НЕЙРОННОЕ ПРОГНОЗИРОВАНИЕ ФОРЕКС

Лучшие Форекс брокеры 2021:

Как нейронные сети изучают стратегии торговли

Последняя новинка в мире Форекса – нейронные сети, термин, заимствованный у специалистов по системам искусственного интеллекта. С технической точки зрения нейронные сети – это методы анализа, содержащие большое количество блоков обработки данных, соединенных между собой взвешенными вероятностями. Проще говоря, нейронные сети – модель, воспроизводящая в общих чертах механизм работы человеческого мозга и процесс обучения. Несколько десятилетий в сфере искусственного интеллекта нейронная модель использовалась для создания компьютеров, которые «думают» и «учатся», основываясь на результатах своих действий.

В отличии от традиционной структуры данных, нейронные сети принимают несколько потоков данных и производят один результат на выходе. Если есть способ дать количественную оценку данных, есть метод добавления её к факторам, которые рассматриваются при составлении прогноза. Они часто используются в прогнозировании рынка Форекс, так как сети можно настроить на интерпретацию данных и получение выводов.

Прежде, чем как-либо использовать нейронные сети в форекс-прогнозировании, необходимо «обучить» их выявлению и корректировке паттернов, которые возникают между вводом и выводом. Обучение и тестирование может занять достаточно много времени, но оно обеспечивает нейронные сети способностью прогнозировать будущие результаты, основываясь ретроспективных данных. Основная идея в том, что при представлении примеров пар входных и выходных данных, сеть может «научиться» зависимостям и применять такие зависимости к новым данным. Следовательно, сеть может сопоставлять собственные выходные данные (выводы), чтобы выявить, насколько точным был её прогноз, а также вернуться назад и настроить значимость разных зависимостей, пока не получит правильный ответ.

Всё это требует тренировки сети с помощью двух разных наборов данных — набора для обучения и набора для тестирования. Одно из преимуществ нейронных сетей в том, что они могут продолжать процесс обучения, сопоставляя собственные прогнозы с данными, которые постоянно поступают. Нейронные сети также отлично комбинируют технические и фундаментальные данные, используя оба вида наилучшим образом. Их собственной мощности достаточно для выявления паттернов, которые могли остаться неучтенными, и применения этих паттернов для прогнозирования, чтобы получить максимально точный результат на выходе.

К сожалению, это преимущество может быть и недостатком при использовании нейронных сетей для прогнозирования в трейдинге. В конечном счете, выходные данные так же хороши, как входные. Они отлично подходят для корреляции данных, даже если вы вводите огромные объемы информации на входе. Они отлично справляются с выделением паттернов из разнообразных типов информации — даже тогда, когда не существует взаимосвязей и паттернов. Это следующее важное преимущество — способность применять интеллект без эмоцийt — ведь компьютер не имеет эго — но оно может стать и слабостью на волатильном рынке. Когда в системе появляется неизвестный фактор, сложная нейронная сеть не может присвоить такому фактору эмоциональный вес.

TВ настоящее время на рынке существуют десятки торговых платформ для трейдинга на Форексе, которые включают теорию нейронной сети и технологию «обучения» сети вашей системе для того, чтобы она могла составлять прогнозы и генерировать на их основе ордеры на покупку и продажу. Важно помнить о том, что главное правило форекс-трейдинга, применяемое при построении нейронной сети — занимайтесь самообучением и знайте, что делаете. Независимо от того, имеете ли вы дело с техническим анализом, аналитическими показателями, нейронными сетями или собственными эмоциями, единственное, что вы должны помнить – узнавайте как можно больше нового, если хотите добиться успеха.

Лучшие Форекс брокеры 2021:

Прогнозирование валютного курса EUR/USD с использованием нейронных сетей Текст научной статьи по специальности «Компьютерные и информационные науки»

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Абрамов А. В.

Валютный рынок FOREX сегодня является сферой интересов не только крупных компаний, но и многочисленных трейдеров, основная цель деятельности которых – получить прибыль. Основополагающим фактором успеха в этом деле является предсказание будущих котировок. В статье рассматривается нейросетевая модель прогнозирования валютного курса EUR/USD, приводится описание комбинированного алгоритма обучения.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Абрамов А. В.

Текст научной работы на тему «Прогнозирование валютного курса EUR/USD с использованием нейронных сетей»

ПРОГНОЗИРОВАНИЕ ВАЛЮТНОГО КУРСА EUR/USD С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

© 2022 А. В. Абрамов

аспирант каф. программного обеспечения и администрирования информационных систем e-mail: A bramov. saracin@yandex. ru

Курский государственный университет

Валютный рынок FOREX сегодня является сферой интересов не только крупных компаний, но и многочисленных трейдеров, основная цель деятельности которых -получить прибыль. Основополагающим фактором успеха в этом деле является предсказание будущих котировок. В статье рассматривается нейросетевая модель прогнозирования валютного курса EUR/USD, приводится описание комбинированного алгоритма обучения.

Лучшие Форекс брокеры 2021:

Ключевые слова: валютный курс, прогнозирование, нейронные сети, алгоритм имитации отжига.

В последнее время тема «игры» на международном рынке FOREX стала весьма популярной в обществе. В сети Интернет сегодня можно найти множество предложений от брокерских компаний, которые предоставляют клиенту возможность стать участником рынка и получать прибыль от сделок. Без соответствующих инструментов и методов прогнозирования будущих значений валютного курса шансы на успех в данном виде деятельности весьма малы. Ранее было показано, что использование нейронных сетей в подобных задачах обладает рядом неоспоримых достоинств [Абрамов 2022].

Предлагаемая методика прогнозирования состоит из четырех основных этапов:

— предварительный анализ финансового ряда;

Открытый урок «Предсказание временных рядов с помощью нейронных сетей» 16.09.2020

— построение нейросетевой модели;

— обучение нейронной сети по комбинированному алгоритму;

— прогнозирование с помощью обученной нейронной сети.

В качестве прогнозируемого временного ряда в рамках данной статьи выбран финансовый ряд котировок валютного курса EUR/USD, содержащий ежедневные цены закрытия [Архив котировок 2022]. Известно, что в качестве входных и выходных параметров нейронной сети не следует выбирать сами значения котировок C(t). Действительно значимыми для прогнозирования являются их изменения. В силу того, что эти изменения в большинстве случаев «гораздо меньше по амплитуде, чем сами котировки, между последовательными значениями курсов имеется большая корреляция — наиболее вероятное значение курса в следующий момент равно его предыдущему значению» [Ежов 1998: 153].

Наличие таких статистических взаимосвязей в обучающем наборе данных приводит к низкому качеству обучения сети. Для устранения подобного рода корреляций при подготовке входных данных логично выполнить над значениями котировок некоторые преобразования, например вычислить изменения котировок

или логарифм относительного приращения

Рассмотрим график курса БИЯ/ИЗБ с 03.01.2000 по 14.05.2022 (рис. 1) [Архив котировок 2022]. Очевидно, значения котировок ограничены снизу значением 0.8, а сверху 1.6. Вычтя из каждого значения 0.7, мы получим числовой ряд, все значения которого одного порядка и лежат в диапазоне (0;1). Данная историческая особенность котировок БИЯ/ИЗБ позволяет не применять к исходному ряду преобразования (1) или (2), а воспользоваться более простой формулой для получения входных данных нейронной сети:

где xj — входное значение, С; — исходное значение котировки.

Рис. 1. График валютного курса ЕТЖ/иЗБ

Известно, что Европейский центральный банк (ЕЦБ) имеет большое количество финансовых рычагов и оказывает наиболее существенное влияние на курс валюты Еврозоны. Наиболее важным финансовым инструментом ЕЦБ является процентная ставка, при помощи которой регулируются инфляционное давление и темпы экономического роста. Для улучшения качества прогноза данные процентной ставки ЕЦБ добавлены в обучающее множество наряду с котировками БИК/ИББ.

Для решения задачи прогнозирования временного ряда 1к, где k = 0,1. могут

использоваться нелинейные модели вида 2к+\ = Р(гк. гк_п+1), где Р(гк. гк_п+1) —

некоторая нелинейная функция; +1 — прогнозируемое значение ряда; гк. 2к_п+х —

наблюдаемые значения (предыстория ряда); п — порядок модели.

