Neural network 2 Moving Averages Ett neuralt nätverk Expert Advisor baserat på två glidande medelvärden med träningsläget. Trä expertrådgivaren på utvalda exempel och gör en vinst i verkligheten. EA kan arbeta på något instrument och i vilken tidsram som helst. EA: s handelsalgoritm Två rörliga medelvärden analyseras av den neurala nätverkskärnan, som producerar kommandon för att köpa eller sälja. värdena för två glidande medelvärden, snabb (FMA) och långsam (SMA), tillhandahålls till det första skiktet, vid det andra skiktet beräknas två neuroner som är ansvariga för Köp (N köp) och Sälj (N sälja), beslutet att köpa eller säljs görs på tredje nivå. Blockdiagram över det neurala nätverket visas i figuren. Expert Advisor Training I träningsläge kommer EA ihåg värdena för glidande medelvärden som markeras av användaren på diagrammet för valutainstrumentet. I framtiden, under normal drift, känner den igen värdena för de glidande medelvärdena. Att träna EA-märket minst en lång och en kort handel på diagrammet. För att indikera en lång handel använder du Köp-pilen, och för kort handel använder du Sälj-pilen. Du kan placera fler pilar på diagrammet. Ju fler pilar desto längre blir träningsprocessen. Närvaron av andra objekt i diagrammet än pilarna är inte önskvärt. Efter träningen skapas mapp NN 2MA i terminalens gemensamma mapp. Det kommer att innehålla filen HHHHHHNN2MA. bin med inställningarna för det utbildade neurala nätverket. XXXXXX i filnamnet är namnet på det finansiella instrumentet. Vid normal drift laddar EA data från filen. Om filen inte hittas kommer den att använda standardinställningarna. Som standard utbildas EA vid USDJPY och en timmes tidsram. Traderna väljs år 2012. Följande ingångsparametrar är ansvariga för EA-träningen: Antal vikter per neuron. Motsvarande längden på MA. Standard - 48. Antal träningscykler - standard 100. Ju högre värde desto längre blir träningsprocessen. I försöksversionen är det 10. Faktor b - värdet påverkar hastigheten för korrigering av vikter av neuroner, används för att träna nätverket. Standardvärdet är 0,7, behöver inte ändras. Lärarmodus EA - aktiverar EA: s träningsmodus. Exempel på att specificera branscher för utbildning av EA finns i figuren. Inställningarna för normalläge för rörliga medelvärden Du kan justera inställningarna för varje glidande medelvärde: perioden, priset, beräkningsläget. Ordervolym - standard är 0,1. Värdet av glidningar i poäng - standard är 30. Antal försök att öppna en position - standard är 5. Nivå StopLoss i poäng - standard är 0. Nivå TakeProfit i poäng - standard är 0. Nivå TrailingStop i poäng - standard är 650. Tillåt Money Management - kontrollera orderstorleken för att komma in på marknaden, aktiverad av defalt. Om läget är avstängt, är orderstorleken hämtad från volymen av orderparametern. Ordervolymen i procent av insättningen - som används för att styra orderstorleken, är standard 5 procent. Lägger till i öppet läge - aktiverat som standard. Om det finns en signal att komma in på marknaden i riktning mot ett öppet läge, går EA in på marknaden. Inställningar för neuralt nätverk Antal vikter per neuron. Motsvarande längden på MA. Ju högre värde desto mer exakt kommer nuvarande marknadstillstånd att erkännas, men det minskar antalet branscher. Ju lägre värde desto mindre exakt kommer nuvarande marknadstillstånd att erkännas, men antalet affärer ökar. Värdet av neuronaktivering. Värdet är cirka 0,75 av värdet av antalet vikter per neuron. Ju högre värde desto strängare är valet av neuroner för att fatta ett beslut. I försöksversionen är det 40. Antal träningscykler - standard är 100. Faktor b viktkorrigeringshastigheten, standard är 0,7. Läroläge EA EA träningsmodus. Under träning visas de maximala värdena för neuronerna i kommentarerna på diagrammet. Dessa värden kan användas som ett aktiveringsvärde för neuronen. Ett exempel visas i figuren. Aktivera kommentarer - möjliggör kommentarer på diagrammet. Magic Antal Advisor. Paus