Verwenden von Recurrent Neural Networks zur Forecasting von Forex Dieses Papier berichtet empirischen Nachweis, dass ein neuronales Netzwerk-Modell für die statistisch zuverlässige Vorhersage der Wechselkurse gilt. Zeitreihen-Daten und technische Indikatoren wie gleitender Durchschnitt werden zu neuronalen Netzen geleitet, um die zugrunde liegenden Regeln der Bewegung in Wechselkursen zu erfassen. Die ausgebildeten rekurrierenden Neuronalen Netze prognostizieren die Wechselkurse zwischen US-Dollar und vier weiteren wichtigen Währungen, Japanische Yen, Schweizer Franken, Britische Pfund und EURO. Es wurden verschiedene statistische Schätzungen der Prognosequalität durchgeführt. Erhaltene Ergebnisse zeigen, dass neuronale Netze in der Lage sind, Prognose mit einem Koeffizienten der Mehrfachbestimmung nicht schlechter als 0,65 zu geben. Lineare und nichtlineare statistische Datenvorverarbeitung, wie Kolmogorov-Smirnov-Test und Hurst-Exponenten für jede Währung wurden berechnet und analysiert. Schlüsselwörter: Neuronale Netze, Devisenkurse, Statistische Tests, Hurst Exponent, Komplexe Systeme Theorie Forex ist die größte und liquideste der Finanzmärkte, mit etwa 1 Billionen gehandelt jeden Tag. Es führt zu dem ernsthaften Interesse an diesem Sektor der Finanzierung und macht deutlich, dass aus verschiedenen Gründen, die jeder Trader auf Forex eine genaue Prognose des Wechselkurses haben wollen. Die meisten Händler verwenden in altmodischer Weise solche traditionelle Methode der Prognose als technische Analyse mit der Kombination von grundlegenden ein. In dieser Arbeit entwickeln wir den neuronalen Netzansatz zur Analyse und Prognose von Finanzzeitreihen, die nicht nur auf der neuronalen Netzebene basieren, sondern auch auf einem Paradigma komplexer Systemtheorie und ihrer Anwendbarkeit auf die Analyse verschiedener Finanzmärkte (Mantegna et al., 2000 Peters, 1996) ) Und insbesondere auf Forex. Bei der Wahl der Architektur des neuronalen Netzes und der Strategie der Prognose haben wir die Datenvorverarbeitung auf der Basis einiger Methoden der gewöhnlichen statistischen Analyse und komplexen Systemtheorie durchgeführt: RS-Analyse, Methoden der nichtlinearen und chaotischen Dynamik (Mantegna et al ). In der vorliegenden Arbeit beschreiben wir nicht alle. Wir stellen hier nur die Ergebnisse des Kolmogorov-Smirnov-Tests und der Ergebnisse der RS-Analyse vor. Allerdings betonen wir, dass die vorläufige Analyse ermöglicht hat, die Parameter des neuronalen Netzes zu optimieren, den Horizont der Vorhersagbarkeit zu bestimmen und einen Vergleich der Prognosequalität verschiedener Währungen durchzuführen. Im Folgenden geben wir einige Bemerkungen über die Vorteile der neuronalen Netze Technologie über traditionelle Methoden und vergleichen Sie unseren Ansatz mit den Methoden anderer Autoren Zuerst nimmt die neuronale Netzwerk-Analyse keine Einschränkungen für die Art der Input Informationen als technische Analyse. Es könnte sein, als Indikatoren für Zeitreihen, als Informationen über das Verhalten eines anderen Finanzinstrumenten. Es ist nicht ohne Grund, dass neuronale Netze exakt von institutionellen Investoren (zB Pensionskassen) genutzt werden, die sich mit großen Portfolios befassen und für die Korrelationen zwischen verschiedenen Märkten unerlässlich sind. Zweitens sind neuronale Netze im Gegensatz zur technischen Analyse, die auf gemeinsamen Empfehlungen basiert, in der Lage, für eine vorgegebene Zeitreihen - und Prognosestrategie optimale, vorgegebene Finanzinstrumente, Indikatoren und optimale Ergebnisse zu finden. Lassen Sie uns daran erinnern, dass in der vorliegenden Studie