fed into the neural network. Data normalization, removal of redundant information, and outlier removal should all be performed to improve the probability of good neural network performance.
Data normalization - neural networks consist of various layers of perceptrons linked together by weighted connections. Each perceptron contains an activation function which each have an 'active range' (except for radial basis functions). Inputs into the neural network need to be scaled within this range so that the neural network is able to differentiate between different input patterns.
For example, given a neural network trading system which receives indicators about a set of securities as inputs and outputs whether each security should be bought or sold. One of the inputs is the price of the security and we are using the Sigmoid activation function. However, most of the securities cost between 5$ and 15$ per share and the output of the Sigmoid function approaches 1.0. So the output of the Sigmoid function will be be 1.0 for all securities, all of the perceptrons will 'fire' and the neural network will not learn.
Neural networks trained on unprocessed data produce models where 'the lights are on but nobody's home'
Outlier removal - an outlier is value that is much smaller or larger than most of the other values in some set of data. Outliers can cause problems with statistical techniques like regression analysis and curve fitting because when the model tries to 'accommodate' the outlier, performance of the model across all other data deteriorates,
This diagram shows the effect of removing an outlier from the training data for a linear regression. The results are comparable for neural networks. Image source: statistics. laerd/statistical-guides/img/pearson-6.png.
The illustration shows that trying to accommodate an outlier into the linear regression model results in a poor fits of the data set. The effect of outliers on non-linear regression models, including neural networks, is similar. Therefore it is good practice is to remove outliers from the training data set. That said, identifying outliers is a challenge in and of itself, this tutorial and paper discuss existing techniques for outlier detection and removal.
Remove redundancy - when two or more of the independent variables being fed into the neural network are highly correlated (multiplecolinearity) this can negatively affect the neural networks learning ability. Highly correlated inputs also mean that the amount of unique information presented by each variable is small, so the less significant input can be removed. Another benefit to removing redundant variables is faster training times. Adaptive neural networks can be used to prune redundant connections and perceptrons.
8. Neural networks may need to be retrained.
Given that you were able to train a neural network to trade successfully in and out of sample this neural network may still stop working over time. This is not a poor reflection on neural networks but rather an accurate reflection of the financial markets. Financial markets are complex adaptive systems meaning that they are constantly changing so what worked yesterday may not work tomorrow. This characteristic is called non-stationary or dynamic optimization problems and neural networks are not particularly good at handling them.
Dynamic environments, such as financial markets, are extremely difficult for neural networks to model. Two approaches are either to keep retraining the neural network over-time, or to use a dynamic neural network. Dynamic neural networks 'track' changes to the environment over time and adjust their architecture and weights accordingly. They are adaptive over time. For dynamic problems, multi-solution meta-heuristic optimization algorithms can be used to track changes to local optima over time. One such algorithm is the multi-swarm optimization algorithm, a derivative of the particle swarm optimization. Additionally, genetic algorithms with enhanced diversity or memory have also been shown to be robust in dynamic environments.
The illustration below demonstrates how a genetic algorithm evolves over time to find new optima in a dynamic environment. This illustration also happens to mimic trade crowding which is when market participants crowd a profitable trading strategy, thereby exhausting trading opportunities causing the trade to become less profitable.
This animated image shows a dynamic fitness landscape (search space) change over time. Image source: en. wikipedia/wiki/Fitness_landscape.
9. Neural networks are not black boxes.
By itself a neural network is a black-box. This presents problems for people wanting to use them. For example, fund managers wouldn't know how a neural network makes trading decisions, so it is impossible to assess the risks of the trading strategies learned by the neural network. Similarly, banks using neural networks for credit risk modelling would not be able to justify why a customer has a particular credit rating, which is a regulatory requirement. That having been said, state of the art rule-extraction algorithms have been developed to vitrify some neural network architectures. These algorithms extract knowledge from the neural networks as either mathematical expressions, symbolic logic, fuzzy logic, or decision trees.
This image shows a neural network as a black box and how it related to rule extraction techniques.
Mathematical rules - algorithms have been developed which can extract multiple linear regression lines from neural networks. The problem with these techniques is that the rules are often still difficult to understand, therefore these do not solve the 'black-box' problem.
Propositional logic - propositional logic is a branch of mathematical logic which deals with operations done on discrete valued variables. These variables, such as A or B, are often either TRUE or FALSE, but they could occupy values within a discrete range e. g. .