efter handel i millisekunder. Som standard utbildas EA på USDJPY H1 på två branscher under 2012. Resultatet av Expert Advisor-testningen 2013 visas i det här avsnittet. Nätverksnätverk 2 Rörande medelvärden Ett neuralt nätverk Expert Advisor baserat på två glidande medelvärden med träningsläge . Trä expertrådgivaren på utvalda exempel och gör en vinst i verkligheten. EA kan arbeta på något instrument och i vilken tidsram som helst. EA: s handelsalgoritm Två rörliga medelvärden analyseras av den neurala nätverkskärnan, som producerar kommandon för att köpa eller sälja. värdena för två glidande medelvärden, snabb (FMA) och långsam (SMA), tillhandahålls till det första skiktet, vid det andra skiktet beräknas två neuroner som är ansvariga för Köp (N köp) och Sälj (N sälja), beslutet att köpa eller säljs görs på tredje nivå. Blockdiagram över det neurala nätverket visas i figuren. Expert Advisor Training I träningsläge kommer EA ihåg värdena för glidande medelvärden som markeras av användaren på diagrammet för valutainstrumentet. I framtiden, under normal drift, känner den igen värdena för de glidande medelvärdena. Att träna EA-märket minst en lång och en kort handel på diagrammet. För att indikera en lång handel använder du Köp-pilen, och för kort handel använder du Sälj-pilen. Du kan placera fler pilar på diagrammet. Ju fler pilar desto längre blir träningsprocessen. Närvaron av andra objekt i diagrammet än pilarna är inte önskvärt. Efter träningen skapas mapp NN 2MA i terminalens gemensamma mapp. Det kommer att innehålla filen HHHHHHNN2MA. bin med inställningarna för det utbildade neurala nätverket. XXXXXX i filnamnet är namnet på det finansiella instrumentet. Vid normal drift laddar EA data från filen. Om filen inte hittas kommer den att använda standardinställningarna. Som standard utbildas EA vid USDJPY och en timmes tidsram. Traderna väljs år 2012. Följande ingångsparametrar är ansvariga för EA-träningen: Antal vikter per neuron. Motsvarande längden på MA. Standard - 48. Antal träningscykler - standard 100. Ju högre värde desto längre blir träningsprocessen. I försöksversionen är det 10. Faktor b - värdet påverkar hastigheten för korrigering av vikter av neuroner, används för att träna nätverket. Standardvärdet är 0,7, behöver inte ändras. Lärarmodus EA - aktiverar EA: s träningsmodus. Exempel på att specificera branscher för utbildning av EA finns i figuren. Inställningarna för normalläge för rörliga medelvärden Du kan justera inställningarna för varje glidande medelvärde: perioden, priset, beräkningsläget. Ordervolym - standard är 0,1. Värdet av glidningar i poäng - standard är 30. Antal försök att öppna en position - standard är 5. Nivå StopLoss i poäng - standard är 0. Nivå TakeProfit i poäng - standard är 0. Nivå TrailingStop i poäng - standard är 650. Tillåt Money Management - kontrollera orderstorleken för att komma in på marknaden, aktiverad av defalt. Om läget är avstängt, är orderstorleken hämtad från volymen av orderparametern. Ordervolymen i procent av insättningen - som används för att styra orderstorleken, är standard 5 procent. Lägger till i öppet läge - aktiverat som standard. Om det finns en signal att komma in på marknaden i riktning mot ett öppet läge, går EA in på marknaden. Inställningar för neuralt nätverk Antal vikter per neuron. Motsvarande längden på MA. Ju högre värde desto mer exakt kommer nuvarande marknadstillstånd att erkännas, men det minskar antalet branscher. Ju lägre värde desto mindre exakt kommer nuvarande marknadstillstånd att erkännas, men antalet affärer ökar. Värdet av neuronaktivering. Värdet är cirka 0,75 av värdet av antalet vikter per neuron. Ju högre värde desto strängare är valet av neuroner för att fatta ett beslut. I försöksversionen är det 40. Antal träningscykler - standard är 100. Faktor b viktkorrigeringshastigheten, standard är 0,7. Läroläge EA EA träningsmodus. Under träning visas de maximala värdena för neuronerna i kommentarerna på diagrammet. Dessa