Sistema de comércio de redes neurais

Modelo Neural da Rede de Forex Trading System R.

As Redes Neurais são consideradas como a descoberta de AI mais revolucionária.

As redes neurais agora estão sendo usadas em muitos campos agora.

Podemos treinar uma rede neural para negociação de divisas?

Primeiro classificamos os dados em três classes, Up, Down e Range.

Em seguida, construímos um modelo que pode prever se o mercado vai subir, diminuir ou variar.

Usando um computador quadcore, podemos prever o mercado em menos de um segundo.

Então, podemos usar facilmente esse modelo de rede neural para negociar opções binárias de 5 minutos, bem como opções binárias de 1 minuto.

Também podemos alterar ligeiramente o modelo de rede neural e usá-lo para negociação em prazos maiores, como 60 e 240 minutos.

California Scientific.

4011 Seaport Blvd.

West Sacramento, CA 95691.

BrainMaker Neural Network Software.

Um Sistema de Negociação de Rede Neural de Usuário amigável.

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

Stock Prophet Highlights.

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

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

Stock Prophet's Forecasting System.

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

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

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

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

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

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

Forex Mecânico.

Negociação no mercado FX usando estratégias mecânicas de negociação.

Redes Neurais na Negociação: Construindo um poderoso comércio & # 8220; brain & # 8221; com vários NN.

Vamos começar a semana com boas notícias: o). Nos últimos 2 anos, o desenvolvimento de sistemas de aprendizagem de máquinas tem sido uma grande prioridade para mim. Essas técnicas nos oferecem o sonho de implementações de negociação permanentemente auto-adaptadas, onde as decisões de negociação são constantemente ajustadas para corresponderem aos dados mais recentes. Embora eu esteja ciente de que mesmo este nível de adaptabilidade não garante qualquer rentabilidade e # 8211; como os modelos subjacentes podem tornar-se inúteis em algumas novas condições & # 8211; Isso nos proporciona um maior grau de confiança em relação à nossa capacidade de prever um determinado instrumento de mercado no futuro. Na publicação de hoje, vou mostrar-lhe o meu mais recente desenvolvimento no mundo das redes neurais, onde finalmente consegui o que considero resultados de testes históricos excepcionais baseados em técnicas de aprendizado de máquina. Através deste artigo, vou discutir os diferentes métodos que entraram neste novo sistema e como a chave para o seu sucesso veio de reunir alguns dos que já foram bem sucedidos e # 8211; ainda não excelente e # 8211; implementações de negociação.

Em primeiro lugar, gostaria de descrever a maneira pela qual eu desenvolvo estratégias de redes neurais para que você possa entender melhor meus sistemas e os últimos desenvolvimentos. Meus sistemas de negociação de rede neural são projetados para que eles sempre se reciclem de pesos recém-casualizados em cada nova barra diária utilizando as barras N passadas (geralmente são usados ​​dados por cerca de 200-500 dias) e então faça uma decisão de negociação apenas para a próxima barra diária . O processo de reciclagem é feito em todas as barras, a fim de evitar qualquer ajuste de curva para um determinado tempo de início ou freqüência de treinamento e os pesos são completamente reiniciados para evitar qualquer dependência do comportamento de treinamento anterior. As redes neurais que eu programei aproveitam nossa estrutura de programação F4 e a biblioteca FANN (Fast Artificial Neural Network), que é o núcleo da implementação da aprendizagem de máquinas. A topologia da rede não é otimizada contra a rentabilidade, mas simplesmente atribuída como a quantidade mínima de neurônios necessários para alcançar a convergência dentro de um número razoável de épocas de treinamento. Algumas variáveis, como o número de insumos de treinamento e os exemplos usados, são de fato deixados como parâmetros do modelo. Agora que você entenda melhor como me aproximo das redes neurais, podemos aprofundar o meu trabalho no NN.