Возможность использования нейронных сетей в прогнозировании временных рядов основывается на теореме об универсальной аппроксимации, которая утверждает, что многослойного персептрона с одним скрытым слоем достаточно для построения равномерной аппроксимации с точностью £ для любого обучающего множества, представленного набором входов (хх,х2. хп) и желаемых откликов /(хх,х2. хп). Однако из теоремы не следует, что один скрытый слой является оптимальным с точки

зрения времени обучения, простоты реализации, а также качества обобщения [Хайкин 2006].

Для прогнозирования финансового ряда в рамках данной статьи использована полносвязная нейронная сеть, в которой каждый нейрон предшествующего слоя имеет связи со всеми нейронами последующего слоя. Пусть на нейрон у поступает поток сигналов от нейронов, расположенных в предыдущем слое, тогда индуцированное локальное поле (^. >(и), полученное на входе функции активации, связанной с данным нейроном, вычисляется по формуле

где m — общее число входов нейрона у, >(и) — синаптический вес, связывающий

выход нейрона і со входом нейрона у на итерации п, (уі)(п) — значение, генерируемое на выходе нейрона і на итерации п. Функциональный сигнал (у >(и) на выходе нейрона у на итерации п равен:

где р^ — функция активации у-го нейрона. Функция активации — непрерывно

дифференцируемая нелинейная функция. В качестве функции активации выбрана функция гиперболического тангенса:

где s — индуцированное локальное поле. Используемая в данной работе сеть содержит 10 входных нейронов, 20 нейронов в скрытом слое и один выходной нейрон. На первые пять нейронов входного слоя подаются цены закрытия EUR/USD в хронологическом порядке, а на оставшиеся нейроны подаются значения процентной ставки ЕЦБ соответственно датам котировок.

Аналитика Форекс: Прогноз движения валютных пар

Для обучения нейронной сети используется комбинация алгоритма обратного распространения ошибки и метода Simulated Annealing (имитация отжига, модельная закалка, далее — SA-алгоритм). Данный метод впервые был разработан Скоттом Киркпатриком в середине 70-х и предназначался для оптимизации проектирования интегральных схем [Heaton 2008]. Идея алгоритма была позаимствована из процесса отжига в металлургии, использующегося для повышения однородности и прочности металла. Данный процесс заключается в нагревании металла до определенной температуры и последующего медленного охлаждения, приводящего к повторной кристаллизации вещества. При высоких температурах атомы обладают высокими уровнями энергии и степенями свободы, что увеличивает их способность к реструктуризации. Последующее медленное охлаждение создает возможность для формирования более прочной и стабильной кристаллической решётки.

В соответствии с физическим процессом SA-алгоритм пытается заменить текущее решение задачи случайным решением с вероятностью, зависящей от разности значений целевой функции начального и нового решения и параметра, условно называемого температурой.

Допускается, что система может перейти в состояние с меньшим значением целевой функции из состояния с большим значением с вероятностью тем большей, чем

больше температура, которая медленно понижается на каждом шаге оптимизации. По завершению процесса система «застывает» в состоянии с минимальной температурой. На рисунке 2 представлена схема БЛ-алгоритма в общем случае.

Рис. 2. Блок-схема БЛ-алгоритма

Нейронные Сети Форекс

В реализации SA-алгоритма, предназначенной для обучения нейронных сетей, под решением понимается набор весовых коэффициентов нейронов, а в качестве целевой функции выступает функция ошибки сети [Heaton 2008]. Шаг изменения температуры вычисляется по формуле

где Ь — начальная температура, е — конечная температура, с — количество циклов. В рамках данного эксперимента выбраны следующие параметры: Ь=10; е =2; с = 100.

Идея комбинирования алгоритмов заключается в следующем: обучение

начинается с помощью алгоритма обратного распространения ошибки, как только ошибка перестает уменьшаться в течение определенного количества итераций, происходит переключение на БЛ-алгоритм, который пытается решить проблему локального минимума, затем процесс снова возвращается к алгоритму обратного распространения ошибки. Обучение заканчивается после достижения целевого значения ошибки сети.

Для обучения сети были выбраны цены закрытия пары ЕЦКУиЗБ с 19.03.2008 по 01.05.2022 [Архив котировок 2022] и соответствующие им процентные ставки ЕЦБ [Ставка ЕЦБ 2022]. Эксперимент проводился с помощью программы, разработанной на языке С#, в которой для ускорения работы предусмотрен запуск процессов обучения и прогнозирования в отдельных потоках. В результате нескольких попыток удалось обучить нейронную сеть с ошибкой 3,5%. Процесс тренировки прошел за 3488 итераций. График зависимости величины ошибки от номера шага обучения приведен на рисунке 3.

0 500 1000 1500 2000 2500 3000 3500

—Алгоритм обратного распространения ошибки ♦ БА-алгоритм

Рис. 3. Зависимость ошибки от номера итерации

Точками отмечены места переключения алгоритма обратного распространения ошибки на БЛ-алгоритм. Как видно из графика, комбинация указанных методов в данном случае оправдала себя и обеспечила сходимость процесса тренировки нейронной сети.

В качестве проверочного множества нейронной сети были выбраны цены закрытия ЕЦК/иЗБ с 02.05.2022 по 10.05.2022 [Архив котировок 2022]. Результат прогнозирования цен указанного периода с помощью обученной нейронной сети приведен на рисунке 4. Среднеквадратичная ошибка прогноза составила 7,3%. В трех случаях из шести нейронная сеть верно предсказала направление движения дневной цены, а также правильно предсказала нисходящий недельный тренд.

01.05.2022 03.05.2022 05.05.2022 07.05.2022 09.05.2022 11.05.2022

—•—Реальный курс Прогноз

Рис. 4. Прогноз нейронной сети

В целом точность прогноза в данном эксперименте недостаточно высока для принятия серьезных решений в реальной торговле, однако полученный результат может быть улучшен за счет более глубокого анализа исходного финансового временного ряда и тщательной подготовки входных данных, использования так называемых «комитетов» сетей и более содержательных экономических индикаторов. Применение нейронных сетей в задачах прогнозирования имеет большой потенциал, который ещё только предстоит раскрыть.

Абрамов А. В. Перспектива применения нейронных сетей для прогнозирования валютного рынка FOREX // Применение инновационных технологий в научных исследованиях: сб. науч. ст. по материалам Междунар. науч.-практ. конф. / редкол.: А. В. Филонович (отв. ред.) [и др.]. Курск: Юго-Зап. гос. ун-т, 2022. С. 194.

Архив котировок [Сайт]. URL: http://www.fibo.ru/trader/download_quotes.html (дата обращения 20.05.2022).

Ежов А. А., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998. 224 с.

Ставка ЕЦБ [Сайт]. URL: http://quote.rbc.ru/macro/indicator/22/169.shtml (дата

Хайкин С. Нейронные сети: полный курс, 2-е изд.: пер. с англ. М.:Издательский дом «Вильямс», 2006. 1104 с.

Heaton J. Introduction to Neural Networks for C#, 2 Ed., 1st printing, Heaton Research, Inc, 2008. 428 p.

НЕЙРОННОЕ ПРОГНОЗИРОВАНИЕ ФОРЕКС

Нейросетевая методология находит все новые успешные применения в практике управления и принятия решений, в том числе — в финансовой и торговой сферах. Лежащая в ее основе теория нелинейных адаптивных систем доказала свою полезность при выработке прогнозов в целом ряде отраслей экономики и финансов. Целью данной работы является изучение опыта специалистов в области прогнозирования финансовых рынков с использованием искусственных нейросетей, а также разработка собственных подходов к прогнозированию рынка FOREX и проектированию торговых систем, пригодных для использования в торговом зале.

Для достижения поставленной цели в работе выполняются опыты для определения этапов процесса решения задачи прогнозирования, которые нуждаются в автоматизации, и на основе полученных результатов предлагается концептуальная схема системы прогнозирования финансовых рынков, базирующейся на технологии нейронных сетей.