värden kan användas som ett aktiveringsvärde för neuronen. Ett exempel visas i figuren. Aktivera kommentarer - möjliggör kommentarer på diagrammet. Magic Antal Advisor. Paus efter handel i millisekunder. Som standard utbildas EA på USDJPY H1 på två branscher under 2012. Resultatet av Expert Advisor-testningen 2013 visas i bilden. Brain Inspired Cognitive Systems (BICS 2006) Samspelet mellan naturlig och artificiell beräkning (IWINAC 2007) Förbättring av Auto-Regressive Integrated Moving Average-modeller med Fuzzy Logic och Artificial Neural Networks (ANNs) Mehdi Khashei. Mehdi Bijari Gholam Ali Raissi Ardali Institutionen för industriell teknik, Isfahan tekniska högskola, Isfahan, Iran Mottaget 15 juli 2007. Reviderad 22 april 2008. Godkänd 29 april 2008. Tillgänglig online 20 maj 2008. Kommunicerad av G. P. Zhang Time series prognoser är ett aktivt forskningsområde som har väckt stor uppmärksamhet för applikationer inom en rad olika områden. Auto-Regressive Integrated Moving Average (ARIMA) - modellerna är en av de viktigaste tidsseriemodellerna som används för prognostisering av finansmarknaden under de senaste tre decennierna. Nyare forskningsverksamheter inom prognoser för tidsserier indikerar att två grundläggande begränsningar förringar deras popularitet för prognostisering av finansiella tidsserier: (a) ARIMA-modeller antar att framtida värden för en tidsserie har ett linjärt förhållande med nuvarande och tidigare värden såväl som med vitt brus , så approximationer av ARIMA-modeller kanske inte är tillräckliga för komplexa olinjära problem och (b) ARIMA-modeller kräver en stor mängd historiska data för att ge noggranna resultat. Både teoretiska och empiriska fynd har föreslagit att integration av olika modeller kan vara en effektiv metod att förbättra på grund av deras prediktiva prestanda, speciellt när modellerna i ensemblet är ganska olika. I detta dokument integreras ARIMA-modellerna med Artificial Neural Networks (ANNs) och Fuzzy Logic för att övervinna linjära och databegränsningar för ARIMA-modeller, vilket ger bättre resultat. Empiriska resultat av prognostiseringen av finansmarknaderna indikerar att hybridmodellerna uppvisar en effektiv förbättrad prognosticeringsnoggrannhet så att den föreslagna modellen kan användas som ett alternativ till finansmarknadsprognosverktyg. Auto-Regressive Integrated Moving Average (ARIMA) Prognoser för tidsserier Artificial Neural Networks (ANNs) Fuzzy logic Finansmarknaderna Växelkurs Fig. 1. Fig. 2. Fig. 3. Tabell 2. Fig. 4. Tabell 4. Fig. 5. Fig. 6. Tabell 6. Fig. 7. Fig. 8. Mehdi Khashei föddes 1979 i Esfahan, Iran. Han studerade industriell teknik vid Isfahan Tekniska Högskola (IUT) och fick MS-examen inom industriell teknik 2005. Han är författare eller medförfattare på cirka 13 vetenskapliga tidskrifter i internationella tidskrifter eller kommunikation till konferenser med granskningskommitté. Hans nuvarande forskning kombinerar modellerna Auto-Regressive Integrated Moving Average (ARIMA) med Artificial Neural Networks (ANNs) och fuzzy logic till tidsserie prognos. Hans forskningsintressen innefattar beräkningsmodeller av hjärnan, fuzzy logic, mjuk databehandling, olinjära approximatorer och prognoser för tidsserier. Mehdi Bijari tog sin civilingenjörsingenjör i maskinteknik 1987, Civilingenjör i systemplanering 1990, både från Isfahans tekniska högskola (IUT) och doktorand inom industriell teknik 2002, Sharif University of Technology. Han har föreläsat industriell ingenjörsavdelning vid IUT sedan 1991. Hans forskning ligger inom projektledning, simulering, produktionsplanering, meta heuristiska metoder, optimering, prognoser för tidsserier och informationssystem. Han har publicerat olika papper i produktionsplanering, prognos för tidsserier och optimering. Gholam Ali Raissi Ardali är assistent professor i industriell teknik vid Isfahan University of Technology (IUT). Han fick BSc i statistikinformatik, 1975, från Institute of Statistics and