Ingyenes forex kereskedési jelzéseket - piaci hírek

Mi a neurális hálózat?

A neurális hálózatok, sőt, egyes egységek a képesség, hogy saját képzési és alakfelismerés, osztályozás és előrejelzés. Ezek különösen vonzóak a kereskedők, mert a hálózat képes megbirkózni a becslések valószínűség félreérthető helyzetekben, és fuzzy logic modellek, azaz modellek, könnyen meghatározható megjelenésű, de nehéz algorithmization formájában pontos szabályokat. Potenciálisan a neurális hálózat képes érzékelni bármilyen adatot jelen van az eredeti ismétlődő mintákat. Hálózatok is integrálható nagy mennyiségű információt, nem fulladás részletesen és képesek alkalmazkodni a változó piaci feltételeket.
Vannak különféle idegi hálózatok tekintetében különböznek egymástól „építészet”, azaz virtuális kommunikáció eljárás neuronok részleteit viselkedésük (jelfeldolgozó vagy „átviteli függvény”) és a tanulási folyamat. Vannak különböző típusú hálózati architektúrák érdekesek a kereskedők, mint a vektor kvantálás képzési hálózat és UNC hálózat (LVQ), a különböző hálózati adaptív rezonancia és periodikus hálózat. Ebben a fejezetben a legnépszerűbb és hasznos sok szempontból, az architektúra lesz szó, nevezetesen a neurális hálózat közvetlen svyazyu.Kak említettük, a hálózat változik az eljárás képzés. A rendszer tervezők szerepét egy tanár, hogy egy hálózat példák tanulást. Egyes hálózatok képzett „ellenőrzés alatt”, néhány „out of control”. felügyelete alatt az edzés előtt, amikor a hálózat képzett, hogy a helyes válaszokat, megmutatja neki példákat a helyes döntések; mindegyik a bemenetek a célja, hogy a hálózat helyes kimenet. Oktatás ellenőrzés nélkül, hogy a hálózat szervezi a bejegyzéseket, hogy saját belátása alapján találtam bennük a belső törvényeket. Függetlenül attól, hogy az oktatási forma a fő probléma az, hogy megtaláljuk a megfelelő adatokat, és biztosítja számukra az esettanulmányok formájában, tények, amelyek kiemelik fontos modellek hatékony és irányított tanulási hálózatot, annak érdekében, hogy elkerüljék a kialakulását téveszmék. Előzetes adatok előállítására - egy művészeti önmagában.
Tulajdonképpen a tanulási folyamat általában magában valamilyen mechanizmus frissítésére sajátos súlyát és a jelentőségét a különböző idegsejtek közötti kapcsolatok, válaszul a mellékelt esettanulmányok. Ha a használt építészet, közvetlen kapcsolat gyakran vissza-szaporítás - a leggyorsabb formája optimalizálás. Szintén hatásos a genetikus algoritmusok. amelyek megkövetelik a sok számítást és az idő, de általában adja a legjobb eredményeket.