Результаты применения нейронных сетей для решения задач прогнози¬рования курсов валют в данной работе показали, что статическая нелинейная система может быть настроена так, чтобы выполнять анализ валютных рынков и прогнозировать курсы валют.

Финансовые рынки последние десять лет переживают период бурного развития и глобализации связей. Наряду с крупными национальными фондовыми, фьючерсными, валютными биржевыми рынками, появились рынки мирового масштаба. Типичный современный финансовый рынок FOREX, например, сегодня представляет собой всемирную сеть банков, инвестиционных фондов и брокерских домов, которая включает в себя связанную компьютерную инфраструктуру, обслуживающую клиентов, торгующих валютами, заключающих спекулятивные сделки для того, чтобы получить прибыль от ежесекундно изменяющихся курсов валют. Уже сейчас ежедневный оборот на рынке FOREX превышает один триллион долларов, согласно прогнозам экспертов он будет развиваться и дальше.

Известно, что около 99% всех сделок на финансовых рынках — спекулятивные, т.е. заключаемые исключительно с целью извлечения прибыли по схеме «купить дешевле — продать дороже». Все они основаны на предсказаниях изменений котировок участниками рынка. Для эффективного анализа рынка требуются соответствующие современным требованиям экономико-математические методы. Сегодня огромное количество ученых работают в области разработки методов прогнозирования финансовых рынков. Таким образом, исследования в области биржевых рынков — актуальное и перспективное направление деятельности и будет оставаться таковым в течение довольно долгого периода времени.

Системы базирующиеся на искусственных нейронных сетях в последние годы все активнее используются для прогнозирования финансовых рынков. Отличие этого подхода от стандартных состоит в том, что он позволяет сделать систему самообучаемой, что особенно важно для трудноформализуемых задач. Благодаря возможности работы с «зашумленными» данными система получается гибкой и, хотя обычно не решает задачу со 100%-ной точностью, может принести значительную прибыль для приложений финансовой сферы.

Интеллектуальные системы на основе искусственных нейронных сетей позволяют с успехом решать задачи прогнозирования. Известны и иные, более традиционные подходы к решению этой проблемы, такие как классический технический анализ, анализ фундаментальных факторов, регрессионный и корреляционный анализ и т.п., однако они не обладают необходимой гибкостью за пределами ограниченных условий.

Искусственные нейронные сети дают многообещающие альтернативные решения. Целью данной работы является изучение опыта специалистов в области прогнозирования финансовых рынков с использованием искусственных нейросетей, а также разработка собственных подходов к прогнозированию рынка FOREX и проектированию торговых систем, пригодных для использования в торговом зале.

Для достижения поставленной цели в дипломной работе решаются следующие задачи:
а) проведение обзора специализированной литературы, ресурсов глобальной сети Интернет, а также рынка программных средств, реализующих нейросетевые принципы для решения задач прогнозирования;
б) постановка и выполнение оптов с целью определения этапов процесса решения задачи прогнозирования, которые нуждаются в автоматизации; сделать выводы по результатам опытов;
в) на основе полученных результатов разработать концептуальную схему системы прогнозирования финансовых рынков, базирующейся на технологии нейронных сетей.

Работа основана на методологии, изложенной в специализированной литературе, журнальных публикациях и ресурсах глобальной сети Интернет.

Прогнозирование курсов валют на рынке ForEx. Павел

Download Прогнозирование курсов валют на рынке ForEx. Павел.

Description

œÂ‚˚È ÌÂÁ‡‚ËÒËÏ˚È ÊÛÌ‡Î Ó ÚÂȉË̄ ̇ ÛÒÒÍÓÏ ˇÁ˚ÍÂ

Прогнозирование курсов валют на рынке Forex œ‡‚ÂÎ œ‡ÌÙËÎÓ‚ [email protected]

Главная задача любого инвестора — купить дешевле и продать дороже. Чем выше изменчивость цен актива, тем больше имеется возможностей для проведения выигрышных стратегий торговли, но они сопряжены с высоким риском. Ключевым

Нейронные сети как инструмент прогнозирования Начиная с 80-х годов, для решения экономических задач широкое распространение получили нейронные сети. Использование нейросетей обусловлено их способностью работать с противоречивыми и зашумленными данными. Нейросеть представляет собой вычислительный алгоритм, функционирующий наподобие мозга, который состоит из простейших вычислительных элементов — искусственных нейронов. Каждый такой элемент вычисляет взвешенную сумму своих входов x (с весами w) и производит нелинейное преобразование F. Таким образом, выход нейрона вычисляется по следующей формуле:

Основной этап работы с нейросетью это ее обучение. На данном этапе определяются веса для каждого нейрона. При обучении происходит прогон множества примеров через сеть с коррекцией весов нейронов и с указанием значений, которые подаются на вход, и значений, которые должны быть получены на выходе нейросети. В процессе обучения происходит подстройка (коррекция) весов 16

—Ó‚ÂÏÂÌÌ˚È ÚÂȉËÌ„ n π 1 2001

вопросом при этом является определение направления, величины и волатильности (изменчивости) будущих цен на основе прошлых данных. В статье дается пример прогноза курсов валют на рынке Forex, полученного с применением нейронных технологий.

нейронов таким образом, чтобы уменьшить функцию ошибки, которая равна разности выхода нейросети и требуемого выходного значения. В общем случае нейронные сети могут решать как задачи классификации (разделения входных примеров на заданное число классов), так и задачи аппроксимации (предсказания непрерывных функций). Второй класс задач нашел широкое применение при анализе временных рядов. Задача анализа временных рядов заключается в том, чтобы извлечь из них полезную информацию с конечной целью предсказания будущих значений на основе предыдущих. Такой подход строится на предположении, что временной ряд имеет определенную математическую структуру. Эта структура существует в так называемом фазовом пространстве, координатами которого являются независимые переменные, описывающие поведение системы в целом. Поэтому главная проблема, которую необходимо решить, — это определение фазового пространства. Для этого нужно выбрать наиболее важные характеристики системы в качестве фазовых переменных (например, индикаторы технического анализа). Нейронные сети дают дополнительные возможности в моделировании не-

линейных явлений и распознавании их хаотического поведения. Благодаря своей гибкости они могут «ухватить» самые разные структуры в фазовом пространстве. Способность обобщения и определения скрытых закономерностей является уникальным свойством нейросетей и позволяет их использовать в трудноформализуемых финансовых задачах. В настоящее время рынок Forex получил широкое распространение в России. Это обусловлено его высокой ликвидностью и малой стоимостью входа (средний страховой депозит в российском дилинге 1000–2000 USD). Поэтому представляется актуальной задача прогнозирования курсов валют, торгуемых на рынке Forex. В этой статье дан общий подход и оценка результатов прогнозов курсов валют с использованием нейронных сетей. Определение объекта прогноза На рынке Forex можно проводить прогнозирование цен: закрытия (Close), максимальной (High) и минимальной (Low). Качество получаемого прогноза, скорее всего, будет различным для каждой из них. Для подтверждения этого тезиса проведем тренировку трех простых нейросетей, выходы которых и спрогнозируют эти цены. Внутренний слой каж-

www.m-trading.ru дой обучаемой сети состоит из трех нейронов с нелинейной активационной (выходной) функцией. В качестве временного ряда взят часовой график швейцарского франка (CHF), для которого и строился прогноз. Для тренировки было взято 3000 часовых баров. Нейросеть обучалась в течение 2000 эпох (проход по множеству данных), с использованием метода калибровки. Этот метод предполагает разбиение всего множества примеров на обучающее и тестовое, при этом обучение производится на обучающем множестве, а контроль за качеством примеров на тестовом. Использованный метод калибровки является эффективным методом борьбы с переобучением нейросети. Результаты прогнозов изображены на рис. 1. Из рис. 1 видно, что наиболее эффективным представляется прогнозирование максимальной и минимальной цены бара. Это подтверждается статистическим анализом ряда ошибок, результаты которого приведены в табл. 1. Наихудшей прогнозируемостью обладают цены закрытия бара (Close). Для сравнения в таблице также приведены статистические характеристики прогноза, построенного на повторении своего предыдущего значения. Фактически стандартное отклонение для прогноза цены закрытия и прогноза типа «Сегодня как вчера» близки, и из этого можно сделать вывод о плохой прогнозируемости цен закрытия бара. Цена закрытия почти не прогнозируется. Это можно объяснить тем, что при круглосуточном рынке (Forex работает 24 часа) цены открытия и закрытия бара дают мало информации о динамике рынка. Они зависят от того, как «нарезаны» бары (что было взято за первую точку). В свою очередь, цена закрытия является последней сделкой на прогнозируемом интервале и поэтому мало зависит от предыдущих значений. Ее не нужно использовать как объект прогнозирования.