Informatics, Teheran, Iran, MSc i tillämpad statistik, 1977, från Brunel University, England, och doktorsexamen i industriell teknik, 1980, från Bradford University, England. Hans forskningsintressen är total kvalitetshantering, statistisk kvalitetskontroll, prognoser för tidsserier, neurala nätverk och supply chain management. Motsvarande författare. Tel. 98 311 3912550 1 fax: 98 311 3915526. Upphovsrätt 2008 Elsevier B. V. Alla rättigheter förbehållna. Citationstecken () Neural Network Development for Financial Forecasting Av: Lou Mendelsohn Omfattande forskning har gjorts om tillämpningen av neurala nätverk för finansiella prognoser i dagens globaliserade handelsmiljö. Vad gör denna speciella användning av artificiell intelligens så attraktiv för finansiella analytiker och handlare. Här framhäver Lou Mendelsohn of Market Technologies några av dessa frågor och fastställer mål för utbildning av neurala nätverk. Med de framsteg som görs inom datorteknik och telekommunikationsteknik idag blir världens stora ekonomier och finansmarknader alltmer globaliserade. När denna trend accelererar blir de finansiella marknaderna alltmer inbördes och grundläggande faktorer blir allt viktigare för finansmarknadsanalysen. På den globala marknaden förlorar den rådande tekniska analysmetoden - där en inre marknad modelleras genom historisk simulering och backtestning av sitt eget tidigare prisbeteende - snabbt att förlora sin konkurrensfördel, eftersom institutioner och enskilda näringsidkare båda i ökande grad tillämpar konstgjorda intelligens (AI) - teknik till finansiell prognos. Nyare forskning visar att denna olinjära domän kan modelleras mer exakt med denna teknik än med de linjära statistiska och enskilda marknadsföringsmetoderna som har varit grunden för teknisk analys under det senaste decenniet. Det är på grund av dessa faktorer att AI-området meriterar en närmare titt. Resultatet av dessa nya krav är uppkomsten av en ny analysmetod som sammanfogar teknisk och fundamental analys med den senare betoningen på intermarknadsanalys. Denna kombinerade analysmetod kallas synergistisk marknadsanalys eller synergistisk analys. Denna nya analysmetod, som använder konstgjorda intelligensverktyg, syntetiserar tekniska, intermarknads - och grundläggande data inom en analytisk ram, vilket resulterar i bättre prognosmöjligheter och tidigare identifiering av trendförändringar och möjliggör för handelarna att dra nytta av marknadsinflytande på de globala marknaderna på 1990-talet. Sådana verktyg som neurala nätverk, expert - och kunskapsbaserade system, maskininlärning, fuzzy logic, wavelets, kaosteori och genetiska algoritmer tillämpas över branscher. I samma ögon kan neurala nätverk användas för finansiell prognos eftersom neurala nät har visat sig vara tekniskt kraftfulla och flexibla, vilket är idealiskt för att utföra synergistisk analys. ARTIKELLA NÄRA NÄTVERKAR Artificiella neurala nätverk är modeller baserade på människans hjärnans arbete, med hjälp av en distribuerad bearbetningsmetod för beräkning. Neurala nät kan hantera ett brett spektrum av problem genom att lära sig en matematisk modell för problemet: Modellen kan sedan användas för att kartlägga ingångsdata till utgångsdata. Allt som kan representeras som ett nummer kan matas in i ett neuralt nätverk. Tekniska indikatorer och grundläggande och prisdata relaterade till en enda målmarknad samt intermarknadsdata som påverkar målmarknaden kan alla matas in i ett enda neuralt nät och brukade förutsäga pris - och trendanvisningar för målmarknaden. Konstgjorda neurala nätverk består av individuella sammankopplade behandlingselement (PE). Dessa Pes är analoga med neuroner i hjärnan och benämns även neuroner. Varje PE skickar upp data från andra PE-enheter. Matematiskt sett är standardmodellen relativt enkel. För varje enskild PE multipliceras ingångsdata (I0-In) med vikten (W0-Wn) som är associerad med anslutningen till PE. Dessa produkter summeras och överförs genom en