haben wir die Wechselkurse von nur ausgewählten Währungen auf Forex-Markt prognostiziert. Als Währungen haben wir uns für Britisches Pfund, Schweizer Franken, EURO und Japanisches Yen entschieden. Das Folgende motiviert diese Wahl: praktisch alle Hauptvolumen der Geschäfte auf Forex werden mit diesen Währungen gemacht. Lassen Sie uns anmerken, dass es eine Menge von Papieren veröffentlicht wurden, wo ähnliche Probleme untersucht worden sind. (Jingtao Yao et al., 2000 Castiglione, 2001 Kuperin et al., 2001 Lee et al., 1997 Tino et al., 2001 McCluskey, 1993). Lassen Sie uns kurz um die Ergebnisse einige von ihnen. In (Castiglione, 2001) wurde das Problem der Vorhersage der Preissteigerungen untersucht. Als analysierte Daten wurden solche Indizes wie SampP500, Nasdaq100 und Dow Jones genommen. Wurde mehrschichtige Perzeptronen verschiedener Konfigurationen mit unterschiedlicher Anzahl von verborgenen Neuronen aufgenommen. Als Ergebnis wurde eine Möglichkeit der Vorhersage des Vorzeichens von Preisinkrementen mit einer Wahrscheinlichkeit von etwas höher als 50 gezeigt, d. H. Ein wenig besser als nur das Münzenwerfen. Wir nehmen an, dass solche Ergebnisse von der praktischen Sicht irrelevant sind und ein akademisches Interesse haben. MetaTrader 4 - Trading Price Forecasting mit Neuronalen Netzen Einführung In den letzten Jahren beobachten wir die Explosion des Interesses an neuronalen Netzen, die erfolgreich eingesetzt werden Verschiedene Sphären - Wirtschaft, Medizin, Technik, Geologie, Physik. Neuronale Netze sind weit verbreitet in Bereichen, die Prognose, Klassifizierung und Verwaltung erfordern. Ein solch beeindruckender Erfolg ist aus mehreren Gründen bestimmt: Große Möglichkeiten. Neuronale Netze sind ein sehr leistungsfähiges Modellierungswerkzeug, das die Reproduktion von ungemein komplizierten Beziehungen ermöglicht. Insbesondere sind neuronale Netze von Natur aus nicht linear. Über die Jahre hinweg war die lineare Modellierung in der Mehrzahl der Sphären die wichtigste Methode der Modellierung, da Optimierungsverfahren für sie gut entwickelt sind. Bei Aufgaben, bei denen die lineare Approximation nicht ausreicht, arbeiten lineare Modelle schlecht. Außerdem überwinden neuronale Netze den Fluch der Dimensionalität, der keine Modellierung linearer Beziehungen im Falle einer großen Anzahl von Variablen erlaubt. Einfache Bedienung. Neuronale Netze lernen durch Beispiele. Der Benutzer eines neuronalen Netzwerks sammelt repräsentative Daten und startet dann den Algorithmus des Trainings. Die die Datenstruktur automatisch übernimmt. Natürlich sollte der Benutzer über eine Reihe von heuristischen Kenntnissen über die Art und Weise der Auswahl und Vorbereitung von Daten, der Auswahl der geeigneten Netzwerkarchitektur und der Interpretation der Ergebnisse verfügen. Allerdings ist der Wissensstand, der für einen erfolgreichen Einsatz von neuronalen Netzen benötigt wird, viel geringer als bei herkömmlichen statistischen Methoden. Neuronale Netze sind aus der Sicht der Intuition attraktiv, weil sie auf dem primitiven biologischen Modell der Nervensysteme basieren. Die Entwicklung solcher neurobiologischen Modelle kann künftig zur Entstehung wirklich intelligenter Computer führen. 