AnalyzerNeuralNetwork — Самый прибыльный бот. Обеспечит заработок на форекс.

на, и ее решение проводится различными эвристическими алгоритмами. Один из эффективных и малоизвестных в России методов определения множества входов предполагает использование самоорганизующихся карт Кохонена (T. Kohonen). Эта парадигма нейронных сетей использует обучение «без учителя» и при-

графическими картами (отсюда и название — карты Кохонена). Такая самоорганизующаяся карта в процессе обучения проводит группировку входных примеров по группам схожих, то есть проводит задачу кластеризации многомерных данных. Это позволяет понять внутренние зависимости временного ряда.

–ËÒ. 1 меняется для визуализации многомерных данных. Особенностью карты Кохонена является представление выходного

Основная идея использования карт состоит в том, чтобы подать на вход некоторое множество индикаторов (будущих

Определение состава входов нейросети Самым важным моментом при проектировании нейронной сети является определение состава ее входов (фазовых переменных), которые наиболее полно описывают поведение системы. При правильно подобранном составе нейросеть будет очень эффективно прогнозировать курсы валют на рынке Forex. В настоящее время задача определения состава входов математически не реше-

–ËÒ. 2 слоя нейронов в виде одномерной или двумерной сетки нейронов, в которой каждый из них имеет свои координаты. Эти координаты используются при обучении карты. Для большей наглядности сетку раскрашивают по аналогии с топо-

входов нейросети) и обучить карту Кохонена на них. Далее проводится их визуальный анализ на предмет поиска скрытых закономерностей, и таким образом определяется оптимальный состав входов нейросети. π 1 2001 n

Forex, прогнозирование рынка.

œÂ‚˚È ÌÂÁ‡‚ËÒËÏ˚È ÊÛÌ‡Î Ó ÚÂȉË̄ ̇ ÛÒÒÍÓÏ ˇÁ˚ÍÂ

На рис. 2 приведен пример карты (размер 50∗50 нейронов), которая получена при обучении на данных из первого при-

не являются исключением, и при их использовании необходимо помнить об ошибках прогноза.

ка прогноза составила очень большую величину. Это обусловлено тем, что нейросеть при расчете прогноза не знала о

“‡·Îˈ‡ 1 œÓ„ÌÓÁ High Low Close —Â„Ó‰Ìˇ Í‡Í ‚˜Â‡

ƒËÒÔÂÒˡ 0.0000036174 0.0000049034 0.0000069029 0.0000071148

мера. Каждый из входов (в нашем случае это индикатор теханализа) имеет свою карту. Визуальный анализ этих карт дает нам требуемую информацию. Схожесть начертания карт определяет и схожесть индикаторов. Такие входы необходимо очень аккуратно использовать в качестве входов обычной нейросети. Если карта имеет равномерную закраску с несколькими «выбросами», то такой вход должен быть предварительно специальным образом нормирован, чтобы сгладить эти области. Если поверхность карты сильно изрезана и является очень неравномерной то, скорее всего, этот вход не несет никакой полезной информации и надо отказаться от его использования. Дополнительно, карты Кохонена предоставляют механизмы для анализа временных рядов, такие как «поиск соседей» и траектория движения. К сожалению, рамки статьи не позволяют осветить эти методы анализа данных. Удачи и ошибки нейронных сетей При использовании любого инструмента анализа у пользователя всегда возникает вопрос о возможности его применения в конкретной ситуации. Нейросети

—Ó‚ÂÏÂÌÌ˚È ÚÂȉËÌ„ n π 1 2001

Прогноз котировок фьючерса Газпрома, методом нейросетевого прогнозирования.

—ڇ̉‡ÚÌÓ ÓÚÍÎÓÌÂÌË 0.0019019345 0.0022143565 0.0026273376 0.0026673511

—ڇ̉‡Ú̇ˇ ӯ˷͇ 0.0000344386 0.0000400957 0.0000475736 0.0000482981

Все ошибки нейронных сетей при прогнозировании связаны с недостатком информации о прогнозируемой системе и событиями, произошедшими внутри

Нейронные Сети Форекс [Нейронные Сети Форекс]

начавшейся интервенции. При расчете на следующие бары нейросеть уже получала информацию об интервенции в виде цен за последний бар, и прогнозы были значительно лучше. Фактически нейросеть правильно спрогнозировала «переходный» процесс после интервенции Европейского банка по евро. Для уменьшения такого рода ошибок необходимо давать дополнительную информацию на вход нейросети о фундаментальных событиях, происходящих на рынке. Одним из способов для этого является использование технологии ExpertLine. При ее использовании на вход помимо стандартного набора подается субъективное мнение трейдера о ситуации на рынке. Использование технологии ExpertLine позволяет получить очень малые ошибки прогнозов и корректировать прогнозы по мере развития ситуации на рынке.

прогнозируемого интервала. На рис. 3 приведена типичная ошибка нейросетевого прогноза. В начале прогнозируемого часа началась интервенция Европейского банка по евро, что привело к сильному изменению курса швейцарского франка. Ошиб-

Современные финансовые рынки Характер рынке Forex, как впрочем и любого другого, связан с его формальными и неформальными установками, а также сложившейся практикой, предвзятыми мнениями, тенденциями и психологическими барьерами. Все это делает возможным существование закономерностей в поведении рыночных цен, и эти закономерности можно предсказать. Нейронные сети предлагают совершенно новые многообещающие возможности для инвесторов, которым по роду своей деятельности приходится решать задачи в условиях небольших априорных знаний о среде. Характер финансовых рынков драматическим образом меняется с тех пор, как вследствие ослабления контроля, приватизации и появления новых финансовых инструментов национальные рынки слились в общемировые, а в большинстве секторов рынка возросла свобода финансовых операций. Успех на этих рынках будет сопутствовать тем инвесторам, которые идут в ногу со временем и используют в своей работе новейшие технологии. n

Прогнозирование фондового рынка с использованием нейронных сетей

В современном мире всё с большей остротой проявляется интерес к качественному прогнозированию финансовых рынков. Это связано с быстрым развитием высоких технологий и, соответственно, с появлением новых инструментов анализа данных. Однако тот технический анализ, которым привыкли пользоваться большинство участников рынка, не эффективен. Прогнозы на основе экспоненциальных скользящих средних, осцилляторах и прочих индикаторах не дают ощутимый результат, т.к. экономика часто бывает иррациональна, потому что движима иррациональными мотивациями людей.

В последние годы, у финансовых аналитиков стали вызывать большой интерес так называемые искусственные нейронные сети – это математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Впоследствии эти модели стали использовать в практических целях, как правило, в задачах прогнозирования. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным, тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов.

Рассмотрим на практике применение метода прогнозирования с помощью нейронных сетей. Для примера возьмём данные индекса ММВБ в период с 01.10.2008 по 03.04.2009. Задача состоит в том, что на основе представленной статистической информации необходимо сделать прогноз на 10 дней. Как видно из графика (рис.1), с 01.10.08 по 28.10.08 индекс ММВБ «просел» примерно на 534 пункта. После чего последовал рост до максимальной отметки в 871 пункт. Далее, некоторое время, рынок находился в боковом тренде, затем наметилась восходящая тенденция. В данном примере будем строить прогноз для одной переменной (остальные аналогично), но для того, чтобы выбрать ту из четырех переменных, которая наиболее сильно поможет спрогнозировать остальные, построим корреляционную матрицу.