överföringsfunktion som omvandlar summan till ett värde i ett specificerat intervall - till exempel mellan noll och en. Utsignalen från en given PE multipliceras sedan med en annan separat vikt och matas in i nästa behandlingselement. Om bearbetningselementet är i utmatningsskiktet, vilket skulle vara fallet i fig 1, multipliceras inte utmatningen från bearbetningselementet med en vikt och istället är en utmatning från själva nätverket. Den valda arkitekturen i det neurala nätverket anger antalet behandlingselement som finns i ett nätverk och hur de ansluter. Det är viktigt att erkänna att ett enda behandlingselement har liten eller ingen användning. Det är sättet på vilket de individuella PE-grupperna är organiserade för att modellera komplexa olinjära system som är viktiga vid tillämpningen av neurala nätverk för ekonomisk modellering och prognoser. PARADIGMATISKA VARIATIONER Neurala nätverk kan tillämpas på många allmänna problemområden, inklusive klassificering, filtrering, mönsterförening, optimering, konceptualisering och förutsägelse. Det första steget i att skapa en artificiell neural nätverksapplikation innebär att man identifierar den kategori som det aktuella problemet tillhör - inte nödvändigtvis lika enkelt som det kan tyckas, eftersom många distinkta neurala nätverkssystem är mer lämpliga än andra för en given applikation. Eftersom vårt primära mål här är att förutse priser och trendriktning kan emellertid detta problem klassificeras som en förutsägbar. Många olika paradigmer kan användas för prediktiva ändamål. Var och en har ett nästan obegränsat antal variationer, beroende på hur du väljer parametrarna. Det är inte lika viktigt att du väljer det perfekta paradigmet för ditt problem - om det finns en sådan sak - eftersom det bara är att välja en som är mer eller mindre lämplig. Undersök nu två kända paradigmer: feed-forward och återkommande back-propagation nätverk. FEED-FORWARD BACK-PROPAGATION NETWORKS Ett feed-forward multi-layered nätverk, vanligen kallat back-propagation eller back prop, nätverk, är förmodligen det mest använda nätverksparadigmet. En representativ arkitektur för ett back-prop-nätverk visas i FIGUR 2. Dessa nätverk är sammansatta av ett ingående lager av neuroner, några dolda skikt och ett utmatningsskikt. Skikten mellan ingången och utgången kallas dolda skikt eftersom de är väsentligen dolda från nätverksutvecklare och användare. Även om ett back-prop-nät kan ha några dolda lager, är en tillräcklig för att utföra någon kartläggning av inmatning till utgång. Det betyder inte att ett enda doldt lager alltid är det mest önskvärda antalet, men det är definitivt ett bra ställe att börja. Nätverkets funktion är relativt enkel. Inputdata - till exempel förändringar i prisdata och glidande medelvärden av priser, volym och öppen ränta - presenteras för nätverket i inmatningsskiktet. Värdena som är associerade med varje enskild ingående neuron matas in i det första dolda lagret. Varje dold neuron tar emot dessa värden, multipliceras med lämplig vikt, summerar dem, kör dem genom en överföringsfunktion och producerar en utgång. Utgångarna från det dolda lagret matar sedan framåt i antingen det nästa dolda lagret eller till utmatningsskiktet. Denna presentation (FIGUR 2) förutsätter att skikten är fullständigt anslutna, där varje neuron i inmatningsskiktet har en anslutning till varje neuron i det dolda skiktet. Detsamma gäller för anslutningarna mellan det dolda skiktet och utmatningsskiktet. Detta behöver inte vara fallet, men det är ännu ett beslut att göra när man utformar ett nätverk. Viktens initialvärden väljs slumpmässigt i träningsstegen i det neurala nätverket, och sålunda kommer den första uppsättningen av inmatningsvärden (ofta refererad till som en ingångsvektor) sannolikt inte att producera lämplig utgångsvektor. Antag exempelvis att du har utformat ett nätverk för att förutsäga medianpriset på ett lager i framtiden, baserat på skillnaden i höga och låga under de