Logical operations can then be applied to those variables such as OR, AND, and XOR. The results are called predicates which can also be quantified over sets using the exists or for-all quantifiers. This is the difference between predicate and propositional logic. If we had a simple neural network which Price (P), Simple Moving Average (SMA), and Exponential Moving Average (EMA) as inputs and we extracted a trend following strategy from the neural network in propositional logic, we might get rules like this,
Fuzzy logic - fuzzy logic is where probability and propositional logic meet. The problem with propositional logic is that is deals in absolutes e. g. BUY or SELL, TRUE or FALSE, 0 or 1. Therefore for traders there is no way to determine the confidence of these results. Fuzzy logic overcomes this limitation by introducing a membership function which specifies how much a variable belongs to a particular domain. For example, a company (GOOG) might belong 0.7 to the domain and 0.3 to the domain . Combinations of neural networks and fuzzy logic are called Neuro-Fuzzy systems. This research survey discusses various fuzzy rule extraction techniques.
Decision trees - decision trees show how decisions are made when given certain information. This article describes how to evolve security analysis decision trees using genetic programming. Decision tree induction is the term given to the process of extracting decision trees from neural networks.
An example of a simple trading strategy represented using a decision tree. The triangular boxes represent decision nodes, these could be to BUY, HOLD, or SELL a company. Each box represents a tuple of <indicator, inequality,="" value="">. An example might be <sma,>, 25> or <ema, <="," 30="">.
10. Neural networks are not hard to implement.
This list is updated, from time to time, when I have time. Last updated: November 2018.
Speaking from experience, neural networks are quite challenging to code from scratch. Luckily there are now hundreds open source and proprietary packages which make working with neural networks a lot easier. Below is a list of packages which quants may find useful for quantitative finance. The list is NOT exhaustive, and is ordered alphabetically. If you have any additional comments, or frameworks to add, please share via the comment section.
"Caffe is a deep learning framework made with expression, speed, and modularity in mind. It is developed by the Berkeley Vision and Learning Center (BVLC) and by community contributors. Yangqing Jia created the project during his PhD at UC Berkeley." - Caffe webpage (November 2018)
"Encog is an advanced machine learning framework that supports a variety of advanced algorithms, as well as support classes to normalize and process data. Machine learning algorithms such as Support Vector Machines, Artificial Neural Networks, Genetic Programming, Bayesian Networks, Hidden Markov Models, Genetic Programming and Genetic Algorithms are supported. Most Encog training algoritms are multi-threaded and scale well to multicore hardware. Encog can also make use of a GPU to further speed processing time. A GUI based workbench is also provided to help model and train machine learning algorithms." - Encog webpage.
H2O is not strictly a package for machine learning, instead they expose an API for doing fast and scalable machine learning for smarter applications which use big data. Their API supports deep learning model, generalized boosting models, generalized linear models, and more. They also host a cool conference, checkout the videos :).
Google TensorFlow.
" TensorFlow is an open source software library for numerical computation using data flow graphs. Nodes in the graph represent mathematical operations, while the graph edges represent the multidimensional data arrays (tensors) that flow between them. This flexible architecture lets you deploy computation to one or more CPUs or GPUs in a desktop, server, or mobile device without rewriting code." - GitHub repository ( November 2018)
Microsoft Distributed Machine Learning Tookit.
"DMTK includes the following projects: DMTK framework(Multiverso): The parameter server framework for distributed machine learning. LightLDA: Scalable, fast and lightweight system for large-scale topic modeling. Distributed word embedding: Distributed algorithm for word embedding. Distributed skipgram mixture: Distributed algorithm for multi-sense word embedding." - GitHub repository (November 2018)
Microsoft Azure Machine Learning.
The machine learning / predictive analytics platform in Microsoft Azure is a fully managed cloud service that enables you to easily build, deploy, and share predictive analytics solutions. This software basically allows you to drag and drop pre-built components (including machine learning models) and custom-built components which manipulate data sets into a process. This flow-chart is then compiled into a program and can be deployed as a web-service. It is similar to the older SAS enterprise miner solution except that is it more modern, more functional, supports deep learning models, and exposes clients for Python and R.
"MXNet is a deep learning framework designed for both efficiency and flexibility. It allows you to mix the flavours of symbolic programming and imperative programming together to maximize the efficiency and your productivity. In its core, a dynamic dependency scheduler that automatically parallelizes both symbolic and imperative operations on the fly. A graph optimization layer is build on top, which makes symbolic execution fast and memory efficient. The library is portable and lightweight, and is ready scales to multiple GPUs, and multiple machines." - MXNet GitHub Repository (November 2018)
"neon is Nervana's Python based Deep Learning framework and achieves the fastest performance on many common deep neural networks such as AlexNet, VGG and GoogLeNet. We have designed it with the following functionality in mind: 1) Support for commonly used models and examples: convnets, MLPs, RNNs, LSTMs, autoencoders, 2) Tight integration with nervanagpu kernels for fp16 and fp32 (benchmarks) on Maxwell GPUs, 3) Basic automatic differentiation support, 4) Framework for visualization, and 5) Swappable hardware backends . " - neon GitHub repository (November 2018)
"Theano is a Python library that allows you to define, optimize, and evaluate mathematical expressions involving multi-dimensional arrays efficiently. It can use GPUs and perform efficient symbolic differentiation." - Theano GitHub repository (November 2018). Theano, like TensorFlow and Torch, is more broadly applicable than just Neural Networks. It is a framework for implementing existing or creating new machine learning models using off-the-shelf data-structures and algorithms.