Eu tenho que confessar que minha busca por melhorar as estratégias de negociação de redes neurais foi preenchida com frustração. Levei muito tempo para desenvolver o meu primeiro modelo de sucesso (o sistema de negociação Sunqu # 8212, que é realmente lucrativo depois de mais de um ano de negociação ao vivo), mas depois desse desenvolvimento inicial eu não consegui melhorá-lo muito além (além de alguns pequenos aprimoramentos). Depois disso, eu decidi deixar este modelo sozinho e # 8211; o que é realmente complicado na natureza & # 8211; e tentar desenvolver um modelo mais simples, que seria mais fácil de melhorar. Foi quando desenvolvi o sistema Paqarin, que usa um conjunto mais simples de entradas e saídas para alcançar níveis similares de rentabilidade histórica no EUR / USD. No entanto, # 8211; para continuar minha frustração # 8211; Paqarin não era muito fácil de melhorar também. Eu fiz alguns progressos na melhoria desta estratégia de negociação durante as últimas semanas, mas eu quero deixar essa discussão para uma publicação futura (na medida em que trata de insumos).

Minha última tentativa de superar os problemas acima foi a estratégia comercial de Tapuy, um sistema inspirado em um artigo que trata do uso do NN nas imagens. Usando as bibliotecas ChartDirector, DeVil e FANN, consegui implementar um mecanismo de criação e processamento de imagens que usava gráficos diários EUR / USD (uma drástica redução deles) para fazer previsões sobre o próximo dia de negociação. Este sistema é muito interessante porque mostra que os pixels simples dentro desses gráficos contêm informações suficientes para tomar decisões que tenham uma vantagem histórica significativa. Â Tapuy também é interessante no sentido de que ele processa gráficos comerciais, a mesma entrada que os comerciantes manuais usam para enfrentar o mercado. No entanto, este sistema não era panaceia e melhorar essa estratégia também foi extremamente difícil. O Tapuy também é difícil de testar (leva muito tempo devido à criação e ao processo de leitura da imagem) e, portanto, a quantidade de experiências que poderiam ser feitas foi reduzida.

Depois de criar esses três sistemas, minhas novas criações NN eram nulas. Eu não poderia melhorá-los substancialmente e não consegui encontrar uma nova estratégia para criar um NN, essa foi a principal razão pela qual eu comecei a experimentar novas técnicas de aprendizado de máquina (como classificadores lineares, keltners, máquinas de vetor de suporte, etc. ). No entanto, durante a semana passada, tive uma espécie de epifania quando pensei em maneiras pelas quais eu poderia limitar a exposição do mercado desses sistemas, fazendo-os trocar menos de alguma maneira e percebendo que a solução para meus problemas estava na minha frente o todo Tempo. A solução para melhorar o desempenho de três classificadores & # 8211; todos eles mostrando bordas históricas de longo prazo e # 8211; é simples & # 8230; Basta juntá-los para tomar decisões comerciais! : o)

Certamente, minha experiência com outras técnicas de aprendizado de máquinas me disse que colocar os classificadores juntos para tomar decisões comerciais geralmente melhorou o desempenho, mas nunca pensei em juntar esses sistemas, porque eu os vi principalmente como estratégias de negociação separadas e não simplesmente como aprendentes de máquinas. No entanto, fez todo o sentido colocar os três núcleos de tomada de decisão em uma estratégia: o que agora eu gosto de chamar o & # 8220; AsirikuyBrain & # 8221; e chegar a conclusões sobre decisões comerciais a partir de uma previsão que esteja em conformidade com as três técnicas. Se todos tiverem bordas de longo prazo, seu acordo total deve ter mais poder preditivo do que o seu acordo parcial. O resultado me surpreendeu. As estratégias de negociação melhoraram enormemente as estatísticas de cada um (muito mais do que se fossem negociadas em conjunto como sistemas dentro de um portfólio) e, além disso, diminuíam a exposição geral ao mercado das estratégias por uma grande margem. O sistema possui apenas uma posição aberta em qualquer momento, mas precisa que todos os preditores concordem para entrar ou sair de uma posição.

A rentabilidade global é a mais alta entre todos os sistemas e a redução é a mais baixa, o que significa que o AsirikuyBrain atinge um Razão Anualizada Média ao Rácio de Drawdown Máximo que é maior do que qualquer uma das técnicas de negociação individuais utilizadas, o período do período de retirada máximo também é reduzido consideravelmente, de mais de 1000 dias para os outros sistemas NN, para menos de 750 dias. A linearidade do sistema de negociação em simulações de não composição também aumenta enormemente (para R ^ 2 = 0,98), graças ao poder de suavização obtido com o efeito do comitê (o que significa que a idéia funciona!). Como você pode ver nas imagens dentro desta publicação, as curvas para os sistemas individuais são marcadamente inferiores quando comparadas com a curva de equidade da estratégia AsirikuyBrain. Eu continuarei a fazer alguns testes e melhorias, então espere algumas novas postagens no NN nos próximos dias e semanas (incluindo algumas postagens sobre insumos, precisão de previsão de lucratividade e previsões de rentabilidade com previsões de direcionalidade).

