Нейронные сети — это пространственно-взаимосвязанные вычислительные алгоритмы, повторяющие биологический аналог взаимодействия нейронов человеческого мозга. «Крестными отцами» распараллеленных систем вычисления, в основе которых лежат простейшие составляющие преобразователи — нейроны, стала группа американских исследователей ученых: Ф. Розенблатт, М. Минский, Д.Хебб, У. Маккалох. С их подачи появился термин «neural networks».
Описанная первая модель простейшего нейрона представляла собой вычислительный алгоритм, способный связать множество поступающих входных сигналов «Х» в одну нелинейную функцию, с учетом весовых коэффициентов «W».
Принцип вычислений, открытый в 40-х годах был внедрен 20 лет спустя, сначала в электронном виде, а потом с использованием машинного кода, архитектуры сетей были реализованы на первых компьютерах.
Розенблатт, Уилдроу, Минский и другие разработали однослойную модель нейронов. Розенблатт назвал эту однослойную модель перцетроном, собрав на ее основе первый нейрокомпьютер «Марк 1» в начале 1960 года. Первая нейросеть представляла собой аналог человеческого глаза: с сенсорных рецепторов, подавались обработанные входные сигналы, которые обрабатывались алгоритмами, преобразуя сигналы-раздражители в ассоциации, придавая им веса отправляли на три выходных реагирующих элемента:
Поначалу успех от вычислений был ошеломительным. Несмотря на простоту сборки архитектуры первой сети, она предсказывала погоду, распознавала буквы, даже считывала кардиограммы. Ряд последующих неудач, возникших из-за сложности восприятия сетей, алгоритмов обучения и обработки данных, несколько охладил к ним интерес, заставив пионеров отрасли, ударится в поиски более совершенной архитектуры.
Сегодня мы знаем, насколько важна правильная обработка представляемых данных. Появилось целая отрасль «data mining» разрабатывающая методики сборки и подготовки данных, но в далеких 60-х годах модель перцетрона критиковали сами члены команды создателей. Минский в своей книге «Перцептрон» доказал невозможность многих вычислений действующей моделью, в частности из-за отсутствия возможности повторить логическую функцию «ИЛИ».
Благодаря найденным недочетам модель, получив ряд жестких ограничений, помогла разобраться в алгоритмах обучения сетей, а простота свойств (линейность, однослойность параллельных вычислений) стала учебным базисом для последующих исследователей. Тогда же, в 60-х годах, финансирование исследований в области кибернетических моделей искусственного интеллекта было прекращено до начала 80-х годов. Впоследствии этот период окрестят термином «Зима искусственного интеллекта».
Группа энтузиастов Андерсон Гроссберг и Кохонен, без надлежащего финансирования и возможности публикации своих изысканий, продолжали работу в этой области, наработав теоретический фундамент и решив ряд задач, которые поставил Минский в своей книге о модели перцептрона.
Подводя итог, необходимо еще раз отметить, что сеть не похожа на остальные алгоритмы. Она не занимается решением поставленной проблемы, а учится решать какого-либо рода заданные проблемы, на готовых примерах, выбирая из множества развитий ситуаций «на входе» наилучшее их решение. Так ребенок учится собирать пазлы, быстрее и лучше, после примера Учителя. Далее, обучившись, сеть действует самостоятельно, гибко меняя или подстраивая свой алгоритм.
Возможности современных нейросетей
- Классификация образов. Нейросеть легко отличит рукописную букву, разговорную речь, графический паттерн, поймет «силу» возникшей фигуры.
- Кластеризация. Нейросеть совершает «просев» образов, разбирая их на классы по образу и подобию. Таким образом, из множества индикаторов, она может разделить, какие сигналы приводят к росту цены, какие к падению.
- Апроксимация сложных функций. В трейдинге это свойство используется для вычисления трендов в рыночном шуме. Если нами используется выборка сигналов типа х-вход у-выход неизвестной трендовой функции F(x), «спрятанной» в хаотичных рыночных колебаниях, нейросеть решает задачу по ее поиску и вычленению.
- Предикты (прогнозы). На основе изучения массива исторических данных, вычисления скрытых взаимосвязей, сеть с достаточной точностью прогнозирует значения изучаемой функции в будущем.
- Оптимизация. Этот алгоритм постоянно используется трейдерами в поисках наилучших параметров индикаторов. Сеть это делает гораздо эффективней.
- Ассоциативная память. В машинных вычислениях, адрес памяти имеет строгий код. Алгоритм вычислений не сможет проверить неправильность адреса, сопоставив код с информацией, содержащейся по данному адресу. Нейросеть справляется с этой задачей. В трейдинге нейросеть может сопоставлять исторические и нынешние модели развития кризиса (похож-не похож), проводя аналогии во всех заданных исторических участках кризисов прошлых лет.