1 Vorhersage der finanziellen Zeitreihen ist ein Primärmitglied jeder Investitionstätigkeit. Die ganze Idee der Investition - Geld investieren jetzt mit dem Ziel, in Zukunft profitieren - basiert auf der Idee der Zukunft vorauszusagen. Dementsprechend liegt die Prognose der Finanzzeitreihen an der Wurzel der Investmentbranche - allen Börsen und OTC-Märkten. Es ist bekannt, dass 99 von allen Geschäften spekulativ sind, d. H. Nicht auf einen realen Handelsumsatz abzielen, sondern auf Gewinn mit dem Schema kaufen billig kaufen - verkaufen lieber. Sie beruhen alle auf den Prognosen der Preisbewegungen durch einen Handelsteilnehmer. Was ist wichtig - die Prognosen der Handelsteilnehmer sind gegeneinander. Die Menge der spekulativen Operationen charakterisiert also die Differenz der Prognosen der Marktteilnehmer, i. D. h. Eigentlich - die Unberechenbarkeit der finanziellen Zeitreihen. Dieses wichtigste Merkmal der Marktzeitreihen liegt in der Theorie des effizienten Marktes, wie sie in der These von L. Bachelier im Jahre 1900 beschrieben ist. Nach dieser These kann sich ein Investor nur auf die durch Indizes beurteilte durchschnittliche Marktrentabilität wie Dow Jones stützen Oder SampP500 für New-York Exchange. Jeder spekulative Gewinn ist von zufälliger Natur und ist wie das Spielen (dort ist etwas attraktives in ihm, ist nicht dort). Der Grund für die unvorhersehbare Natur der Marktkurven ist die gleiche, wie das Geld selten vor Ort an öffentlichen Orten liegt: zu viele Menschen, die es nehmen wollen. Natürlich wird die Theorie eines effizienten Marktes nicht von den Marktteilnehmern unterstützt (die nach dem gebuchten Geld suchen). Viele von ihnen denken, dass trotz der scheinbaren Stochastizität alle Zeitreihen voller versteckter Regelmäßigkeiten sind, d. h. zumindest teilweise vorhersehbar sind. Der Begründer einer Wellenanalyse R. Elliot versuchte in den 30er Jahren solche verborgenen empirischen Gesetzmäßigkeiten in seinen Artikeln zu finden. In den 80er Jahren wurde diese Sichtweise unerwartet in der neu erschienenen Theorie des dynamischen Chaos unterstützt. Diese Theorie basiert auf der Kontraposition des chaotischen Zustands und der Stochastizität (Zufälligkeit). Chaotische Reihen scheinen nur zufällig, aber als deterministischer dynamischer Prozess erlauben sie kurzfristige Prognosen. Die Sphäre der wahrscheinlichen Prognose ist zeitlich begrenzt durch den Horizont der Prognose. Aber dies kann für die Erzielung echten Profits aus der Prognose ausreichen (Chorafas, 1994). Und diejenigen, die die besten mathematischen Methoden der Gewinnung von Regelmäßigkeiten aus lärmenden chaotischen Reihen verwenden, können große Gewinne erwarten - auf Kosten von weniger ausgestatteten Stipendiaten. Das letzte Jahrzehnt war von einem anhaltenden Wachstum der Popularität der technischen Analyse - ein Satz von empirischen Regeln, die auf verschiedenen Indikatoren des Marktverhaltens basiert geprägt. Die technische Analyse konzentriert sich auf das individuelle Verhalten dieses Finanzinstruments, abgesehen von anderen Wertpapieren. Aber die technische Analyse ist sehr subjektiv und arbeitet ineffizient am rechten Rand eines Diagramms - genau dort, wo wir die Prognose einer Kursrichtung benötigen. Aus diesem Grund wird durch die Neuro-Netzwerk-Analyse mehr Popularität gewonnen, da sie im Gegensatz zum technischen keine Einschränkungen für den Typ der Eintragsinformationen festlegt. Dies können Indikatoren für die jeweilige Indikatorreihe sowie die Informationen über das Verhalten anderer Marktinstrumente sein. Nicht umsonst werden neuronale Netze von institutionellen Investoren (z. B. großen Rentenfonds), die mit großen Portfolios arbeiten, weitverbreitet eingesetzt, wobei der Zusammenhang zwischen den verschiedenen Märkten von großer Bedeutung ist. Die reine Neuro-Netzwerkmodellierung basiert nur auf Daten, die keine vorangegangenen Argumente verwenden. Dies ist seine starke und Woche Punkt zur gleichen Zeit. Die verfügbaren Daten können für die Ausbildung nicht ausreichen, die