senaste två dagarna och ett glidande medelvärde av stängningarna under de senaste fem dagar. Du skulle presentera nätverket med ett enda faktum, som består av en trevärderad ingångsvektor, där varje värde motsvarar en av de angivna ingångarna och en envärdesutgångsvektor som representerar nästa dags medianpris. Som ett resultat kommer det första faktum som presenteras och matas via nätverket sannolikt att producera en produkt som skiljer sig mycket från den önskade utsignalen. Vad vi vill att nätverket ska lära sig är att den ingående vektorn den gav bör innehålla de faktorer som så småningom skulle producera utmatad vektor. I sitt första försök att göra det bestämmer nätverket emellertid ett mått på felet mellan den genererade utsignalen och den önskade utsignalen. Detta görs för varje utgång i utmatningsskiktet, vilket i det här enkla fallet är bara en. Felen matas sedan tillbaka via nätverket, lager för lager, och används för att justera vikterna av anslutningarna mellan neuronerna för att minimera det totala felet som är associerat med utgångsvektorn. Därefter presenteras olika germane fakta för nätverket upprepade gånger under träning för att försöka minska felet till acceptabla nivåer. I enkla problem kan felnivån sänkas till noll, men det här är inte en realistisk förväntan i de flesta verkliga applikationer. Återkommande Back-Propagation Networks Denna nätverkstyp består av ett enda funktionellt lager av behandlingselement. FIGUR 3 visar en tvåskiktsrepresentation för att göra arkitekturen lättare att visualisera. Notera att neuronerna i det första skiktet är helt anslutna till neuronerna i det andra lagret. Neuronerna i det andra lagret matar tillbaka in i det första lagret med en en-till-en-kartläggning. Det andra lagret representerar en tidsfördröjning för överföring av data via nätverket. Denna typ av arkitektur gör att nätet kan lära sig temporära relationer. I ett feed-forward back-prop-nätverk, om du vill presentera fakta som innehåller skillnaderna i höga under de senaste fem dagarna, måste du först skapa det som kallas en ögonblicksbild av dina data genom att bygga ett faktum med en ingång vektor som innehåller fem värden (en för varje skillnad) och en utgång för imorgon. Du måste göra det för varje födelsedag som presenteras för nätverket. På ett visst sätt kodar du den tidsmässiga informationen du vill ha nätverket att använda (data från de senaste fem dagarna) till själva inmatningsdata. I händelse av ett återkommande nät, däremot skulle du istället i följd presentera varje födelsedag som en enda skillnad. Eftersom nätverket kan mata tillbaka på sig själv kan det lära sig den tidsmässiga informationen som ett resultat av den ordning i vilken fakta presenteras. I det här fallet behöver du inte koda det tidsmässiga förhållandet till ingångsdata. Vi har gjort stor forskning med både återkommande och matningsnät. Men de flesta kommersiellt tillgängliga neurala nätverksutvecklingspaket innehåller inte en återkommande modell, och vi kommer därför att fokusera främst på back-prop-modeller. För varje återkommande nätverk finns ett motsvarande matningsnätverk som kan utformas med identiskt beteende, så att ett återkommande nät kan modelleras med ett feed-forward-nät. NÄTVERKSARGITEKTUR Nätverksarkitektur omfattar överföringsfunktionen, antal och layout av bearbetningselementen och det sätt på vilket de är sammankopplade. De allmänna kraven för överföringsfunktionen i ett back-prop-nätverk är att det är en olinjär, kontinuerligt differentierbar funktion - det vill säga en funktion vars derivat existerar vid varje punkt och vars derivatfunktion tillåter nätet att utföra olinjär statistisk modellering. De vanligaste överföringsfunktionerna är sigmoid och hyperbolisk tangent: antingen kan de användas effektivt i ett back-prop-nätverk, även om vi ofta har upplevt bättre resultat med hyperbolisk tangentfunktion. När det gäller layout och anslutning kommer vi att koncentrera oss på en trelagers, helt