A neurális hálózatok feedforward

feedforward hálózat rétegekből áll neuronok. Az első réteg a bemeneti, vagy információt kap bemenetet kívülről. Ez a réteg áll független változók, mint az ár vagy érték mutatók, amelyek a rendszer az alábbi következtetéseket vagy előrejelzések. Ez a réteg összeköttetéscsoportról az alábbi úgynevezett rejtett réteg, mivel nincs kapcsolatait a világ. A kimenetek ezen réteg etetik a következő réteg, amely szintén el van rejtve (ha igen, akkor a folyamat ismétlődik), vagy a kimeneti réteg. Mind a neuronok a kimeneti réteg olyan jelet előrejelzéseken alapul, besorolások vagy döntések a hálózat. Hálózatok általában határozza meg az idegsejtek száma az egyes rétegekben; például 10-3-1 hálózati áll a 10 neuronok a bemeneti, rejtett 3 és 1 a kimeneti réteg. Hálózatok jönnek a különböző méretű - a néhány ezer neuron és mind a három réteget tízes; A nehézség függ a hatálya a probléma kiküszöbölése. Szinte mindig elég három vagy négy sloev.Neyronnye hálózat közvetlen kapcsolat (hasonló kifejezések ebben a fejezetben) tartalmaz egy speciális formája a nem-lineáris többszörös regresszió. A hálózat egy számot kap a bemeneti változók, és ezeket használja megjósolni munka céljait, valamint a regresszió. A szabványos, több lineáris regresszió, például, ha a feladat az, hogy megjósolni a koleszterin szintet (függő változó) alapján zsírbevitel és testmozgás (független bemeneti változó), az adatok a következőképpen modellezhető: megjósolt koleszterin szint = a + b x zsír bevitel + c X teher, ahol az értékeket a, b és c határozzuk meg statisztikai eljárás. Kereséséhez a megoldások sokaságát, amely lehet egy vonal, sík vagy hipersíkot (attól függően, hogy a változók száma) a szabály alapján a legkisebb négyzetek. A fenti probléma minden megoldások a síkban: X-tengely képviseli a zsírfogyasztás, y-tengelyen a fizikai aktivitás, a magassága a sík minden ponton (x, y) a megjósolt koleszterinszintet. Amikor a neurális hálózat technikák egy kétdimenziós síkban, vagy n-dimenziós hipersíkot többszörös lineáris regressziós helyébe n-dimenziós sima ívelt felületet a csúcsok és mártások, gerincek és vízmosások. Például, meg kell találni az optimális megoldást egy sor változó, és a kihívás az lesz, hogy építsenek egy többdimenziós térképet. A neurális hálózati megoldás érhető el a segítségével „neuronok” - összekapcsolt nemlineáris elemek, a kommunikáció, hogy kiegyensúlyozott, hogy állítsa be a felszínen a tárgyak.

A tanulási algoritmus generál beállító kapcsolatok súlyának a maximálisan illeszkedő be eredeti adatokat felületi konfigurációját. Mivel ez a helyzet a szabványos, többszörös regressziós, ahol regressziós együtthatók van szükség, hogy meghatározzuk a Tilt egy hiperfelület, neurális modell paraméterek szükségesek (formájában súlyok kapcsolatok), hogy a legjobb illeszkedést biztosítják felületi épített, annak minden csúcsok és völgyek, a bemeneti adatokat.

A neurális hálózatok kereskedelemben

A neurális hálózatok már a legnépszerűbb a késő 80-as - 90-es években, majd a mézeshetek alatt. Mi történt? Általában jött a csalódás kereskedők között, akik azt remélték, hogy az új technológia lehetővé teszi számukra, csodálatosan fölénye minimális erőfeszítéssel. A fejlesztők használják, hogy a vonat elég elő az eredeti adatokat, abban a reményben, hogy a felfedezések kellett volna maga a hálózat. Ez volt a naiv megközelítés. A siker a piacon nem olyan egyszerű és mindenki számára hozzáférhető. Ez a megközelítés nem csak hatástalan kapcsolatban hálózat fejlesztése, hanem vezetett arra a tényre, hogy a hálózat elterjedt. Ennek eredményeként minden olyan kísérletet, hogy utolérjék a rendszerek kedvező piaci mozgás nullára csökkent, mert a változó jellege a piac, amely gyorsan alkalmazkodik az új kereskedési technikák. A technológia önmagában és a vádlott elutasította azt gondolkodás nélkül a rossz megközelítést alkalmazni. Mi szükséges egy intelligens és kifinomult megközelítés sikeres kimenetelét.

A legtöbb kísérlet, hogy dolgozzon előrejelző modellek alapján neurális hálózatok. egyszerű vagy bonyolult, összpontosított az egyes piacokon. A probléma az egyes piacokon, hogy az adatpontok száma egy hálózat képzési nagyon korlátozott, és vezet újra optimalizálás, amely különösen, ha együtt nem túl jól előkészített adatokat vezet kudarcra kereskedés. Ebben a fejezetben a neurális hálózat fogja képezni alapján egy értékpapír-, devizák és határidős, amelyet használni, hogy elkerüljük illeszkedő tízezer adatpontok - egy tisztességes összeg egy kis vagy közepes neurális hálózat. Lehet tehát tenni, hogy ez a munka meglehetősen egyértelműen algoritmus piaci előrejelzés. Tény, hogy egy ilyen hálózat szolgálhat egy univerzális előrejelzője jelenti, azaz a tanulás után egy egész portfólió képes lesz megjósolni egyenként az egyes piacokon.