Dimensionalität der potenziellen Einträge kann zu groß sein. Deshalb sollten für eine gute Prognose neuropackages mit großer Funktionalität verwendet werden. Vorbereiten von Daten Um den Vorgang zu starten, sollten wir Daten vorbereiten. Die Korrektheit dieser Arbeit beeinflusst den Erfolg. Guru von neuronalen Netzwerken sagen, dass als Ein-und Ausgänge sollte man nicht die Werte der Anführungszeichen Ct. Was ist wirklich wichtig ist die Anführungszeichen ändert. Während die Amplitude dieser Änderungen in der Regel kleiner als die Anführungszeichen selbst ist, gibt es eine starke Korrelation zwischen den aufeinanderfolgenden Zitaten - der wahrscheinlichste Zitatwert im nächsten Augenblick ist gleich dem vorherigen Wert C (t1) C (t ) Delta (C) C (t). Unterdessen sollten wir für eine höhere Trainingsqualität eine statistische Unabhängigkeit von Einträgen anstreben, d. H. Solche Korrelationen vermeiden. Deshalb ist es logisch, als Eingangsvariablen statistisch möglichst unabhängige Werte zu wählen, z. B. Anführungsänderungen delta (C) oder logarithmisches Logarithmusprotokoll (C (t) C (t1)). Die letzte Wahl ist besser für lange Zeit-Serien, wenn der Einfluss der Inflation ist sinnvoll. In einem solchen Fall haben einfache Unterschiede in den Teilen der Reihe unterschiedliche Amplitude, weil sie tatsächlich in verschiedenen Einheiten bewertet werden. Und im Gegenteil, die Beziehungen der aufeinanderfolgenden Anführungszeichen hängen nicht von den Maßeinheiten ab und werden unabhängig von der inflationären Änderung der Maßeinheiten von der gleichen Skala sein. Die große Stationarität der Serie ermöglicht es, eine große Geschichte zu trainieren und so ein besseres Training zu ermöglichen. Der Nachteil des Eintauchens in den Lag-Space ist das eingeschränkte Sehvermögen des Netzes. Im Gegenteil, die technische Analyse nicht fix ein Fenster in der Vergangenheit, und manchmal verwendet weit Serie Werte. Zum Beispiel sollen maximale und minimale Serienwerte auch in der verhältnismäßig langen Vergangenheit behauptet werden, einen großen Einfluss auf die Händler psych zu haben und folglich für die Prognose wertvoll sein müssen. Ein nicht breites Fenster des Eintauchens in den Lag-Raum ist nicht in der Lage, solche Informationen bereitzustellen, was natürlich die Effizienz der Prognose senkt. Auf der anderen Seite erhöht die Erweiterung des Fensters auf solche Dimensionen, wenn es extrem extreme Serienwerte enthält, die Dimensionalität des Netzes, was zu einer schlechteren Genauigkeit der Neuronet-Prognose führt. Der Ausweg aus dieser scheinbar totgesperrten Situation sind alternative Methoden der Codierung des vergangenen Verhaltens der Serie. Instinktiv ist es klar, dass je weiter in der Vergangenheit die Serie Geschichte, desto weniger Details seines Verhaltens beeinflusst das Ergebnis der Prognose. Es beruht auf der Psychologie der subjektiven Wahrnehmung der Vergangenheit von Händlern, die tatsächlich die Zukunft gestalten. Folglich müssen wir die Darstellung der Seriendynamik finden, die eine selektive Genauigkeit haben würde: je weiter in der Zukunft die weniger Details, obwohl die allgemeine Form der Kurve erhalten bleibt. Ein recht vielversprechendes Werkzeug kann hier eine Wavelet-Zerlegung sein. In Bezug auf Informativität ist es gleich der Lag-Immersion, aber leichter akzeptiert solche Datenkomprimierung, die die Vergangenheit mit der selektiven Genauigkeit beschreibt. Softwareauswahl Es gibt verschiedene Software, die für die Arbeit mit neuronalen Netzen vorgesehen ist. Einige von ihnen sind mehr oder weniger universell, andere sind hoch spezialisiert. Hier ist eine kurze Liste von einigen Programmen: 1. Matlab ist ein Desktop-Labor für mathematische Berechnungen, Entwerfen elektrischer Schaltungen und Modellierung komplexer Systeme. Anfis Editor (Bildung, Erstellung, Schulung und grafische Benutzeroberfläche), Kommandoschnittstelle zur Programmierung von Netzwerken, nnTool - für eine präzisere Konfiguration eines Netzwerks. 