- Управление. Зная заданные «идеальные» выходные значения, сеть будет подбирать входные так, чтобы система на выходе работала по эталону. Примером может служить тренировка нейросети на минимальную просадку, стремясь к плавности линии «эквити» (прироста капитала), сеть будет выбирать только надежные сделки или убирать отрицательные сделки при малом размере убытка.
Проблемы и достижения нейросетей
Корпорация Google широко рекламировала успех искусственного интеллекта победившего чемпиона по настольной интеллектуальной стратегической игре «го». Пользователи «IPhone» общаются с Siri, беспилотники распознают военную технику и т.д.
Проблемы состоят в непредсказуемости результата обучения нейросетей. Многослойная сеть требует временных затрат на обучение, не гарантируя результата. При полученном неудовлетворительном результате обучения, нет уверенности в том, что его следует повторять, переучивание сети может не дать прогресса. Попытка решить вопрос с использованием разных методик обучения решила проблему частично.
К нейросетям следует относиться с умеренной долей оптимизма. Продукт продают, завышая их функциональные возможности и скрывая неудачи. Прежде чем отдать за платформы тысячи долларов, по возможности пробуйте бета или демонстрационные версии. Утверждения об управлении этими сложными процессами без начальных знаний и навыков — ложны.
Недостаток кроется в «непохожести» искусственного интеллекта аналогу человеческого. Столкновение с той областью данных, которую сеть не знает (выход графика за максимальные или минимальные значения исторического отрезка, «изученного» сетью), влечет за собой сбой сети и «слив». Человеческий мозг устроен иначе. Видя аномальные явления на рынке, мы останавливаем торги или применяем наш трейдерский опыт торговли в экстремальных ситуациях, меняя тактику и стратегию.
Непредсказуемость сети кроется в «черных ящиках ее алгоритма. До конца неизвестно, чему конкретно «научилась» сеть и как именно она оценивает рыночные ситуации. Эта доля непредсказуемости будет оставаться всегда, мешая всецело «доверится депозитом».
Общие положения работы с нейросетями
Пользователю нейросетевого продукта важно принять, что в нейроны отражены алгоритмы, недоступные для его понимания, поэтому сети следует принимать как черный ящик. В то же время стоит отбросить мысль, что загрузив в нее «график» мы получим грааль. Кто не умел торговать, не разобрался в тонкостях теории рынка, скорей всего сеть настроить не сможет.
Входные данные для нейросетей требуют обязательной предварительной обработки. Возможно, представить на вход ценовые данные свечи или сигналы индикаторов, объемы торгов, ценовой ряд исторических котировок по ценам закрытия и т.д. Нейросетям не составляет большого труда одновременно работать с множеством параметров. В силу специфики алгоритмов, до конца непонятно, какой из входных параметров может влиять на точность выходного сигнала, поэтому допускается избыточность входов.
Обратите внимание! Избегайте подачи абсолютных ценовых значений параметров на вход нейросетей. Одно из основных правил искусственного интеллекта — выходные параметры должны находиться в рамках тех же значений, что и вход. Для типа прогноза вверх (1) или вниз (0) следует подавать входные параметры, лежащие в пределах отрезка [0;1].
После сбора и приведения данных в приемлемый для обучения вид, необходимо поставить задачу. Предоставленный компанией-разработчиком алгоритм имеет узкий круг задач, представленный в виде набора готовых опций. При выборе опирайтесь на рекомендации самого разработчика.
Выбор количества нейронов и слоев архитектуры сети зависит от стратегии. Долгосрочная стратегия может себе позволить подробное исследование большого массива исторических данных, выбрав многослойность и большое количество нейронов, вы можете позволить себе нести такие «времязатраты», тогда как краткосрочная, часто настраиваемая система, не требует поиска сложных уникальных взаимосвязей, она может пройти на одном слое до 5 нейронов. В любом случае, учитывайте разумность усложнения поиска ответа на поставленную задачу и аппаратные возможности вашего компьютера.
Обучение нейронной сети происходит по распространенным алгоритмам. Учат, как правило, по принципу заработка максимальной прибыли, есть задачи по минимальной «просадке», плавности заработка и т.д. Сам процесс обучения происходит путем изучения алгоритмом функциональных связей с «подгонкой» наилучшего результата, для совпадения с эталоном (максимальным заработком на реальных исторических данных).
Выбор сети происходит после нескольких обучений с вариациями параметров, как входных, так и настроек внутри нейросети, оговоренных выше в описаниях этапов. Цель пользователя состоит в просмотре просадок, анализе крутизны линий прибыли, стабильности результатов.
Neurosell Day Trader — платформы для нейросетевого анализа данных
Популярная платформа от фирмы WARD System Group. Компания занимается нейросетевыми технологиями с 1982 года, создала линейку продуктов по нейротехнологиям, используемых в финансовой и биржевой деятельности. Популярность на постсоветском пространстве программа получила в середине 2000-х годов.