Se você quiser saber mais sobre as estratégias de rede neural e como você também pode construir continuamente a reconversão de sistemas NN usando FANN que pode ser executado no MQL4 / MQL5 / JForex ou na API Oanda REST, considere se juntar a Asirikuy, um site cheio de informações educacionais vídeos, sistemas de negociação, desenvolvimento e uma abordagem sólida, sincera e transparente em relação ao comércio automatizado em geral. Espero que tenha gostado deste artigo ! : o)

7 Respostas às Redes Neurais na Negociação: Construindo um poderoso comércio & # 8220; brain & # 8221; com vários NN & # 8221;

Você vai lançar este AsirikuyBrain ea no futuro próximo?

Obrigado pelo seu comentário: o) Sim, será na atualização F4.3.14 no próximo fim de semana,

Conceito interessante. I & # 8217; m calculando um CAGR = 3,5% ou perto dele. Eu acho que isso é muito baixo (o SPX TR para o mesmo período é de cerca de 10%) e combinado com o recuo muito longo, acho que você ainda pode ter um longo caminho a percorrer com isso. É bom que você seja persistente. :)

E se você ajustar as previsões do tamanho da posição 2 concordam em 2/3 e até a posição completa quando todos concordam?

Você mantém a posição aberta até que um preditor não concorde ou apenas feche-a no final do dia? Não sei se perdi isso.

Obrigado por publicar: o)

Conceito interessante. Eu estou calculando um CAGR = 3,5% ou perto dele. Eu acho que isso é muito baixo (o SPX TR para o mesmo período é de cerca de 10%) e combinado com o recuo muito longo, acho que você ainda pode ter um longo caminho a percorrer com isso. É bom que você seja persistente. :)

O CAGR não pode ser calculado a partir desta simulação de não composição como você faria regularmente, uma vez que o risco é um valor constante em USD (1% do saldo inicial). Ao usar a gestão regular de dinheiro (1% de risco de saldo no comércio aberto), o CAGR é aproximadamente cerca de 10% e o AAR / MaxDD está na região 0,8-0,9 (o DD máximo é de cerca de 13,5%). A combinação regular de gerenciamento de dinheiro geraria gráficos de crescimento exponencial (que são difíceis de interpretar visualmente adequadamente) pelo que sempre postei simulações não-complexas. No entanto, ao negociar ao vivo, você sempre usaria gerenciamento de dinheiro regular, arriscando uma porcentagem fixa do saldo no comércio aberto. Eu também fiz algumas melhorias significativas nos últimos dias e obtive o comprimento máximo de retirada inferior a 500 dias: o)

E se você ajustar as previsões do tamanho da posição 2 concordam em 2/3 e até a posição completa quando todos concordam?

É uma ideia interessante! Vou tentar e ver o que recebo.

Você mantém a posição aberta até que um preditor não concorde ou apenas feche-a no final do dia? Não sei se perdi isso.

Eu tentei os dois, fechando posições em algum desacordo me deram resultados ruins, eu só negociações sempre que o SL é atingido ou um sinal oposto (onde todos NNs concordam) aparece.

Obrigado novamente por comentar Bog: o)

A combinação regular de gerenciamento de dinheiro geraria gráficos de crescimento exponencial (que são difíceis de interpretar visualmente adequadamente) pelo que sempre postei simulações não-complexas. No entanto, ao negociar ao vivo, você sempre usaria o gerenciamento regular de dinheiro, arriscando uma porcentagem fixa do saldo no comércio aberto. & # 8221;

Eu sou de opinião que MM regular deve ser usado em backtests porque é um método anti-martingale apropriado. É raro ver o crescimento exponencial devido a retiradas. A melhor maneira de backtest é que eu acredito na maneira como você realmente troca e que envolve MM.

Eu sou de opinião que MM regular deve ser usado em backtests porque é um método anti-martingale apropriado. É raro ver o crescimento exponencial devido a retiradas. A melhor maneira de backtest é que eu acredito na maneira como você realmente troca e que envolve MM.

