Moving Average Neural Network

Red neuronal 2 Promedios móviles Una red neuronal Asesor experto basado en dos promedios móviles con el modo de entrenamiento. Capacitar al asesor experto en ejemplos seleccionados y obtener beneficios en la vida real. La EA puede trabajar en cualquier instrumento y en cualquier período de tiempo. Algoritmo de negociación de la EA Dos medias móviles son analizadas por el núcleo de la red neuronal, que produce comandos para comprar o vender. Los valores de dos promedios móviles, rápidos (FMA) y lentos (SMA), se proporcionan a la primera capa, en la segunda capa se calculan dos neuronas responsables de Comprar (N comprar) y Vender (N vender), la decisión de comprar O vender se hace en el tercer nivel. El diagrama de bloques de la red neuronal se muestra en la figura. Entrenamiento del Asesor Experto En el modo de entrenamiento, el EA recuerda los valores de las medias móviles marcadas por el usuario en el gráfico del instrumento monetario. En el futuro, durante el funcionamiento normal, reconoce los valores de las medias móviles. Para entrenar a la marca EA al menos una operación larga y otra corta en la tabla. Para indicar un comercio largo utilice la flecha Comprar, y para el comercio corto utilice la flecha Venta. Puede colocar más flechas en el gráfico. Cuanto más flechas, más largo será el proceso de entrenamiento. No es deseable la presencia de otros objetos en la carta que no sean las flechas. Después del entrenamiento, la carpeta NN 2MA se creará en la carpeta común del terminal. Contendrá el archivo HHHHHHNN2MA. bin con los ajustes de la red neural entrenada. XXXXXX en el nombre del archivo es el nombre del instrumento financiero. En el funcionamiento normal, el EA carga los datos del archivo. Si no se encuentra el archivo, usará la configuración predeterminada. Por defecto, la EA está entrenada en USDJPY y en un período de una hora, las operaciones son seleccionadas en 2012. Los siguientes parámetros de entrada son responsables del entrenamiento EA: El número de pesos por neurona. Igual a la longitud de la MA. Predeterminado - 48. El número de ciclos de entrenamiento - por defecto 100. Cuanto mayor sea el valor, más largo será el proceso de entrenamiento. En la versión de prueba es 10. Factor b - el valor afecta a la velocidad de la corrección de pesos de las neuronas, se utiliza para el entrenamiento de la red. El valor predeterminado es 0,7, no es necesario cambiar. Modo de aprendizaje EA - habilita el modo de entrenamiento de EA. Ejemplos de la especificación de oficios para la formación de la EA están disponibles en la figura. Ajustes del modo normal Ajustes del promedio móvil Puede ajustar la configuración de cada media móvil: el período, el precio, el modo de cálculo. Volumen del pedido: el valor predeterminado es 0,1. Valor de los deslizamientos en puntos - el valor por defecto es 30. Número de intentos de abrir una posición - el valor predeterminado es 5. Nivel StopLoss en puntos - el valor predeterminado es 0. Nivel TakeProfit en puntos - el valor predeterminado es 0. Nivel TrailingStop en puntos - Gestión del dinero - controlar el tamaño del pedido para entrar en el mercado, habilitado por defalt. Si el modo está desactivado, el tamaño del pedido se toma del parámetro Volumen de orden. El volumen de órdenes como un porcentaje del depósito - utilizado para controlar el tamaño del pedido, por defecto es de 5 por ciento. Agregar a la posición abierta - activado de forma predeterminada. Si hay una señal para entrar en el mercado en la dirección de una posición abierta, la EA entra en el mercado. Configuración de la red neuronal El número de pesos por neurona. Igual a la longitud de la MA. Cuanto más alto sea el valor, más preciso será el estado del mercado actual, pero reducirá el número de operaciones. Cuanto menor sea el valor, menos preciso será el estado actual del mercado, pero el número de operaciones aumenta. Valor de la activación neuronal. El valor es aproximadamente 0.75 del valor de El número de pesos por neurona. Cuanto más alto es el valor, más estricto es la selección de neuronas para tomar una decisión. En la versión de prueba es 40. El número de ciclos de entrenamiento - por defecto es 100. Factor b la velocidad de corrección de peso, por defecto es 0,7. Modo de aprendizaje EA El modo de entrenamiento EA. Durante el entrenamiento, los valores máximos de las neuronas se mostrarán en los comentarios en el gráfico. Estos valores se pueden utilizar como un valor de activación de la neurona. Un ejemplo se muestra en la figura. Habilitar comentarios: permite comentarios en el gráfico. Magic Número de Asesores. Pausa después de negociar en milisegundos. Por defecto, la EA está entrenada en USDJPY H1 en dos operaciones en 2012. El resultado de las pruebas de Expert Advisor en 2017 se muestra en la figura. Un modelo de red neuronal artificial (p, xA0 d, xA0 q) Las redes neuronales (RNA) son marcos de cálculo flexibles y aproximaciones universales que pueden aplicarse a una amplia gama de problemas de predicción de series temporales con un alto grado de precisión. Sin embargo, a pesar de todas las ventajas citadas para las redes neuronales artificiales, su desempeño para algunas series de tiempo real no es satisfactorio. Mejorar la predicción, especialmente la precisión de predicción de series de tiempo, es una tarea importante pero a menudo difícil para los pronosticadores. Tanto los hallazgos teóricos como empíricos han indicado que la integración de diferentes modelos puede ser una manera efectiva de mejorar su desempeño predictivo, especialmente cuando los modelos en el conjunto son muy diferentes. En este trabajo, se propone un modelo híbrido de redes neuronales artificiales utilizando modelos ARIMA (auto-regressive integrated move average) para obtener un modelo de predicción más preciso que las redes neuronales artificiales. Los resultados empíricos con tres conjuntos de datos reales bien conocidos indican que el modelo propuesto puede ser una manera efectiva de mejorar la precisión de predicción lograda por las redes neuronales artificiales. Por lo tanto, se puede utilizar como un modelo alternativo apropiado para la tarea de pronóstico, especialmente cuando se necesita una mayor precisión de pronóstico. Palabras clave Redes neuronales artificiales (RNA) Media móvil integrada auto-regresiva (ARIMA) Predicción de series temporales Autor correspondiente. Tel. 98 311 39125501 fax: 98 311 3915526. Copia de copyright 2009 Elsevier Ltd. Todos los derechos reservados. Las cookies son utilizadas por este sitio. Para obtener más información, visite la página de cookies. Copyright 2017 Elsevier B. V. o sus licenciantes o contribuyentes. ScienceDirect es una marca registrada del desarrollo de la red de Elsevier B. V.Neural para las predicciones financieras La investigación extensa se ha conducido sobre la aplicación de redes neurales a la predicción financiera en el ambiente negociado globalizado de hoy. Lo que hace que este uso particular de la inteligencia artificial sea tan atractivo para los analistas financieros y los comerciantes Aquí, Lou Mendelsohn de Market Technologies destaca algunas de esas cuestiones y establece metas para la formación de redes neuronales. Con los avances que se están haciendo en las tecnologías informáticas y de telecomunicaciones hoy en día, las principales economías y mercados financieros mundiales son cada vez más globalizados. A medida que esta tendencia se acelera, los mercados financieros están cada vez más interrelacionados y factores fundamentales serán cada vez más críticos para el análisis del mercado financiero. En el mercado global, el método predominante de análisis técnico - en el que un mercado único es modelado a través de la simulación histórica y la prueba posterior de su propio comportamiento de precios pasado - está perdiendo rápidamente su ventaja competitiva como las instituciones y los comerciantes individuales son cada vez más artificial Inteligencia (AI) a la previsión financiera. Investigaciones recientes muestran que este dominio no lineal puede ser modelado con más precisión con estas tecnologías que con los métodos lineales estadísticos y de mercado único que han sido el pilar del análisis técnico a lo largo de la última década. Es debido a estos factores que el campo de IA merece una mirada más cercana. El resultado de estas nuevas demandas es el surgimiento de un nuevo método analítico que combina el análisis técnico y fundamental con el énfasis más reciente en el análisis intermercado. Este método analítico combinado se conoce como análisis de mercado sinérgico o análisis sinérgico. Este nuevo método de análisis, que utiliza herramientas de inteligencia artificial, sintetiza datos técnicos, intermercados y fundamentales dentro de un marco analítico, resultando en mejores capacidades de pronóstico y una identificación temprana de los cambios de tendencia y permitiendo a los comerciantes beneficiarse de las ineficiencias del mercado en los años 90. Tales herramientas como redes neuronales, sistemas expertos y basados ​​en el conocimiento, aprendizaje de máquina, lógica difusa, wavelets, teoría