Терминал предоставляет возможность торговать традиционными методами, используя графический анализ, в меню присутствуют уровни Фибоначчи, трендовые, горизонтальные и вертикальные линии, каналы, геометрические фигуры:
Технический анализ реализован в платформе посредством более 800 индикаторов. Список индикаторов множится с помощью выпускаемых обновлений, помимо Ward, пользовательские индикаторы пишут отдельные компании, в виде дополнений (аддонов), содержащие не только технические индикаторы, но и готовые нейросети.
Терминал позволяет выбрать торгово-аналитический подход к графику с использованием индикаторов, программирования стратегии или воспользоваться возможностью прогноза курсов активов с помощью нейросетей.
Благодаря присутствию встроенных операторов булевой логики процесс составления стратегии прост. Интерфейс позволяет реализовывать сложносоставные стратегии, техническая поддержка в секретной части сайта Ward Group даст подробнейшую консультацию, если у пользователя возникнут вопросы по написанию торговой системы.
Помимо этого, в самой программе реализованы шаблоны популярных стратегий, собранные на различных индикаторах, начиная от скользящих средних, заканчивая осцилляторами и каналами Боллинджера.
«Фишка» таких систем в том, что для поиска и оптимизации параметров можно использовать нейросетевые генетические алгоритмы, задавая правила полной или частичной оптимизации с выбором отрезков размера лота комиссией и т.д.,
до конфигурации архитектуры и условий обучения (на максимальную прибыль, минимальную просадку и т.д.)
Графическая система оценки результатов стратегии достаточно подробна, с разнообразным предоставлением вариантов кривой прибыли, убытков или позиций
Сделки и выбранная система анализа результатов визуально отображаются на графике:
Поставщиков котировок выбирает пользователь из нескольких вариантов серверов, представленных WARD. С помощью дополнений можно связываться с другими терминалами, в том числе распространенным в трейдерской среде МТ, получая котировки и управляя сделками.
Одно из неоспоримых преимуществ роботов, созданных на платформе NeuroShell, заключается в том, что они не теряют «связь с позициями», после «вылетов» МТ, которые бывают у некоторых брокеров слишком частыми. Если «донор» котировок содержит и другие данные (тики, секундные котировки, объемы), выразить через них свечи графика не составит в терминале Нейрошейла никакого труда.
Помимо подробных файлов с примерами пошаговой сложности и продвинутой техподдержки, компания постоянно публикуется в различных тематических журналах со статьями на практики применения функций Neuroshell на примере распространенных стратегий.
Архитектура встроенных сетей программы Neuroshell подразумевает прогнозирование курса актива. Соответственно сама сеть, получая прогноз будущего движения, формирует сигнал входа.
Ранее было указано на проблематику входных данных для нейросетей, разработчики предлагают воспользоваться готовыми шаблонами входа:
Но на этом обработка входных данных не заканчивается.
Выбрав регрессии, мы получим на входе 4 вида с разными настройками параметров, которые мы так же можем подобрать (как в случае стратегий на индикаторах, описанных выше) с помощью генетического алгоритма нейросетей.
Выбрав, какую отстоящую в будущее свечу предстоит прогнозировать (в нашем случае 10-тую) и тип прогноза (в нашем случае процент отклонение от цены открытия), настроив, как в случае индикаторной стратегии, размер депозита, учтя комиссию, можно приступать к выбору конфигурации сети.
Количество нейронов «увеличивает» качество, но влечет за собой затраты по времени и ресурсам.
Внизу на рисунке показана работа двух нейросетевых алгоритмов. Верхний отработал по готовым индикаторам, выбрав только сделки покупки, мы видим по линии роста капитала (эквити), аптренд позволили заработать, тогда, как нейросеть на шаблонных линейных регрессионых входах принесла стабильный прирост капитала при неизменном лоте без реинвестирования.
Этот пример, как никакой другой, отражает преимущество и возможность работы нейросетей со множеством входных параметров, с поиском «невидимых» человеческому глазу функциональных зависимостей и применением их в своих выходах-прогнозах.
Заключение
Нейросети в разы уменьшают время изысканий трейдеров. Их можно использовать, полностью обучив сеть используя историю как учителя, интуитивно подобрав входы-индикаторы или частично, как помощника в оптимизации сложных систем с большим количеством индикаторов.
Нейрошелл терминал, показанный в прогнозе, взят как специализированный и раскрученный, но существует более узконаправленные или наоборот, многозадачные терминалы и нейросети устанавливаемые как дополнения, трейдеру важно правильно поставить задачу перед самим собой и выбрать «свой инструмент» из множества предложений на рынке (у тех же Ward group несколько продуктов).