Sim, é claro, concordo plenamente com isso, este (com MM) é, obviamente, a maneira pela qual nós testamos os sistemas para analisar antes da negociação ao vivo. Eu apenas executo as simulações de não composição no blog porque elas são mais fáceis de analisar e tirar conclusões de (tendo apenas os gráficos). Uma simulação de MM regular sem as estatísticas (apenas o gráfico) é mais difícil de analisar. Na próxima vez, eu também publicarei algumas estatísticas regulares de MM. Obrigado novamente por comentar Bob: o)

A linearidade da curva de equidade é Daniel muito impressionante. Obrigado por compartilhar seu trabalho árduo.

Redes neurais para negociação algorítmica. Previsão de séries temporais simples.

ACTUALIZAÇÃO IMPORTANTE:

Esta é a primeira parte dos meus experimentos em aplicação de aprendizado profundo para financiar, em particular para negociação algorítmica.

Eu quero implementar o sistema de negociação a partir do zero com base apenas em abordagens de aprendizado profundo, então, para qualquer problema que temos aqui (previsão de preços, estratégia de negociação, gerenciamento de riscos), usaremos diferentes variações de redes neuronais artificiais (RNAs) e veremos o quanto elas podem lide com isso.

Agora eu planejo trabalhar nas próximas seções:

Previsão de séries temporais com dados brutos Previsão de séries temporais com recursos personalizados Otimização de hiperparâmetros Implementação de estratégia de negociação, backtesting e gerenciamento de riscos Estratégias de negociação mais sofisticadas, reforço de aprendizagem Indo ao vivo, corretores API, ganhando (l̶o̶s̶i̶n̶g̶) dinheiro.

Eu recomendo que você verifique o código e o IPython Notebook neste repositório.

Nesta primeira parte, quero mostrar como MLPs, CNNs e RNNs podem ser usados ​​para a previsão de séries temporais financeiras. Nesta parte, não vamos usar nenhuma engenharia de recursos. Vamos considerar o conjunto de dados históricos dos movimentos dos preços do índice S & P 500. Temos informações de 1950 a 2018 sobre preços abertos, fechados, altos e baixos para todos os dias do ano e volume de negócios. Primeiro, tentaremos apenas prever fechar o preço no final do próximo dia, em segundo lugar, tentaremos prever o retorno (preço fechado - preço aberto). Baixe o conjunto de dados do Yahoo Finance ou deste repositório.

Definição do problema.

Consideraremos o nosso problema como 1) problema de regressão (tentando prever exatamente fechar o preço ou retornar no dia seguinte) 2) problema de classificação binária (o preço aumentará [1; 0] ou abaixo [0; 1]).

Para treinar NNs, usaremos framework Keras.

Primeiro vamos preparar nossos dados para treinamento. Queremos prever o valor de t + 1 com base em informações de N dias anteriores. Por exemplo, tendo preços próximos dos últimos 30 dias no mercado, queremos prever, que preço será amanhã, no 31º dia.

Utilizamos as primeiras 90% das séries temporais como conjunto de treinamento (considere-a como dados históricos) e 10% como conjunto de testes para avaliação do modelo.

Aqui é exemplo de carregamento, dividindo em amostras de treinamento e pré-processamento de dados de entrada brutos:

Problema de regressão. MLP.

Será apenas um perceptron de 2 camadas escondidas. O número de neurônios escondidos é escolhido de forma empírica, vamos trabalhar na otimização de hiperparâmetros nas próximas seções. Entre duas camadas ocultas, adicionamos uma camada de Saída para evitar a sobreposição.

O importante é Dense (1), Activation ('linear') e 'mse' na seção de compilação. Queremos um produto que possa estar em qualquer intervalo (prevemos valor real) e nossa função de perda é definida como erro quadrático médio.

Vamos ver o que acontece se apenas passarmos pedaços de preços próximos de 20 dias e prever o preço no 21º dia. Final MSE = 46.3635263557, mas não é uma informação muito representativa. Abaixo está um gráfico de previsões para os primeiros 150 pontos do conjunto de dados de teste. A linha preta é dados reais, um azul - previsto. Podemos ver claramente que nosso algoritmo não é nem mesmo de perto, mas pode aprender a tendência.