Итак, построив матрицу парных корреляций (табл.1), делаем вывод о том, что переменная LOW наиболее сильно коррелирует с остальными. Займёмся прогнозом данной переменной.

Нелинейные по своей сути нейронные сети, позволяют с любой степенью точности аппроксимировать произвольную непрерывную функцию, не взирая на отсутствие или наличие какой-либо периодичности или цикличности. Поскольку временной ряд представляет собой непрерывную функцию (на самом деле нам известно значение этой функции лишь в конечном числе точек, но её можно легко непрерывно продолжить на весь рассматриваемый отрезок), то применение нейронных сетей вполне оправдано и корректно.

Построим тысячу нейронных сетей различной конфигурации в пакете STATISTICA, обучим их, а затем выберем десять наилучших.

В результате идентификации процесса построения сетей мы получили следующие результаты: выбранные сети, как можно заметить, имеют различные конфигурации (табл.2).

В результате обучения была найдена нейронная сеть, соответствующая модели 7 (рис.2) с хорошей производительностью (регрессионное отношение: 0,253628, ошибка: 0,003302). Нетрудно заметить, что производительность сетей с архитектурой Радиально Базисной Функции (РБФ) в среднем хуже производительности сетей с архитектурой Многослойно персептрона. Во многом это объясняется тем, что сети с архитектурой РБФ плохо экстраполируют данные (это связано с насыщением элементов скрытой структуры). Для оценки правдоподобности модели 7 построим гистограмму частот (рис.3). Данная гистограмма является самой симметричной по сравнению с другими моделями. Это подтверждает стандартные предположения о нормальности остатков. Следовательно, модель 7 больше всего подходит для данного временного ряда.

Осуществим проекцию для прогнозирования временного ряда. В результате имеем прогноз (рис.4, табл.3). Как видно из графика, нейронная сеть верно спрогнозировала направление тренда. Однако, требовать от этого метода анализа более точных данных, особенно в период мирового экономического кризиса как минимум некорректно.

Как и предполагалось, нейронные сети дали хороший результат. Во многом это обусловлено сложностью и нелинейностью структуры данного ряда, тогда как классические методы рассчитаны на применение к рядам с более заметными и очевидными структурными закономерностями. Но даже, несмотря на все видимые положительные качества нейронных сетей не стоит считать их некоей «панацеей». Во-первых, нейронные сети являются «черным ящиком», который не позволяет в явном виде определить вид зависимостей между членами ряда. Таким образом, конкретную нейронную сеть можно «научить» строить прогноз лишь на строго фиксированное количество шагов вперед (которое мы указываем в спецификации этой сети), следовательно, имеет место сильная зависимость от вида задачи. Во-вторых, при наличии явной линейности, простоты структуры в задаче, способность нейронных сетей к обобщению оказывается более слабой по отношению к классическим методам. Объясняется это как раз нелинейностью сетей по своей сути.

В общем случае для достижения наилучшего результата необходимо использовать нейронные сети вкупе с грамотной стратегией управления капиталом.

Список использованной литературы:

1. Э.А.Вуколов. Основы статистического анализа. Издательство «Форум», Москва
2008г.
2. В. Боровников. STATISTICA: искусство анализа данных на компьютере. 2003г.
3. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций. Изд.
Сезам, 2002г.
Ранее статья публиковалась в материалах 3-ей региональной научной конференции ВолгГТУ в 2009 году (Том 3).

Прогнозирование цен с помощью нейронных сетей

В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях — бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами:

  • Богатые возможности. Нейронные сети — исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по свой природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна, линейные модели работают плохо. Кроме того, нейронные сети справляются с «проклятием размерности«, которое не позволяет моделировать линейные зависимости в случае большого числа переменных
  • Простота в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейро-биологических моделей может привести к созданию действительно мыслящих компьютеров.[1]

Предсказание финансовых временных рядов — необходимый элемент любой инвестиционной деятельности. Сама идея инвестиций — вложения денег сейчас с целью получения дохода в будущем — основывается на идее прогнозирования будущего. Соответственно, предсказание финансовых временных рядов лежит в основе деятельности всей индустрии инвестиций — всех бирж и небиржевых систем торговли ценными бумагами.

Известно, что 99% всех сделок — спекулятивные, т.е. направлены не на обслуживание реального товарооборота, а заключены с целью извлечения прибыли по схеме «купил дешевле — продал дороже». Все они основаны на предсказаниях изменения курса участниками сделки. Причем, что немаловажно, предсказания участников каждой сделки противоположны друг другу. Так что объем спекулятивных операций характеризует степень различий в предсказаниях участников рынка, т.е. реально — степень непредсказуемости финансовых временных рядов.

Это важнейшее свойство рыночных временных рядов легло в основу теории «эффективного» рынка, изложенной в диссертации Луи де Башелье (L.Bachelier) в 1900 г. Согласно этой доктрине, инвестор может надеяться лишь на среднюю доходность рынка, оцениваемую с помощью индексов, таких как Dow Jones или S&P500 для Нью-Йоркской биржи. Всякий же спекулятивный доход носит случайный характер и подобен азартной игре на деньги (а что то в этом есть, не находите?). В основе непредсказуемости рыночных кривых лежит та же причина, по которой деньги редко валяются на земле в людных местах: слишком много желающих их поднять.

Теория эффективного рынка не разделяется, вполне естественно, самими участниками рынка (которые как раз и заняты поиском «упавших» денег). Большинство из них уверено, что рыночные временные ряды, несмотря на кажущуюся стохастичность, полны скрытых закономерностей, т.е. в принципе хотя бы частично предсказуемы. Такие скрытые эмпирические закономерности пытался выявить в 30-х годах в серии своих статей основатель волнового анализа Эллиот (R.Elliott).

В 80-х годах неожиданную поддержку эта точка зрения нашла в незадолго до этого появившейся теории динамического хаоса. Эта теория построена на противопоставлении хаотичности и стохастичности (случайности). Хаотические ряды только выглядят случайными, но, как детерминированный динамический процесс, вполне допускают краткосрочное прогнозирование. Область возможных предсказаний ограничена по времени горизонтом прогнозирования, но этого может оказаться достаточно для получения реального дохода от предсказаний (Chorafas, 1994). И тот, кто обладает лучшими математическими методами извлечения закономерностей из зашумленных хаотических рядов, может надеяться на большую норму прибыли — за счет своих менее оснащенных собратьев.

В последнее десятилетие наблюдается устойчивый рост популярности технического анализа — набора эмпирических правил, основанных на различного рода индикаторах поведения рынка. Технический анализ сосредотачивается на индивидуальном поведении данного финансового инструмента, вне его связи с остальными ценными бумагами. Но технический анализ очень субъективен и плохо работает на правом краю графика – именно там, где нужно прогнозировать направление цены. Поэтому все большую популярность приобретает нейросетевой анализ, поскольку в отличие от технического, не предполагает никаких ограничений на характер входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных инструментов. Недаром нейросети активно используют именно институциональные инвесторы (например, крупные пенсионные фонды), работающие с большими портфелями, для которых особенно важны корреляции между различными рынками.

Нейросетевое моделирование в чистом виде базируется лишь на данных, не привлекая никаких априорных соображений. В этом его сила и одновременно — его ахиллесова пята. Имеющихся данных может не хватить для обучения, размерность потенциальных входов может оказаться слишком велика.

Поэтому для хорошего прогноза нужно пользоваться во-первых, очень качественно подготовленными данными, а во-вторых, нейропакетами с большой функциональностью.

Подготовка данных

Для начала работы нужно подготовить данные, от правильности этой работы зависит 80% успеха.

Гуру говорят, что в качестве входов и выходов нейросети не следует выбирать сами значения котировок Ct. Действительно значимыми для предсказаний являются изменения котировок. Поскольку эти изменения, как правило, гораздо меньше по амплитуде, чем сами котировки, между последовательными значениями курсов имеется большая корреляция — наиболее вероятное значение курса в следующий момент равно его предыдущему значению C(t+1)=C(t)+delta(C)=C(t).