"Torch is a scientific computing framework with wide support for machine learning algorithms . A summary of core features include an N-dimensional array, routines for indexing, slicing, transposing, an interface to C, via LuaJIT, linear algebra routines, neural network, energy-based models, numeric optimization routines, Fast and efficient GPU support, Embeddable, with ports to iOS, Android and FPGA" - Torch Webpage (November 2018). Like Tensorflow and Theano, Torch is more broadly applicable than just Neural Networks. It is a framework for implementing existing or creating new machine learning models using off-the-shelf data-structures and algorithms.
SciKit Learn.
SciKit Learn is a very popular package for doing machine learning in Python. It is built on NumPy, SciPy, and matplotlib Open source, and exposes implementations of various machine learning models for classification, regression, clustering, dimensionality reduction, model selection, and data preprocessing.
As I mentioned, there are now hundreds of machine learning packages and frameworks out there. Before committing to any one solution I would recommend doing a best-fit analysis to see which open source or proprietary machine learning package or software best matches your use-cases. Generally speaking a good rule to follow in software engineering and model development for quantitative finance is to not reinvent the wheel . that said, for any sufficiently advanced model you should expect to have to write some of your own code.
استنتاج.
Neural networks are a class of powerful machine learning algorithms. They are based on solid statistical foundations and have been applied successfully in financial models as well as in trading strategies for many years. Despite this, they have a bad reputation due to the many unsuccessful attempts to use them in practice. In most cases, unsuccessful neural network implementations can be traced back to inappropriate neural network design decisions and general misconceptions about how they work. This article aims to articulate some of these misconceptions in the hopes that they might help individuals implementing neural networks meet with success.
For readers interested in getting more information, I have found the following books to be quite instructional when it comes to neural networks and their role in financial modelling and algorithmic trading.
Some instructional textbooks when it comes to implementing neural networks and other machine learning algorithms in finance. Many of the misconceptions presented in this article are discussed in more detail in Professor Andries Engelbrecht's book, 'An Introduction to Computational Intelligence'
القصة السابقة.
Simulated Annealing for Portfolio Optimization.
قصة المقبلة.
Regression analysis using Python.
Great effort behind this article, Stuart.
Kindly check the email.
Hi Michal, thank you for your email. I'm glad you enjoyed the article, please let me know if you have any suggestions for further material!
November 28, 2017.
A terrific resource.
It would be really illustrative to understand how the example applications mentioned - time-series forecasting, proprietary trading signal generation, fully automated trading (decision making), financial modelling, derivatives pricing, credit risk assessments, pattern matching, and security classification - are solved using neural networks or other machine learning methods. Is there a resource or blog that covers this?
November 28, 2017.
Hi Dinesh, thanks for commenting. I think that online literature for the topic of Neural Networks applied to finance is fragmented. Therefore, it may be worthwhile trying to get a copy a book called "Neural Networks in Finance" by Paul D. McNelis. The book is a bit dated, and probably won't cover all the latest developments in Neural Networks but it will definitely covers most of the applications I mentioned in my blog. Otherwise, the best resources are academic journal articles written on the topic. Journal articles are obviously a bit more technical but there is no better way to learn in my humble opinion. حظا طيبا وفقك الله!
Excellent blog Stuart. well-written, articulate & nuanced in its descriptions.
Thank you very much Faiyaz. I only hope that you and other readers are able to find good applications of the techniques discussed here 🙂
Nice blog Mr Stuart, and thanks for summarizing alot of things. I was working on a neural network for my company inkunzi markets in Sandton, and just finished after 3 months(built from scratch), fuzzy neurons are not as easy to control and build indeed, but rather better when done perfectly interms of pattern recognition and market forecasting. Keep up the good work fellow Quant,
BSc Mathematical Statistics, Physics and Electronics from Rhodes University.
12 يناير 2018.
Hi Brian, thanks for getting in touch. Thank you for the information, I have only read up on the neuro-fuzzy systems but never applied them in practice. I will check them out in more detail this year :).
12 فبراير 2018.