Vamos dimensionar nossos dados usando o método de sklearn pré-processamento. Escala () para ter nossa série zero de tempo e variância unitária e treinar o mesmo MLP. Agora temos MSE = 0.0040424330518 (mas está em dados dimensionados). No gráfico abaixo, você pode ver as séries temporais reais escaladas (preto) e a nossa previsão (azul) para ela:

Para usar este modelo no mundo real, devemos retornar às séries temporais não escaladas. Podemos fazê-lo, multiplicando ou preditivo por desvio padrão de séries temporais que usamos para fazer predição (20 etapas de tempo não escalonadas) e adicione seu valor médio:

MSE neste caso é igual a 937.963649937. Aqui está o enredo de previsões restauradas (vermelho) e dados reais (verde):

Não está mal, não é? Mas vamos tentar algoritmos mais sofisticados para esse problema!

Problema de regressão. CNN.

Eu não vou mergulhar na teoria das redes neurais convolutivas, você pode verificar esses recursos incríveis:

Vamos definir a rede neural convolucional de 2 camadas (combinação de camadas de convolução e max-pooling) com uma camada totalmente conectada e a mesma saída que anteriormente:

Vamos verificar resultados. MSEs para dados escalados e restaurados são: 0.227074542433; 935.520550172. As parcelas estão abaixo:

Mesmo olhando para MSE em dados escalados, esta rede aprendeu muito pior. Provavelmente, uma arquitetura mais profunda precisa de mais dados para o treinamento, ou simplesmente é superada devido ao número muito alto de filtros ou camadas. Vamos considerar esta questão mais tarde.

Problema de regressão. RNN.

Como arquitetura recorrente, eu quero usar duas camadas LSTM empilhadas (leia mais sobre LSTM aqui).

As parcelas das previsões estão abaixo, MSEs = 0.0246238639582; 939.948636707.

A previsão da RNN se parece mais com o modelo médio móvel, não pode aprender e prever todas as flutuações.

Então, é um resultado pouco esperável, mas podemos ver que os MLPs funcionam melhor para esta previsão de séries temporais. Vamos verificar o que acontecerá se nós passarmos de regressão para problema de classificação. Agora, usaremos os preços não fechados, mas o retorno diário (fechar preço-preço aberto) e queremos prever se o preço fechado é maior ou menor do que o preço aberto com base nos últimos 20 dias de devolução.

Problema de classificação. MLP.

O código é alterado um pouco - alteramos nossa última camada Densa para ter saída [0; 1] ou [1; 0] e adicione a saída softmax para esperar resultados probabilísticos.

Para carregar saídas binárias, mude a linha seguinte do código:

Também mudamos a função de perda para cross-entopy binário e adicionamos métricas de precisão.

Oh, não é melhor do que adivinhar aleatoriamente (50% de precisão), vamos tentar algo melhor. Confira os resultados abaixo.

Problema de classificação. CNN.

Problema de classificação. RNN.

Conclusões.

Podemos ver que o tratamento da previsão de séries temporárias financeiras como problema de regressão é uma abordagem melhor, pode aprender a tendência e os preços próximos do real.

O que foi surpreendente para mim, que MLPs estão tratando dados de seqüência melhor como CNNs ou RNNs que deveriam funcionar melhor com séries temporais. Explico isso com conjunto de dados bastante pequeno (

Selos de tempo de 16k) e escolha de hiperparâmetros fofos.

Você pode reproduzir resultados e melhorar usando o código do repositório.

Eu acho que podemos obter melhores resultados em regressão e classificação usando diferentes recursos (não apenas séries temporais escalonadas) como alguns indicadores técnicos, volume de vendas. Também podemos tentar dados mais freqüentes, digamos carrapatos minuto a minuto para ter mais dados de treinamento. Todas essas coisas que eu vou fazer depois, então fique atento :)

Ao bater palmas mais ou menos, você pode nos indicar quais são as histórias que realmente se destacam.

Alex Honchar.

máquinas de ensino e raphamento.

Mundo de aprendizagem de máquinas.

O melhor sobre Aprendizado de Máquinas, Visão de Computador, Aprendizagem Profunda, Processamento de linguagem natural e outros.

Redes Neurais: Previsão de Lucros.

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

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

Use redes neurais para descobrir oportunidades.

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

A Convergência mais rápida é melhor?

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

Aplicação correta de redes neurais.

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

1. Encontrando e Formalizando uma Idéia de Negociação.

2. Melhorando os Parâmetros do seu Modelo.

3. Eliminação do modelo quando se torna obsoleto.

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

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

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