Между тем, для повышения качества обучения следует стремиться к статистической независимости входов, то есть к отсутствию подобных корреляций. Поэтому в качестве входных переменных логично выбирать наиболее статистически независимые величины, например, изменения котировок delta(С) или логарифм относительного приращения log(C(t)/C(t+1)).

Последний выбор хорош для длительных временных рядов, когда уже заметно влияние инфляции. В этом случае простые разности в разных частях ряда будут иметь различную амплитуду, т.к. фактически измеряются в различных единицах. Напротив, отношения последовательных котировок не зависят от единиц измерения, и будут одного масштаба несмотря на инфляционное изменение единиц измерения. В итоге, большая стационарность ряда позволит использовать для обучения большую историю и обеспечит лучшее обучение.

Отрицательной чертой погружения в лаговое пространство является ограниченный «кругозор» сети. Технический анализ же, напротив, не фиксирует окно в прошлом, и пользуется подчас весьма далекими значениями ряда. Например, утверждается, что максимальные и минимальные значения ряда даже в относительно далеком прошлом оказывают достаточно сильное воздействие на психологию игроков, и, следовательно, должны быть значимы для предсказания. Недостаточно широкое окно погружения в лаговое пространство не способно предоставить такую информацию, что, естественно, снижает эффективность предсказания. С другой стороны, расширение окна до таких значений, когда захватываются далекие экстремальные значения ряда, повышает размерность сети, что в свою очередь приводит к понижению точности нейросетевого предсказания — уже из-за разрастания размера сети.

Выходом из этой, казалось бы, тупиковой ситуации являются альтернативные способы кодирования прошлого поведения ряда. Интуитивно понятно, что чем дальше в прошлое уходит история ряда, тем меньше деталей его поведения влияет на результат предсказаний. Это обосновано психологией субъективного восприятия прошлого участниками торгов, которые, собственно, и формируют будущее. Следовательно, надо найти такое представление динамики ряда, которое имело бы избирательную точность: чем дальше в прошлое — тем меньше деталей, при сохранении общего вида кривой.

Весьма перспективным инструментом здесь может оказаться вейвлетное разложение (wavelet decomposition). Оно эквивалентно по информативности лаговому погружению, но легче допускает такое сжатие информации, которое описывает прошлое с избирательной точностью.

Выбор программного обеспечения

Для работы с нейросетями предназначено множество специализированных программ, одни из которых являются более-менее универсальными, а другие – узкоспециализированными. Проведем краткий обзор некоторых программ :

1. Matlab – настольная лаборатория для математических вычислений, проектирования электрических схем и моделирования сложных систем. Имеет встроенный язык программирования и весьма богатый инструментарий для нейронных сетей – Anfis Editor (обучение, создание, тренировка и графический интерфейс), командный интерфейс для программного задания сетей, nnTool – для более тонкой конфигурации сети.

2. Statistica – мощнейшее обеспечение для анализа данных и поиска статистических закономерностей. В данном пакете работа с нейросетями представлена в модуле STATISTICA Neural Networks (сокращенно, ST Neural Networks, нейронно-сетевой пакет фирмы StatSoft), представляющий собой реализацию всего набора нейросетевых методов анализа данных.

3. BrainMaker – предназначен для решения задач, для которых пока не найдены формальные методы и алгоритмы, а входные данные неполны, зашумлены и противоречивы. К таким задачам относятся биржевые и финансовые предсказания, моделирование кризисных ситуаций, распознавание образов и многие другие.

4. NeuroShell Day Trader — нейросетевая система, которая учитывает специфические нужды трейдеров и достаточно легка в использовании. Программа является узкоспециализированной и как раз подходит для торговли, но по своей сути слишком близка к черному ящику.

5. Остальные программы являются менее распространенными.

Для первичной работы вполне подойдет Matlab, в нем и будем пытаться определить степень пригодности нейросетей для прогнозирования рынка Forex.

Ознакомиться с комплексом MatLab можно в википедии https://ru.wikipedia.org/wiki/MATLAB

Много материалов по программе предоставлено на сайте http://matlab.exponenta.ru/

Эксперимент

Подготовка данных

Данные очень удобно можно получить стандартными средствами MetaTrader:

Сервис -> Архив котировок -> Экспорт

В результате получаем файл в формате *.csv, который является первичным сырьем для подготовки данных. Для преобразования полученного файла в удобный для работы файл *.xls нужно произветси импорт данных из файла *.csv. Для этого в excel нужно произвести следующие махинации:

Данные -> Импорт внешних данных -> Импортировать данные и указать подготовленный первичный файл. В мастере импорта все необходимые действия выполняются в 3 шага:

На 3 шаге необходимо поменять разделитель целой и дробной части на точку, делается это при нажатии кнопки Подробнее…

Для того чтобы данные были восприняты как цифры, а не как строки, нужно поменять разделитель целой и дробной части на точку:

Сервис -> Параметры -> Международные -> Разделитель целой и дробной части.

На скриншотах показан пример сохранения цен открытия и закрытия, остальные данные пока не нужны.

Теперь данные надо преобразовать в соответствии с тем, что и как мы хотим прогнозировать. Составим прогноз цены закрытия будущего дня по четырем предыдущим (данные идут в пяти столбцах, цены в хронологическом порядке).

Нейронные сети в трейдинге на Форекс

В данном материале мы расскажем про нейронные сети в трейдинге, их плюсы и минусы, а также затронем тему их применения на рынке Форекс.

Не так давно в форекс-экспертах начали применять нейронные сети. Их можно считать последним нововведением, которое было сделано участниками трейдинга.

Вообще термин нейронные сети – был позаимствован из области искусственного интеллекта. С технической точки зрения это понятие означает имитацию механизмов работы человеческого мозга. Главной особенностью является то, что нейронные сети в трейдинге имеют навык обучения на основании того, что уже было сделано.

Суть нейронных сетей

Применение нейронных сетей на рынке Форекс даёт возможность изъять из нескольких потоков данных один результат.

Перед тем, как осуществлять применение нейронных сетей в трейдинге, сначала их нужно обучить находить и корректировать паттерны. Отметим, что процесс обучения, а также тестирование – достаточно ёмкий процесс. Но в будущем эта сеть сможет эффективно прогнозировать тенденцию, отталкиваясь от полученных навыков. То есть, сеть будет постоянно сравнивать новые данные с уже имеющимися в её базе. По результатам этого сопоставления будет делаться прогноз.

В качестве обучения (тренировки) нейронные сети Форекс применяют в анализе сразу два вида данных: для обучения и тестирования.

Нейронные сети для предсказание временных рядов (Задача регрессии)

Преимущества нейронных сетей

Существенным плюсом нейросетей является тот факт, что обучение у них происходит на постоянной основе за счёт новых данных и уже имеющихся прогнозов.

Отметим, что нейросети в дополнение ко всему умеют комбинировать технические и фундаментальные данные, что позволяет их оптимально применять.

Таким образом, нейронные сети Форекс обладают определёнными навыками, позволяющими определять на рынке неучтённые паттерны Price Action и применять их в составлении прогнозных данных, добиваясь максимально точного результата.

Недостатки нейронных сетей

На выходе нейросети могут предоставлять такую же информацию, которую они получают на входе. Недостаток также кроется в применении интеллекта без человеческих эмоций. Ведь на рынке могут происходить высокая волатильность по тем или иным валютным парам, что вызвано внезапным эмоциональным фактором.

Применение искусственных нейронных сетей (ИНС) в трейдинге — Перцептрон. Торговая стратеги FX

Кстати, в наше время написано много автоматических торговых роботов, которые в своей работе применяют нейронные сети Форекс. Вместе с тем, их не стоит считать Граалем, которые все так ищут и не могут найти. Есть основное правило, без которого применение нейронных сетей в трейдинге будет не эффективным. Постоянно нужно заниматься обучением системы, тестировать её и проводить должную оптимизацию советника. Только так можно достичь успеха.

Нейронные сети не работают?

Существует определённая категория трейдеров Форекс, которые убеждены, что нейросети попросту не работают.

Нейронные сети уже давно успешно применяются во всех сферах деятельности человека. Также её используют для прогнозирования.

Что мешает дать точный прогноз по акциям и валютам, если суждение будет верным, что история повторяется. Таким образом, стоит показать нейронной сети исторические данные, и она сможет прогнозировать движение активов, беря за основу данные с истории.