Hi Stu, I am starting a quant invest platform development project here in Beijng based on big data intelligence from market emotion to technical trading signal using, and I am looking for international partner's join, if you have interests, maybe we can schedule a skype chat. Thank you with regards, your personal blog is awesome! جاك.
12 فبراير 2018.
Hi Jack, thank you for the compliments :). I will definitely be in touch, Beijing is an incredible city which I was lucky enough to visit last year for a conference.
Thanks man. I appreciate the comment, that said this article is getting a little bit old now 🙂 so I'm busy working on a more technical follow up with implementation-level detail.
Should come out in the next few months. شكرًا لك مرة أخرى!
Please sign me up for updates.
My concern with neural networks is its ability to handle categorical data. I get the impression that in supervised learning situations, neural networks work best when all your independent variables are numeric (or at least mostly numeric). Is there any truth to this?
Hi Li, you can train neural networks with categorical inputs, usually each potential category forms an individual input into the neural network.
Thanks for the Article. I think this article is a must read for everyone 'new' at this field. As I call this method is a 'breadth-first' learning approach to Introduction to Neural Networks.
اسف على سوء لغتي الانجليزية.
Thank you for the kind words, your English is fine 🙂
Looking for something like this for a while, all i can find are click-bait articles.
Great research! Favorited!
Thanks John; I also really dislike all the mindless click-bait articles out there. This blog is all about content 🙂 - I really need to write more about neural networks though.
Thank you very very much. Your article is amazing especially for the beginner like me. From your article, I get an outline for what Neural Network is, how many kinds of NNs and how to use them properly. Plus, the external resources you provided are excellent too.
Thanks for the kind words Steven. I'm happy to hear that the article was helpful to you 🙂 good luck!
18 سبتمبر 2018.
Great article Stuart. Would you recommend any open source ANN tools that implement the Levenberg Marquardt learning algorithm?
18 سبتمبر 2018.
Hi Ankur. The one package I used a few years ago which offered Levenberg Marquardt (often referred to as LMA) was Encog. I'm sure some of the others offer it as well.
21 سبتمبر 2018.
مادة كبيرة. Neural network and article.
Hi Stuart, Thank you for this article - it was most illuminating!
How do spiking neural networks fit into the overall picture of neural networks? (architecturally speaking and from the point of view of most suitable applications)
Hey Louis, thanks for the comment!
That's an interesting question. Let me preface my response by stating that I have neither worked with nor explicitly studied spiking neural networks.
That said, I have come across them before. Architecturally they are similar to any other neural network except that each individual neuron's complexity is higher like with product unit neural networks - which, by the way, I quite like. This added complexity makes spiking neural networks "more similar" to biological neural networks in the sense that neuron activation is not a continuous process, it is discontinuous. Which is actually how I came across them originally :-): I was researching applications for jump diffusion stochastic processes one of which is modelling the firing rate of neurons in spiking neural networks. But like I said, I haven't worked with them or studied them explicitly and I am not one hundred perfect sure of their use cases.
All I can say us that I am supportive of complex neural network architectures because I believe they may hold the key to more efficient and human-esque intelligence in machines.
My name is Michael. I have read that Neural Network Regression can predict the market more than any other software or strategy. I have a question then; how can i use the neural network in trading, my main concern is the forex market. Is neural network regression a software? ما هذا؟ How can i use it in trading forex? How can it predict or forcaste the price of the eurusd for me?
Am like totally naive on this and i need your help. If its a program software, how can i get one?
Thank you and i anticipate your reply.
Wow, thanks for the excellent write-up. It was incredibly well-researched and articulated. أبقه مرتفعاً!
21 أكتوبر 2018.
I know what you mean, but there's a dichotomy with your title of "10 misconceptions. " and the fact that you listed not the 10 misconceptions but actually the conceptions anti to the ten misconceptions. The reader at first thinks that your list are the misconceptions. Double negative thing going on.
1 ديسمبر 2018.
thank you for the wonderful article, a great resource in deed.
December 3, 2018.
An Amazing article with perfect definitions and clear examples. Great heads up for someone like me, trying to develop a new ANN framework from the scratch.
30 ديسمبر 2018.
Titled as a warning against common knowledge, covered stuff that classical texts didn't. بلوق كبيرة! شكرا لكم!
Thx for great overview article ✔
إرسال تعليق.
إلغاء الرد.
اتبع تورينج المالية.
تورينغ المالية القائمة البريدية.
أصدقاء تورينج المالية.
الكوانتوقراطية هو أفضل التمويل الكمي بلوق مجمع مع وصلات لتحليل جديد نشرت كل يوم.
نمركل هو صندوق التحوط الكمي أنا جزء من. نحن نستخدم آلة التعلم في محاولة للفوز على السوق.