del caos y algoritmos genéticos se están aplicando a través de industrias. En la misma línea, las redes neuronales pueden aplicarse a la predicción financiera porque las redes neuronales han demostrado ser tecnológicamente poderosas y flexibles, idealmente idóneas para realizar análisis sinérgicos. REDES NEURONALES ARTIFICIALES Las redes neurales artificiales son modelos basados ​​en el funcionamiento del cerebro humano, utilizando un método de procesamiento distribuido para la computación. Las redes neuronales son capaces de resolver una amplia gama de problemas mediante el aprendizaje de un modelo matemático para el problema: el modelo puede utilizarse para asignar los datos de entrada a los datos de salida. Todo lo que puede ser representado como un número puede ser alimentado en una red neuronal. Los indicadores técnicos y los datos fundamentales y de precios relacionados con un solo mercado objetivo, así como los datos intermercados que afectan al mercado objetivo, pueden alimentarse en una única red neural y utilizarse para predecir las orientaciones de precios y tendencias para el mercado objetivo. Las redes neuronales artificiales se componen de elementos de procesamiento interconectados individuales (PEs). Estas Pes son análogas a las neuronas en el cerebro y también se conocen como neuronas. Cada PE envía / recibe datos a / de otros PEs. Matemáticamente hablando, el modelo estándar es relativamente simple. Para cada PE individual, los datos de entrada (I0-In) se multiplican por el peso (W0-Wn) asociado con la conexión al PE. Estos productos a su vez se suman y pasan a través de una función de transferencia, que convierte la suma en un valor en un intervalo especificado - por ejemplo, entre cero y uno. La salida de un PE dado se multiplica entonces por otro peso separado y se alimenta al siguiente elemento de procesamiento. Si el elemento de procesamiento está en la capa de salida, como sería el caso en la figura 1, entonces la salida del elemento de procesamiento no se multiplica por un peso y en su lugar es una salida de la propia red. La arquitectura seleccionada de la red neuronal especifica el número de elementos de procesamiento presentes en una red y la forma en que se conectan. Es importante reconocer que un solo elemento de procesamiento es de poco o ningún uso. Es la forma en que las PE individuales se organizan para modelar sistemas no lineales complejos que es importante en la aplicación de redes neuronales al modelado y pronóstico financieros. VARIACIONES PARADIGMÁTICAS Las redes neuronales pueden aplicarse a muchas áreas problemáticas generales, incluyendo clasificación, filtrado, asociación de patrones, optimización, conceptualización y predicción. El primer paso para crear una aplicación de red neural artificial implica identificar la categoría a la que pertenece el problema en cuestión, no necesariamente tan fácil como parece, porque muchos sistemas de redes neuronales son más apropiados que otros para una aplicación dada. Debido a que nuestro objetivo principal aquí es predecir los precios y la dirección de la tendencia, sin embargo, este problema puede ser clasificado como predictivo. Muchos paradigmas diferentes pueden usarse para propósitos predictivos. Cada uno tiene un número casi ilimitado de variaciones, dependiendo de cómo se seleccionan los parámetros. No es tan importante que escojas el paradigma perfecto para tu problema - si hay tal cosa - como es simplemente elegir uno que sea más o menos apropiado. Ahora examinar dos paradigmas bien conocidos: feed-forward y recurrente back-propagación de redes. REDES DE PROPAGACIÓN DE RETROALIMENTACIÓN A PRIMERA LÍNEA Una red de múltiples capas de avance directo, usualmente denominada red de retroproyección o de apoyo posterior, es probablemente el paradigma de red más comúnmente utilizado. Una arquitectura representativa para una red de apoyo posterior se muestra en la Figura 2. Estas redes están compuestas por una capa de entrada de neuronas, algunas capas ocultas y una capa de salida. Las capas entre la entrada y la salida se llaman capas ocultas porque están esencialmente ocultas de la vista de los desarrolladores y usuarios de la red. Aunque una red de respaldo puede tener cualquier número de capas ocultas, una es suficiente para realizar cualquier asignación de entrada a salida. Esto no significa que una sola capa oculta es siempre el número más deseable, pero definitivamente es un buen lugar para comenzar. El funcionamiento de la red es relativamente sencillo. Los datos de entrada - por ejemplo, los cambios en