Однако на практике нейронная сеть прогнозирует с точностью не более 50-60%. Иными словами, это как угадывать цифры с одного до двух.

То есть, как только будет найден паттерн на рынке, то его отработка может быт такой же, как это было ранее, а может отработаться совсем по-другому. Нейронные сети в трейдинге без преувеличения можно отнести к методам технического анализа, поскольку они ищут закономерности на определённом временном промежутке, отталкиваясь от исторических данных.

Заключение

Сегодня на рынке Форекс можно найти специальные платформы, в основе которых заложена нейронные сети Форекс и технология, позволяющая обучать её по конкретной торговой системе, чтобы в дальнейшем прогнозировать движение активов на рынке. Что касается актуальности применения таких интеллектуальных помощников, то использовать их нужно. Однако, как в случае с торговыми советниками, везде нужен контроль их деятельности. Ведь машина — это не человек и думать она всё-таки не умеет.

ОТКРЫТЫЙ УРОК 13 — Процесс обучения трейдингу

Отметим, что новичкам в трейдинге лезть в нейронные сети Форекс не имеет смысла. Главное самим научиться прибыльно торговать, и после определённого результата пробовать создавать нейросеть.

Форекс индикатор BPNN Predictor: прогноз цены с использованием нейронных сетей

Форекс индикатор BPNN Predictor – это индикатор, относящийся к категории предсказателей. Для прогнозирования дальнейшего поведения цены индикатор BPNN Predictor использует нейронную сеть с тремя слоями.

Прогнозирующий индикатор BPNN Predictor строит на ценовом графике три линии:

  • красная — прогноз будущей цены;
  • черная — прошлые цены открытия, которые во время обучения были использованы как ожидаемые выходы сети;
  • синяя — выходы сети, полученные при обучении на заданных входных данных.

Дополнительно автором реализована еще одна версия индикатора, в которой используется EMA-сглаживание.

Нейронные сети их сильные и слабые стороны при использовании в форекс экспертах

Последним ноу-хау в сфере форекс экспертов является использование нейронных сетей. Этот термин был заимствован из систем искусственного интеллекта. Технически, нейронные сети, попросту говоря, имитируют механизмы работы мозга человека. Главная характерность таких систем – способность к обучению на основе результатов своих действий.

Суть и преимущества нейронных сетей

Использование нейронных сетей в форекс экспертах позволяет осуществлять прием нескольких потоков информации и на выходе получать один результат.

Прежде чем использовать нейронную сеть при форекс прогнозировании, нужно ее обучить нахождению и корректировке паттернов. Процесс обучения и тестирования является довольно времяемким, но обеспечивает возможность нейронной сети прогнозировать будущую ситуацию на основе данных ретроспективы. При возникновении пар данных на входе и на выходе нейронная сеть обучается выявленным зависимостям и применению этой зависимости к вновь поступившим данным. Таким образом, сеть сопоставляет полученный результат со своим прогнозом и может осуществить возврат для настроек значимости определенных зависимостей до тех пор, пока не получит правильные выводы.

Для «тренировки» нейронной сети используются два разных набора данных: набор для обучения и набор для тестирования. Преимуществом нейросетей является то, что процесс обучения в них идет постоянно, путем сопоставления своих прогнозов с поступающими данными. Дополнительно к этому нейронные сети комбинируют фундаментальные и технические данные для их оптимального использования. Сети обладают достаточной собственной мощностью для выявления неучтенных паттернов и их дальнейшего применения в прогнозировании для достижения максимально точного выходного результата.

Недостатки нейросетей

К сожалению, преимущества нейронных сетей при прогнозировании в форекс трейдинге в то же время могут быть и их недостатками. Выходящая информация имеет то же качество, что и поступающая. Нейронная сеть может обнаружить паттерн из разных типов информации даже при отсутствии каких-либо взаимосвязей. Способность применять интеллект без оглядки на эмоции – основное достоинство машины перед человеком – одновременно является и недостатком нейронной сети, поскольку при повышенной волатильности на рынке сеть не может присвоить вес внезапно возникшему эмоциональному фактору.

В настоящее время существует множество форекс роботов, чья работа основана на использовании нейронных сетей. Тем не менее, они не являются Граалем, поиском которого занимается уже не одно поколение форекс трейдеров. Важно всегда помнить главное правило форекс трейдинга при использовании нейронных сетей – всегда занимайтесь обучением системы, ее тестированием и оптимизацией, и успех не заставит себя ждать.

ПРОГНОЗИРОВАНИЕ ВАЛЮТНОГО КУРСА EUR/USD С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ А. В. Абрамов

1 УДК ПРОГНОЗИРОВАНИЕ ВАЛЮТНОГО КУРСА EUR/USD С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ 2022 А. В. Абрамов аспирант каф. программного обеспечения и администрирования информационных систем e-mal: Курский государственный университет Валютный рынок FOREX сегодня является сферой интересов не только крупных компаний, но и многочисленных трейдеров, основная цель деятельности которых получить прибыль. Основополагающим фактором успеха в этом деле является предсказание будущих котировок. В статье рассматривается нейросетевая модель прогнозирования валютного курса EUR/USD, приводится описание комбинированного алгоритма обучения. Ключевые слова: валютный курс, прогнозирование, нейронные сети, алгоритм имитации отжига. В последнее время тема «игры» на международном рынке FOREX стала весьма популярной в обществе. В сети Интернет сегодня можно найти множество предложений от брокерских компаний, которые предоставляют клиенту возможность стать участником рынка и получать прибыль от сделок. Без соответствующих инструментов и методов прогнозирования будущих значений валютного курса шансы на успех в данном виде деятельности весьма малы. Ранее было показано, что использование нейронных сетей в подобных задачах обладает рядом неоспоримых достоинств [Абрамов 2022]. Предлагаемая методика прогнозирования состоит из четырех основных этапов: предварительный анализ финансового ряда; построение нейросетевой модели; обучение нейронной сети по комбинированному алгоритму; прогнозирование с помощью обученной нейронной сети. В качестве прогнозируемого временного ряда в рамках данной статьи выбран финансовый ряд котировок валютного курса EUR/USD, содержащий ежедневные цены закрытия [Архив котировок 2022]. Известно, что в качестве входных и выходных параметров нейронной сети не следует выбирать сами значения котировок C (t). Действительно значимыми для прогнозирования являются их изменения. В силу того, что эти изменения в большинстве случаев «гораздо меньше по амплитуде, чем сами котировки, между последовательными значениями курсов имеется большая корреляция наиболее вероятное значение курса в следующий момент равно его предыдущему значению» [Ежов 1998: 153]. Наличие таких статистических взаимосвязей в обучающем наборе данных приводит к низкому качеству обучения сети. Для устранения подобного рода корреляций при подготовке входных данных логично выполнить над значениями котировок некоторые преобразования, например вычислить изменения котировок ΔC = C( t) C( t 1) (1)

2 ТЕХНИЧЕСКИЕ НАУКИ или логарифм относительного приращения C( t) C lg = lg( ). (2) C( t 1) Рассмотрим график курса EUR/USD c по (рис. 1) [Архив котировок 2022]. Очевидно, значения котировок ограничены снизу значением 0.8, а сверху 1.6. Вычтя из каждого значения 0.7, мы получим числовой ряд, все значения которого одного порядка и лежат в диапазоне (0;1). Данная историческая особенность котировок EUR/USD позволяет не применять к исходному ряду преобразования (1) или (2), а воспользоваться более простой формулой для получения входных данных нейронной сети: где x входное значение, x C 0.7, (3) = C исходное значение котировки. Рис. 1. График валютного курса EUR/USD Известно, что Европейский центральный банк (ЕЦБ) имеет большое количество финансовых рычагов и оказывает наиболее существенное влияние на курс валюты Еврозоны. Наиболее важным финансовым инструментом ЕЦБ является процентная ставка, при помощи которой регулируются инфляционное давление и темпы экономического роста. Для улучшения качества прогноза данные процентной ставки ЕЦБ добавлены в обучающее множество наряду с котировками EUR/USD. Для решения задачи прогнозирования временного ряда z k, где k = 0,1,, могут использоваться нелинейные модели вида z k + 1 = F( zk. zk + 1), где F ( z. ) n k z k n+ 1 некоторая нелинейная функция; z k+ 1 прогнозируемое значение ряда; z k. z k n + 1 наблюдаемые значения (предыстория ряда); n порядок модели. Возможность использования нейронных сетей в прогнозировании временных рядов основывается на теореме об универсальной аппроксимации, которая утверждает, что многослойного персептрона с одним скрытым слоем достаточно для построения равномерной аппроксимации с точностью ε для любого обучающего множества, представленного набором входов ( x 1, x2. xn) и желаемых откликов f ( x1, x2. xn). Однако из теоремы не следует, что один скрытый слой является оптимальным с точки Ученые записки: электронный научный журнал Курского государственного университета (24). Т. 2