2. Statistica ist eine leistungsfähige Software für die Analyse von Daten und die Suche nach statistischen Regelmäßigkeiten. In diesem Paket wird die Arbeit mit Neuronets im Block STATISTICA Neural Networks (abgekürzt: ST Neural Networks, Neuro-Net Packag der Firma StatSoft) vorgestellt, der eine Realisierung des gesamten Satzes von Neuronet-Methoden der Datenanalyse darstellt. 3. BrainMaker ist für die Lösung von Aufgaben, die noch keine formalen Methoden und Algorithmen haben, mit unvollständigen, verrauschten und widersprüchlichen Eingangsdaten gedacht. Zu diesen Aufgaben verweisen wir auf den Austausch und die Finanzprognose, die Modellierung der Krisenbedingungen, die Mustererkennung und andere. 4. NeuroShell Day Trader ist ein Neuronet-System, das die spezifischen Anforderungen der Händler erfüllt und ist ganz einfach zu bedienen. Dieses Programm ist hoch spezialisiert und ist für den Handel bestimmt, obwohl tatsächlich sehr nah an einer Blackbox ist. 5. Andere Programme sind weniger beliebt. Für den Primärbetrieb ist Matlab sehr geeignet. Wir werden versuchen, die Fitness eines Neurons für die Forex-Prognose zu definieren. Die Informationen über MatLab-Komplex finden Sie in Wikipedia unter en. wikipedia. orgwikiMATLAB Viele Informationen über das Programm finden Sie auf der Website mathworks Experiment Daten vorbereiten Daten können einfach mit den Standardwerkzeugen von MetaTrader erworben werden: Service - gt Quotes archive - gt Export Als Ergebnis erhalten wir. csv-Datei, die ein Rohstoff für die Datenvorbereitung ist. Um die Datei in eine bequeme für die. xls-Datei zu konvertieren, importieren Sie Daten aus der. csv-Datei. Fügen Sie dazu in Excel Folgendes ein: Data - gt Importieren Sie externe Daten - gt Importieren Sie Daten und geben Sie die vorbereitete Primärdatei an. Im Import-Master werden alle notwendigen Aktionen in 3 Schritten durchgeführt: Im dritten Schritt ersetzen Sie den Trenner der Ganzzahl und den Dezimalteil um einen Punkt mit More. Um Daten als Zahlen zu akzeptieren, nicht als Strings, ersetzen Sie den Separator der Ganzzahl und den Dezimalteil um einen Punkt: Service - gt Parameter - gt International - gt Separator von Integer und Dezimalteil. Die Screenshots zeigen das Beispiel des Sparens der Eröffnungs - und Schlusskurse, andere Daten werden noch nicht benötigt. Verwandeln Sie nun alle Daten in Übereinstimmung mit dem, was wir prognostizieren wollen. Prognose des Schlusskurses des folgenden Tages auf die vier vorherigen (die Daten sind in fünf Spalten dargestellt, die Preise sind in einer chronologischen Reihenfolge). Dank einfacher Manipulationen in Excel werden Daten innerhalb von wenigen Minuten erstellt. Ein Beispiel für eine vorbereitete Datendatei ist dem Artikel beigefügt. Damit Matlab die Dateien wahrnehmen kann, müssen die vorbereiteten Daten in. txt oder gespeichert werden. Dat-Dateien. Speichern wir sie in. txt-Dateien. Dann sollte jede Datei aufgeteilt werden - für das Netz Training (Auswahl) und seine Prüfung (außerhalb Auswahl). Solche vorbereiteten Euro-ZIP-Daten sind für den weiteren Betrieb geeignet. Bekanntschaft mit Matlab Von der Befehlszeile aus starten Sie das Paket ANFIS mit dem Befehl anfisedit. Der Editor besteht aus vier Balken - für Daten (Load data), für