los datos de precios y las medias móviles de precios, volumen y interés abierto - se presentan a la red en la capa de entrada. Los valores asociados con cada neurona de entrada individual se introducen en la primera capa oculta. Cada neurona oculta recibe estos valores, multiplicados por el peso apropiado, los suma, los ejecuta a través de una función de transferencia y produce una salida. Las salidas de la capa oculta se alimentan hacia adelante en la capa oculta siguiente o en la capa de salida. Esta presentación (FIGURA 2) supone que las capas están totalmente conectadas, en el que cada neurona en la capa de entrada tiene una conexión a cada neurona en la capa oculta. Lo mismo ocurre con las conexiones entre la capa oculta y la capa de salida. Esto no tiene que ser el caso, pero es otra decisión que debe tomarse al diseñar una red. Los valores iniciales de los pesos se seleccionan aleatoriamente en las etapas de entrenamiento de la red neuronal, por lo que el primer conjunto de valores de entrada (a menudo denominado vector de entrada) probablemente no producirá el vector de salida apropiado. Por ejemplo, supongamos que usted ha diseñado una red para predecir el precio medio de una acción un día en el futuro, basado en la diferencia en los máximos y mínimos de los últimos dos días y un promedio móvil de los cierres de los últimos cinco días. Se presentaría la red con un solo hecho, compuesto por un vector de entrada de tres valores, donde cada valor corresponde a una de las entradas mencionadas, y un vector de salida de valor único que representa el precio mediano de los próximos días. Como resultado, el primer hecho presentado y alimentado a través de la red es probable que produzca una salida muy diferente de la salida deseada. Lo que queremos que la red aprenda es que el vector de entrada que se le dio debe contener los factores que eventualmente producirían el vector de salida suministrado. En su primer intento de hacerlo, sin embargo, la red determina una medida del error entre su salida generada y la salida deseada. Esto se hace para cada salida en la capa de salida, que en este caso simple es sólo uno. Los errores se vuelven a alimentar a través de la red, capa por capa, y se utilizan para ajustar los pesos de las conexiones entre las neuronas para minimizar el error total asociado con el vector de salida. A partir de entonces, diversos hechos relevantes se presentan a la red repetidamente durante el entrenamiento para tratar de reducir el error a niveles aceptables. En problemas simples, el nivel de error puede reducirse a cero, pero esto no es una expectativa realista en la mayoría de las aplicaciones del mundo real. Redes de retroproyección recurrentes Este tipo de red consiste en una sola capa funcional de elementos de procesamiento. La figura 3 muestra una representación de dos capas para hacer más fácil la visualización de la arquitectura. Obsérvese que las neuronas de la primera capa están completamente conectadas a las neuronas de la segunda capa. Las neuronas de la segunda capa se retroalimentan en la primera capa con un mapeo uno a uno. La segunda capa representa un retardo de tiempo para el paso de datos a través de la red. Este tipo de arquitectura permite a la red aprender las relaciones temporales. En una red de feed-forward back-prop, si desea presentar hechos que contengan las diferencias en la alta durante los últimos cinco días, primero debe crear lo que se conoce como una instantánea de sus datos mediante la construcción de un hecho con una entrada Vector que contiene cinco valores (uno para cada diferencia) y una salida para mañana. Usted tendría que hacer esto para cada hecho / día presentado a la red. En cierto sentido, está codificando la información temporal que desea que la red utilice (datos de los últimos cinco días) en los propios datos de entrada. En el caso de una red recurrente, por el contrario, en lugar de ello presentarías secuencialmente cada hecho / día como una sola diferencia. Debido a que la red puede retroalimentarse sobre sí misma, puede aprender la información temporal como resultado del orden en que se presentan los hechos. En este caso, no es necesario codificar la relación temporal en los datos de entrada. Hemos realizado investigaciones considerables tanto con redes recurrentes como con redes de alimentación anticipada: pero la mayoría de los paquetes de desarrollo de redes neuronales comercialmente disponibles no incluyen un modelo recurrente, por lo que nos centraremos principalmente en modelos de retroproyección. Para cada red recurrente hay una red de avance de alimentación correspondiente que se puede diseñar con un comportamiento idéntico, por lo que una red periódica puede ser modelada con una red de avance. ARQUITECTURA DE RED La arquitectura de red comprende la función de transferencia, el número y el diseño de los elementos de procesamiento y la forma en que están interconectados. Los requisitos generales para la función de transferencia en una red de apoyo son que sea una función no lineal y continuamente diferenciable, es decir, una función cuya derivada existe en cada punto y cuya función derivada permite a la red realizar modelos estadísticos no lineales. Las funciones de transferencia más comunes utilizadas son el sigmoide y la tangente hiperbólica: pueden utilizarse eficazmente en una red de apoyo, aunque a menudo hemos obtenido mejores resultados con la función tangente hiperbólica. En términos de disposición y conectividad, nos concentraremos en una arquitectura de tres capas, completamente conectada, como se muestra en la FIGURA 2. Además de la función de transferencia y número de capas, debemos seleccionar el número de neuronas por capa, con entrada Y las capas de salida, esto es sencillo. Suponga que está tratando de predecir el cambio en el cierre de una acción en particular y desea hacerlo basándose en un promedio móvil de cinco días del cierre, un promedio móvil de cinco días de la media móvil alta y cinco días De la baja. Tu red requeriría tres neuronas de entrada y una neurona de salida. Para cualquier problema no lineal, como el de predecir los precios de una acción o mercancía, la red necesitaría al menos una capa oculta. La elección del número de neuronas en la (s) capa (s) oculta (s) de una red de propagación posterior es sólo una de las decisiones arquitectónicas que se deben tomar. No hay reglas rígidas y rápidas disponibles para determinar el número correcto, por lo que debemos basarnos en reglas generales aproximadas o en la experimentación o ambas. Con frecuencia, los problemas más complejos requieren un mayor número de neuronas ocultas, pero hemos descubierto que demasiadas neuronas ocultas pueden resultar en una red que está sobre ajustada a los datos de entrenamiento y es poco probable que tenga buenos resultados con los nuevos hechos ocultos utilizados para las pruebas. ¿DÓNDE IREMOS AQUÍ? ¿Cómo elegimos un lugar para empezar? Podría considerar varias directrices de la industria: Comience con un número de neuronas ocultas entre la mitad del número de neuronas de entrada y dos veces el número de neuronas de entrada. Comience con un promedio del número de entradas más el número de salidas o simplemente tome el máximo de los dos. Suma el número de neuronas de entrada y salida y luego multiplica este valor por una constante de ruido que varía dependiendo de la cantidad relativa de ruido en los datos. Cuanto más ruidoso sea el dato, mayor será la constante. El resultado se divide a continuación en el número total de hechos / días utilizados para la formación. Elegir un punto de partida inicial para el número de neuronas ocultas puede ser subjetivo. Después de hacerlo, usted querrá entrenar a una serie de redes, variando el número y el tamaño de las capas ocultas. Hacerlo de forma manual puede ser aconsejable para los comerciantes recién comenzando a diseñar sus propias redes neuronales, ya que ayudará a familiarizarse con las compensaciones asociadas con diversos valores de parámetros de entrenamiento, incluido el número de unidades ocultas. A medida que gane más experiencia, querrá automatizar este proceso, ya que encontrar el número óptimo de neuronas ocultas requiere una búsqueda sistemática que consume tiempo. Cuando se desarrollan redes neuronales, ningún factor único, como el número de unidades ocultas, controla en última instancia el rendimiento de la red. La selección y calidad de datos, las técnicas de preprocesamiento de datos, la optimización de los parámetros de entrenamiento y los procedimientos de prueba afectan al rendimiento de la red. Estos temas serán examinados con más detalle en artículos posteriores, así como muchos problemas que pueden surgir en cada etapa en el desarrollo de una red neuronal. A continuación, delinearé cuestiones importantes relacionadas con los datos técnicos, fundamentales y de intermercados utilizados en las redes neuronales, y también examinaré los métodos de selección de entrada sin procesar y cómo preprocesar estos insumos antes de entrar en la red. Lou Mendelsohn es presidente de Market Technologies, Wesley Chapel, Fl. Una empresa de investigación, desarrollo