3 Абрамов А. В. Прогнозирование валютного курса EUR/USD с использованием нейронных сетей зрения времени обучения, простоты реализации, а также качества обобщения [Хайкин 2006]. Для прогнозирования финансового ряда в рамках данной статьи использована полносвязная нейронная сеть, в которой каждый нейрон предшествующего слоя имеет связи со всеми нейронами последующего слоя. Пусть на нейрон поступает поток сигналов от нейронов, расположенных в предыдущем слое, тогда индуцированное локальное поле ( s ), полученное на входе функции активации, связанной с данным нейроном, вычисляется по формуле где m общее число входов нейрона, выход нейрона со входом нейрона на итерации n, m ( s ) = = 0( w) ( y ), (4) выходе нейрона на итерации n. Функциональный сигнал на итерации n равен: ( y ) ( w ) синаптический вес, связывающий ( y ) значение, генерируемое на ( y ) на выходе нейрона ( ) = ϕ (( s ) ), (5) n где ϕ функция активации -го нейрона. Функция активации непрерывно дифференцируемая нелинейная функция. В качестве функции активации выбрана функция гиперболического тангенса: 2s e 1 ϕ ( s) =, (6) 2s e + 1 где s индуцированное локальное поле. Используемая в данной работе сеть содержит 10 входных нейронов, 20 нейронов в скрытом слое и один выходной нейрон. На первые пять нейронов входного слоя подаются цены закрытия EUR/USD в хронологическом порядке, а на оставшиеся нейроны подаются значения процентной ставки ЕЦБ соответственно датам котировок. Для обучения нейронной сети используется комбинация алгоритма обратного распространения ошибки и метода Smulated Annealng (имитация отжига, модельная закалка, далее SA-алгоритм). Данный метод впервые был разработан Скоттом Киркпатриком в середине 70-х и предназначался для оптимизации проектирования интегральных схем [Heaton 2008]. Идея алгоритма была позаимствована из процесса отжига в металлургии, использующегося для повышения однородности и прочности металла. Данный процесс заключается в нагревании металла до определенной температуры и последующего медленного охлаждения, приводящего к повторной кристаллизации вещества. При высоких температурах атомы обладают высокими уровнями энергии и степенями свободы, что увеличивает их способность к реструктуризации. Последующее медленное охлаждение создает возможность для формирования более прочной и стабильной кристаллической решётки. В соответствии с физическим процессом SA-алгоритм пытается заменить текущее решение задачи случайным решением с вероятностью, зависящей от разности значений целевой функции начального и нового решения и параметра, условно называемого температурой. Допускается, что система может перейти в состояние с меньшим значением целевой функции из состояния с большим значением с вероятностью тем большей, чем

4 ТЕХНИЧЕСКИЕ НАУКИ больше температура, которая медленно понижается на каждом шаге оптимизации. По завершению процесса система «застывает» в состоянии с минимальной температурой. На рисунке 2 представлена схема SA-алгоритма в общем случае. Начало Заполнение случайными числами в соответствии с текущей температурой Лучше, чем текущее решение? ДА НЕТ Заменить текущее решение новым НЕТ Достигнуто макс. кол-во попыток для текущей температуры? ДА Уменьшить температуру на определенное значение НЕТ Достигнута минимальная температура? ДА Сохранить текущее решение Конец Рис. 2. Блок-схема SA-алгоритма Ученые записки: электронный научный журнал Курского государственного университета (24). Т. 2

Прогнозирование финансовых рынков с использованием искусственных нейронных сетей. ФОРЕКС. Аудиокнига

5 Абрамов А. В. Прогнозирование валютного курса EUR/USD с использованием нейронных сетей В реализации SA-алгоритма, предназначенной для обучения нейронных сетей, под решением понимается набор весовых коэффициентов нейронов, а в качестве целевой функции выступает функция ошибки сети [Heaton 2008]. Шаг изменения температуры вычисляется по формуле b ln( ) e = c 1 s e, (7) где b начальная температура, e конечная температура, с количество циклов. В рамках данного эксперимента выбраны следующие параметры: b=10; e =2; с = 100. Идея комбинирования алгоритмов заключается в следующем: обучение начинается с помощью алгоритма обратного распространения ошибки, как только ошибка перестает уменьшаться в течение определенного количества итераций, происходит переключение на SA-алгоритм, который пытается решить проблему локального минимума, затем процесс снова возвращается к алгоритму обратного распространения ошибки. Обучение заканчивается после достижения целевого значения ошибки сети. Для обучения сети были выбраны цены закрытия пары EUR/USD c по [Архив котировок 2022] и соответствующие им процентные ставки ЕЦБ [Ставка ЕЦБ 2022]. Эксперимент проводился с помощью программы, разработанной на языке С#, в которой для ускорения работы предусмотрен запуск процессов обучения и прогнозирования в отдельных потоках. В результате нескольких попыток удалось обучить нейронную сеть с ошибкой 3,5%. Процесс тренировки прошел за 3488 итераций. График зависимости величины ошибки от номера шага обучения приведен на рисунке 3. Рис. 3. Зависимость ошибки от номера итерации

6 ТЕХНИЧЕСКИЕ НАУКИ Точками отмечены места переключения алгоритма обратного распространения ошибки на SA-алгоритм. Как видно из графика, комбинация указанных методов в данном случае оправдала себя и обеспечила сходимость процесса тренировки нейронной сети. В качестве проверочного множества нейронной сети были выбраны цены закрытия EUR/USD c по [Архив котировок 2022]. Результат прогнозирования цен указанного периода с помощью обученной нейронной сети приведен на рисунке 4. Среднеквадратичная ошибка прогноза составила 7,3%. В трех случаях из шести нейронная сеть верно предсказала направление движения дневной цены, а также правильно предсказала нисходящий недельный тренд. Рис. 4. Прогноз нейронной сети В целом точность прогноза в данном эксперименте недостаточно высока для принятия серьезных решений в реальной торговле, однако полученный результат может быть улучшен за счет более глубокого анализа исходного финансового временного ряда и тщательной подготовки входных данных, использования так называемых «комитетов» сетей и более содержательных экономических индикаторов. Применение нейронных сетей в задачах прогнозирования имеет большой потенциал, который ещё только предстоит раскрыть. Библиографический список Абрамов А. В. Перспектива применения нейронных сетей для прогнозирования валютного рынка FOREX // Применение инновационных технологий в научных исследованиях: сб. науч. ст. по материалам Междунар. науч.-практ. конф. / редкол.: А. В. Филонович (отв. ред.) [и др.]. Курск: Юго-Зап. гос. ун-т, С Архив котировок [Сайт]. URL: (дата обращения ). Ежов А. А., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, с. Ставка ЕЦБ [Сайт]. URL: (дата обращения ). Хайкин С. Нейронные сети: полный курс, 2-е изд.: пер. с англ. М.:Издательский дом «Вильямс», с. Heaton J. Introducton to Neural Networks for C#, 2 Ed., 1 st prntng, Heaton Research, Inc, p. Ученые записки: электронный научный журнал Курского государственного университета (24). Т. 2

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV План 1. Общие понятия о нейронных сетях (определение нейронной сети, шкала MOS) 2. Классификация нейронных

Лучшие Форекс брокеры 2021: