|
Технология нейронных сетей, одного из видов искусственного интеллекта (AI), возникла на основе подражания процессам обработки информации и принятия решений, происходящих в живых организмах. Целью было моделирование поведения нервной ткани живых систем при помощи компьютерных структур, организованных из программно симулируемых нейронов и нейронных связей (синапсов). Исследования нейронных сетей на теоретическом уровне начались в 1940-х годах. Когда компьютерная технология стала достаточно мощной для реализации подобных исследований, работа началась всерьез. Во второй половине 1980-х годов системы на основе нейронных сетей стали представлять интерес для биржевой общественности. К 1989 г. ряд разработчиков уже предлагали пакеты для создания инструментов на нейронных сетях. Scientific Consultant Services разработал коммерческую систему NexTurn для прогнозирования индекса S&P 500. Интерес достиг пика в начале 1990-х годов, появились новые программы, но по причинам, о которых будет сказано ниже, к настоящему времени первоначальное увлечение финансовой общественности нейронными сетями прошло.
Поскольку мы не собираемся представлять в этой книге полный курс по нейронным сетям, эта глава будет содержать краткий обзор, содержащий основное для понимания принципов работы. Те, кто заинтересуется предметом, могут обратить внимание на материалы в книгах «Virtual Trading» (Ledermanand Klein, 1995) и «Computerized Trading» (Jurik, 1999), где также имеется подробная информация о разработке систем на основе нейронных сетей, а также на ряд статей в Technical Analysis of Stocks and Commodities (Katz, апрель 1996, Katz and McCormick, ноябрь 1996 и 1996). Также следует обратить внимание на книгу «Neural Networks in Finance and Investing» (Trippi and Turban, 1993).
|
|
Нейронные сети представляют собой, в сущности, некие блоки со способностью к самообучению и распознаванию образов, классификации и прогнозированию. Они особо привлекательны для трейдеров, поскольку сети могут справляться и с оценками вероятности в неоднозначных ситуациях, и с моделями нечеткой логики, т. е. с моделями, легко определимыми на вид, но с трудом поддающимися алгоритмизации в виде точных правил. Потенциально, нейронные сети могут обнаруживать любые присутствующие в исходных данных повторяющиеся модели. Сети также могут интегрировать большие объемы информации, не захлебываясь в деталях, и могут адаптироваться к изменениям рынков и их условий.
Существует большое разнообразие нейронных сетей, отличающихся своей «архитектурой», т. е. способом связи виртуальных нейронов, деталями их поведения (обработкой сигнала или «функциями передачи») и процессом обучения. Существуют различные виды архитектур сетей представляющих интерес для трейдеров, например сети Коонена и сети с квантованием обучающего вектора (LVQ), различные сети с адаптивным резонансом и периодические сети. В этой главе будет рассмотрена наиболее популярная и полезная во многих отношениях архитектура, а именно нейронная сеть с прямой связью.
Как было сказано выше, сети различаются по методу обучения. Разработчики системы играют роль учителя, снабжая сеть примерами для обучения. Некоторые сети обучаются «под контролем», некоторые «без контроля». Обучение под контролем имеет место, когда сеть обучают давать правильные ответы, показывая ей примеры правильных решений; для каждого набора входов целью сети является обеспечение правильного выхода. Обучение без контроля состоит в том, что сеть организует введенные данные так, как считает нужным, на основе найденных в них внутренних закономерностей. Вне зависимости от формы обучения основная проблема состоит в поиске соответствующих данных и придании им формы учебных примеров, фактов, которые выделяют важные модели для эффективного и направленного обучения сети, во избежание формирования заблуждений. Предварительная подготовка данных — само по себе
искусство.
Собственно процесс обучения обычно включает некоторый механизм обновления удельных весов или важности разных связей между нейронами в ответ на подаваемые учебные примеры. При использовании в архитектуре прямых связей часто используют обратное распространение — наиболее быструю форму оптимизации. Также эффективны генетические алгоритмы, которые требуют большого количества расчетов и времени, но обычно дают лучшие окончательные результаты.
Нейронные сети с прямой связью
Сеть с прямой связью состоит из слоев нейронов. Первый слой, входной, получает информацию или вводы извне. Этот слой состоит из независимых переменных, например значении цен или индикаторов, на которых основывается система в последующих заключениях или прогнозах. Этот слой имеет множество связей со следующим, называемым скрытым слоем, поскольку он не имеет связей с внешним миром. Выходы этого слоя подаются на следующий слой, который может быть также скрытым (если это так, то процесс повторяется) или выходным слоем. Каждый из нейронов выходного слоя выдает сигнал, основанный на прогнозах, классификациях или решениях, сделанных сетью. Сети обычно определяются по количеству нейронов в каждом слое; например сеть 10-3-1 состоит из 10 нейронов во входном, 3 в скрытом и 1 в выходном слое. Сети бывают различного размера — от нескольких нейронов до тысяч и от всего трех слоев до десятков; сложность зависит от размаха решаемой задачи. Практически всегда бывает достаточно трех-четырех слоев.
Нейронные сети с прямой связью (аналоги использованной в этой главе) включают особую форму нелинейной множественной регрессии. Сеть берет ряд входных переменных и использует их для прогнозирования цели задания, как и при регрессии. В стандартной множественной линейной
регрессии, например, если ставится задача предсказать уровень холестерола (зависимая переменная) на основе потребления жиров и физической нагрузки (независимые входные переменные), то данные будут моделироваться следующим образом: прогнозируемый уровень холестерола = а + b х потребление жиров + с х нагрузку, где значения a, b и с будут определяться статистической процедурой. Будет производиться поиск множества решений задачи, которое может быть линией, плоскостью или гиперплоскостью (в зависимости от количества переменных) согласно правилу наименьших квадратов. В вышеприведенной задаче все решения находятся на плоскости: ось х представляет потребление жиров, ось у — физическую нагрузку, высота плоскости в каждой точке (х, у) представляет собой прогнозируемый уровень холестерола.
При использовании технологии нейронных сетей двумерная плоскость или n-мерная гиперплоскость множественной линейной регрессии заменяется гладкой n-мерной изогнутой поверхностью с пиками и провалами, хребтами и оврагами. Например, нам требуется найти оптимальное решение для набора переменных, и задача будет сводиться к построению многомерной карты. В нейронной сети решение достигается при помощи «нейронов» — взаимосвязанных нелинейных элементов, связи которых сбалансированы так, чтобы подгонять поверхность подданные. Алгоритм обучения производит регулировку весов связей для получения максимально вписывающейся в исходные данные конфигурации поверхности. Как и в случае со стандартной множественной регрессией, где коэффициенты регрессии необходимы для определения наклона гиперповерхности, для нейронной модели требуются параметры (в виде весов связей), чтобы обеспечить наилучшее совпадение построенной поверхности, всех ее возвышений и впадин, с входными данными.
Далее
Вернуться к оглавлению
|