y consultoría que participa en la aplicación de la inteligencia artificial al análisis de mercado sinérgico. Puede comunicarse con él al 813-973-0496. REFERENCIAS Hecht-Nielsen, R. 1990. Neurocomputing, Addison-Wesley Publishing Company, Inc. Mendelsohn, Lou 1991. Los fundamentos del desarrollo de un sistema de comercio neuronal, Análisis técnico de STOCKS amp COMMODITIES, Volumen 9: JUNIO Murphy, John J. 1991 Análisis Técnico de Intermarket, John Wiley amp Sons. Rumelhart, D. E. amp J. L. McClelland 1986. Procesamiento Distribuido Paralelo, Volúmenes 1 y 2, Instituto de Tecnología de Massachusetts. Reimpreso del Análisis Técnico de Stocks amp Commodities magazine. (C) 1993 Análisis Técnico, Inc., 4757 California Avenue S. W. Seattle, WA 98116-4499, (800) 832-4642.When tenemos que hacer un pronóstico, los libros nos dicen que el método principal es el modelo de media móvil autorregresiva. En mi opinión hay otra gran herramienta, la alimentación de la red neuronal (FFNN). Así que creo que podríamos usar dos herramientas principales: Media móvil autorregresiva Avance de la red neural Por supuesto, debe haber diferencias, pero no soy un experto. ¿Quién, teniendo suficiente experiencia en estos dos métodos, puede explicar a mí las diferencias entre estos dos métodos en hacer predicciones preguntó Feb 20 14 en 14: 53Neural Network Red neuronal es una de las más recientes palabras de moda en el comercio. Suena fresco y sofisticado. No demasiadas personas parecen entender lo que son las redes neuronales. Neuronas en el mundo real Nuestros cerebros son fenomenalmente complicados. Lo que más sorprende a la mayoría de las personas, sin embargo, es que el cerebro es más o menos una enorme caja de circuitos. Las neuronas son células que actúan como circuitos con cables eléctricos, llamados axones, que se extienden y se conectan a través del cuerpo humano. Cada movimiento, percepción o acción que haces es la suma de todos los axones disparando impulsos eléctricos. El cambio ocurre cuando la frecuencia de los impulsos eléctricos enviados desde la neurona varía. Más impulsos causan una reacción, una reducción causa otra. Las redes neuronales intentan emular procesos del cerebro humano organizando información en las neuronas. A diferencia de las neuronas reales, una neurona de red sólo existe en la máquina. Es un peso de máquina que contiene información sobre lo que está bajo estudio. Una red neuronal para un sistema comercial podría decidir estudiar indicadores comunes como un promedio móvil, el RSI y el oscilador estocástico. El valor promedio móvil para la barra actual cuenta como su propia neurona. El RSI es diferente, por lo que llega a ser una neurona independiente. Si tengo diez indicadores en mi caja de herramientas, entonces tengo 10 neuronas en mi red. Las computadoras tradicionalmente resuelven problemas lineales y sencillos. Si desea conocer el resultado de operaciones matemáticas como la raíz cúbica de 355, las computadoras son perfectas para la tarea. Calculan rápidamente una respuesta precisa. Al igual que en los cerebros humanos, las redes neuronales forman sinapsis con otras neuronas. Cuando están entrenados, grupos de neuronas pueden aprender a reconocer patrones. Es esta propiedad la que hace que las redes neuronales sean tan útiles. Esto nos permite crear programas que serían imposibles con la informática tradicional. Crear un programa de software para reconocer una cara, por ejemplo, sería extremadamente difícil. Es mucho más fácil entrenar una red para reconocer una cara mostrando repetidamente las caras de la red. El cerebro es un tema fascinante por derecho propio. Como un aparte, mi esposa y yo estamos tomando un curso de encuesta en neurociencia a través de una serie de videos de Los Grandes Cursos. Si usted tiene algún interés en absoluto en el tema, recomiendo altamente la comprensión del cerebro por Jeanette Norden. Cubre en detalle cómo las neuronas conectan con la anatomía a través del cerebro y del cuerpo entero. Redes neuronales y Forex Trading Las redes neuronales entran en juego cuando la respuesta no es tan precisa. Siguiendo con este tema de los blogs de comercio de divisas, no hay una respuesta correcta a lo que hace que el sistema de comercio perfecto. Un típico inversor minorista podría decir que el mejor sistema de comercio es el que hace más dinero. Otro podría decir que el mejor sistema de comercio es el que tiene la mayor proporción de Sharpe. Muchos quieren algo en el medio. El mejor problema del sistema comercial es ambiguo, lo que lo convierte en un candidato ideal