ansluten arkitektur, som visas i FIGUR 2. Förutom överföringsfunktionen och antalet lager måste vi välja antal neuroner per lager, med ingång och utmatningslager, det här är rakt framåt. Antag att du försöker förutspå förändringen i närheten av ett visst lager och du vill göra det baserat på ett fem dagars glidande medelvärde av slutet, ett fem dagars glidande medelvärde för det höga och ett fem dagars glidande medelvärdet av de låga. Ditt nätverk skulle kräva tre inmatade neuroner och en utgående neuron. För ett olinjärt problem, som att förutsäga priser på ett lager eller en vara, skulle nätverket behöva minst ett doldt lager. Att välja antal neuroner i det dolda lagret av ett back-propagationsnätverk är bara en av de arkitektoniska beslut som ska fattas. Inga hårda och snabba regler finns tillgängliga för att bestämma rätt nummer, så vi måste förlita oss på antingen grova tumregler eller experiment eller båda. Ofta kräver mer komplicerade problem ett större antal dolda neuroner, men vi har funnit att för många dolda neuroner kan resultera i ett nätverk som är överpassat till träningsdata och det är osannolikt att det fungerar bra på nya osejda fakta som används för testning. Vart går vi från HUR Hur väljer vi en plats att börja Du kan överväga flera branschriktlinjer: Börja med ett antal dolda neuroner mellan halva antalet ingående neuroner och två gånger antalet inmatade neuroner. Börja med ett genomsnitt av antalet ingångar plus antalet utgångar eller helt enkelt ta det maximala av de två. Summa antalet inmatnings - och utgångsneuroner och multiplicera sedan detta värde med en bruskonstant som varierar beroende på den relativa mängden brus i data. Ju bulligare data, ju högre konstanten. Resultatet delas sedan in i det totala antalet faktagar som används för träning. Att välja en startpunkt för antalet dolda neuroner kan vara subjektiv. När du gör det vill du träna ett antal nät, variera antalet och storleken på dolda lager. Att göra det manuellt kan vara tillrådligt för handlare som precis börjat utforma sina egna neurala nät, eftersom det kommer att bidra till att bli mer bekanta med avvägningarna i samband med olika träningsparametervärden, inklusive antalet dolda enheter. När du blir mer erfaren, kommer du att vilja automatisera denna process, eftersom det att hitta det optimala antalet dolda neuroner kräver en tidskrävande systematisk sökning. Vid utveckling av neurala nätverk kontrollerar ingen enskild faktor, till exempel antalet dolda enheter, slutligen hur bra nätverket ska utföra. Datavalning och kvalitet, databehandlingsmetoder, optimering av träningsparametrar och testprocedurer påverkar alla nätverksprestanda. Dessa frågor kommer att undersökas närmare i senare artiklar, liksom många problem som kan uppstå vid varje steg i utvecklingen av ett neuralt nätverk. Därefter kommer jag att avgränsa viktiga frågor som involverar de tekniska, grundläggande och intermarknadsdata som används i neurala nätverk, och jag kommer också att undersöka metoder för raw input selection och hur man preprocessar dessa insatser innan de går in i nätverket. Lou Mendelsohn är president för Market Technologies, Wesley Chapel, Fl. ett forsknings-, utvecklings - och konsultföretag involverat i tillämpningen av artificiell intelligens på synergistisk marknadsanalys. Han kan nås på 813-973-0496. REFERENCER Hecht-Nielsen, R. 1990. Neurokomputering, Addison-Wesley Publishing Company, Inc. Mendelsohn, Lou 1991. Grunderna för att utveckla ett neuralt handelssystem, teknisk analys av STOCKS amp COMMODITIES, volym 9: JUNI Murphy, John J. 1991 . Intermarket Technical Analysis, John Wiley ampsons. Rumelhart, D. E. amp. J. L. McClelland 1986. Parallellfördelad behandling, volymerna 1 och 2, Massachusetts Institute of Technology. Reprinted från Technical Analysis of Stocks amp Commodities magazine. (C) 1993 Technical Analysis, Inc., 4757 California Avenue S. W. Seattle, WA 98116-4499, (800) 832-4642.
No comments:
Post a Comment