die Nettoerzeugung (Generate FIS), für Training (Train FIS) und für seine Tests (Test FIS). Die obere Leiste dient zur Vorschau der Neuronetstruktur (ANFIS Info). Weitere Informationen zum Paketbetrieb finden Sie hier: Um die Lastdaten zu starten, die in den vorherigen Stufen vorbereitet wurden - laden Sie die Daten und geben Sie die Datei mit den Selektionsdaten an. Erstellen Sie dann ein neuronales Netzwerk, indem Sie auf FIS generieren klicken. Für jede Eintragsvariable setzen Sie 3 linguistische Variablen mit einer Dreiecksreferenzfunktion ein. Setzen Sie eine lineare Funktion als Funktion der Referenz einer Exit-Funktion. Für das Neuronet-Training umfasst das Paket AnfisEdit 2 Trainingsalgorithmen - Backpropagation und ein Hybrid. Mit einem Hybridtraining wird das Netz innerhalb von zwei-drei Läufen trainiert. Bei einer Trainingsauswahl (60 Werte) nach dem Training unterscheidet sich die Prognose des Netzes von der realen in mehreren Punkten. Aber was wir prognostizieren müssen, ist Zukunft Als die Außenauswahldaten haben wir die nächsten 9 Tage nach den Innenauswahldaten genommen. Bei den Außenauswahldaten beträgt der Mittelwert-Quadrat-Fehler 32 Punkte, was natürlich im Realhandel nicht akzeptabel ist, zeigt aber, dass die Neuronet-Richtung weiterentwickelt werden kann - das Spiel muss die Kerze wert sein. Das Ergebnis unserer Arbeit ist das mehrschichtige hybride neuronale Netz, das absolute Preiswerte für die nahe Zukunft prognostizieren kann. Es Kardinale ändert sich in seiner Architektur und Zwecke von einem einschichtigen neuronalen Netzwerk, beschrieben von Y. Reshetov in seinem Artikel ruarticles1447 und realisiert als Expert Advisor mql5rucode10289. Wir haben es geschafft, eine mehr oder weniger vertretbare Prognose auf Anführungszeichen zu erhalten, obwohl neuronale Netzwerkexperten dringend empfehlen, dies nicht zu tun. Um das resultierende Neuronet anzuzeigen, klicken Sie auf Struktur. Ein geschultes neuronales Netzwerk befindet sich in der angehängten Datei neuro. zip. Ein großer Vorteil des Pakets Matlab ist seine Integrierbarkeit mit anderen Programmen, und es gibt mehrere Varianten der Integration DDE, com-objects, dll. So müssen Sie nicht das Tool aus scratch forum. mql4ru5220 zu erstellen. Können Sie eine fertige Programmlösung für die Arbeit mit neuronalen Netzwerken und genetischen Algorithmen verwenden. Danach können Sie das neuronale Netzwerk in das Programm MetaTrader über dll integrieren. Fazit Neuronale Netze sind ein sehr leistungsfähiges Instrument für die Arbeit an den Finanzmärkten, aber das Erlernen dieser Technologie erfordert Zeit und Mühe nicht weniger als das Erlernen der technischen Analyse. Ein Vorteil von neuronalen Netzen ist ihre Objektivität in der Entscheidungsfindung, deren Nachteil - die Entscheidungen werden tatsächlich durch eine Black Box getroffen. Das Hauptproblem, das während der Arbeit mit dieser Technologie auftreten kann, ist mit der korrekten Vorverarbeitung von Daten verbunden. Diese Stufe spielt eine entscheidende Rolle bei der Datenvorhersage und viele erfolglose Versuche, mit neuronalen Netzen zu arbeiten, sind mit dieser Stufe verbunden. Um richtig Netzwerke zu lernen muss man viel experimentieren - aber das Spiel ist die Kerze wert. Wenn institutionelle Anleger dieses Tool nutzen, können dann auch Händler mit geschulten neuronalen Netzen erfolgreich sein, weil alles in das Netzwerk eingegeben werden kann - von Indikatoren und Preisen bis hin zu Signalen der Fundamentalanalyse. Liste der Referenzen 1. Nejrokompyuting i ego primenenie v nauke i biznese. A. Ezhov, S. Shumskij. 1998
No comments:
Post a Comment