para atacar con redes neuronales. El diseñador esboza conjuntos de reglas que, a juicio de los comerciantes, forman una forma numérica de medir el mejor sistema. Los cerebros humanos albergan aproximadamente 100 billones de neuronas. A pesar de los mejores esfuerzos de muchos de nuestros clientes, todavía no he conocido a nadie con 100 millones de indicadores de mercado a su disposición. Una forma de amplificar el efecto de las neuronas en nuestra caja de herramientas es crear capas ocultas. Una red está formada por múltiples capas, cada una formada por múltiples neuronas. Cada neurona está conectada a cada neurona en la siguiente capa. Cada conexión lleva entonces su propio valor ponderado único. Una neurona transmitirá su valor multiplicando el valor de la neurona y por el peso de la conexión saliente. La neurona al final de la conexión saliente sumará todas sus conexiones entrantes y propagará ese resultado a la siguiente capa a través de todas sus conexiones salientes. Las imágenes hacen que la idea sea mucho más intuitiva. La figura 1 contiene un pequeño ejemplo. Los 2 y 3 a la izquierda son las entradas en la red. Estas entradas se multiplican por el peso de la conexión a la siguiente capa. El 2 se multiplica por 0.5 dándonos 1 y 3 por 2 dándonos 6. La segunda capa contiene un nodo que resume los resultados de la capa anterior, dándonos 7. El siguiente paso sería multiplicar 7 por los pesos en Las conexiones salientes y pasarlo a la siguiente capa. Figura 1: Un ejemplo de una red neural que propaga los resultados hacia delante. El ejemplo corto anterior se puede repetir y encadenar juntos para formar una red más grande. Abajo, en la Figura 2, tenemos un ejemplo de una red más grande. La red de ejemplo tiene 3 entradas que están conectadas a una capa oculta. La capa oculta se conecta a una sola salida. Las capas ocultas son para facilitar el entrenamiento. Cuanto más complejo es el problema, más capas y nodos necesitan. Figura 2: Un ejemplo de una red neuronal más grande. La red aprende actualizando los pesos de sus muchas conexiones. Hay muchos algoritmos de software que se utilizan para lograr el aprendizaje en redes neuronales. Se dividen en dos categorías: aprendizaje supervisado y aprendizaje no supervisado. El aprendizaje supervisado se logra con el usuario diciendo a la red si sus predicciones son correctas o no. La red entonces calcula su error y utiliza uno de los algoritmos para corregir el error. Un ejemplo de esto es la propagación inversa, que calcula el error de una predicción de redes. La red utiliza un algoritmo rápido para actualizar cada uno de los pesos de conexión con ese error. La propagación inversa es una de las estrategias de entrenamiento más comunes. El aprendizaje sin supervisión utiliza algún tipo de aptitud o algoritmo de puntuación en el que la red se anotará y tratará de mejorar cada intento subsiguiente. Un ejemplo de entrenamiento no supervisado es el algoritmo genético. Este algoritmo crea una población de redes neuronales y utiliza un algoritmo de puntuación diseñado por el usuario para clasificar la población. Después de eso, es la supervivencia del más apto. Las redes de alto rango consiguen quedarse y reproducirse y el fondo clasificado es expulsado. Las redes se reproducen mezclando y combinando pesos de conexión. Las redes neuronales pueden ayudar sustancialmente a los operadores de sistemas en su diseño de algoritmos explorando miles de millones de combinaciones entre una caja de herramientas relativamente pequeña de indicadores. Esto difiere de la optimización estándar, que consiste en conectar los números a varios indicadores buscando cualquier combinación que devuelva más dinero. El hecho de que las redes puedan considerar múltiples medidas (balance, Sharpe Ratio, etc) para determinar el mejor sistema de comercio ayuda a reducir la probabilidad de que exagera una medida en particular. Un buen ejemplo de esto es el balance de la cuenta. Si un sistema pesa el dato entre el retorno neto y el retorno ajustado al riesgo, empieza a alejarse del número de crujidos para descubrir los mejores números a usar y dirigirse hacia el aprendizaje real y reconocimiento de patrones. Las redes neuronales están demostrando ser muy útiles en una amplia gama de aplicaciones, desde el reconocimiento facial hasta las predicciones del mercado de divisas. Ellos sobresalen donde hay patrones que son difíciles de reconocer. Esa habilidad hace que las redes sean muy valiosas para resolver problemas difíciles que involucran múltiples variables. Deja un comentario Cancelar respuesta