Rede neural do sistema de negociação

Redes Neurais: Previsão de Lucros.
As redes neurais são algoritmos treináveis ​​de última geração que emulam certos aspectos importantes no funcionamento do cérebro humano. Isso lhes dá uma capacidade única de auto-treinamento, a capacidade de formalizar informações não confidenciais e, mais importante, a capacidade de fazer previsões com base nas informações históricas que têm à sua disposição.
As redes neurais têm sido usadas cada vez mais em uma variedade de aplicações de negócios, incluindo soluções de previsão e pesquisa de marketing. Em algumas áreas, como detecção de fraudes ou avaliação de riscos, elas são líderes indiscutíveis. Os principais campos em que as redes neurais encontraram aplicação são operações financeiras, planejamento empresarial, comércio, análise de negócios e manutenção de produtos. As redes neurais podem ser aplicadas de forma vantajosa por todos os tipos de traders, então se você é um trader e ainda não foi apresentado a redes neurais, nós o levaremos através deste método de análise técnica e mostraremos como aplicá-lo a seu estilo de negociação.
Use Redes Neurais para Descobrir Oportunidades.
Assim como qualquer tipo de ótimo produto ou tecnologia, as redes neurais começaram a atrair todos aqueles que estão procurando um mercado promissor. Torrents de anúncios sobre softwares da próxima geração inundaram o mercado - anúncios que celebram o mais poderoso de todos os algoritmos de redes neurais já criados. Mesmo nos raros casos em que as declarações de propaganda se assemelham à verdade, tenha em mente que um aumento de 10% na eficiência é provavelmente o máximo que você obterá de uma rede neural. Em outras palavras, ele não produz retornos miraculosos e independentemente de quão bem ele funciona em uma situação particular, haverá alguns conjuntos de dados e classes de tarefas para os quais os algoritmos usados ​​anteriormente permanecem superiores. Lembre-se disso: não é o algoritmo que faz o truque. Informações de entrada bem preparadas sobre o indicador alvo são o componente mais importante do seu sucesso com redes neurais.
Convergência mais rápida é melhor?
Muitos daqueles que já usam redes neurais acreditam erroneamente que quanto mais rápido sua rede fornece resultados, melhor é. Isso, no entanto, é uma ilusão. Uma boa rede não é determinada pela taxa na qual ela produz resultados e os usuários devem aprender a encontrar o melhor equilíbrio entre a velocidade na qual a rede treina e a qualidade dos resultados que ela produz.
Aplicação correta de redes neurais.
Muitos traders aplicam redes neurais incorretamente porque depositam muita confiança no software que usam, sem ter recebido instruções adequadas sobre como usá-lo corretamente. Para usar uma rede neural do jeito certo e, assim, de forma vantajosa, um comerciante deve prestar atenção a todos os estágios do ciclo de preparação da rede. É o comerciante e não a sua rede que é responsável por inventar uma ideia, formalizar essa ideia, testá-la e aperfeiçoá-la e, finalmente, escolher o momento certo para descartá-la quando ela não for mais útil. Vamos considerar as etapas desse processo crucial em mais detalhes:

Rede neural do sistema de negociação
Mergulhei no campo das redes neurais e me tornei encantado com elas.
Eu finalmente desenvolvi uma estrutura de aplicativos para testar sistemas comerciais em bolsas de valores e agora vou implementar minha primeira rede neural nela. Muito simples e primitivo, não destinado a negociação real, apenas para iniciantes.
Eu só quero saber se minha abordagem é boa abordagem.
E se você ver que eu estou sentindo falta de algo (ou estou errado sobre algo) ou você tem uma idéia do que poderia ajudar um iniciante em um campo de redes neurais no mercado de negociação, isso me deixaria super feliz :)
Eu tenho 40 entradas, valores de mercado da bolsa de valores (S & amp; P e-mini, mas isso não é importante).
Para estas 40 entradas, conheço 2 números.
Quanto dinheiro eu ganharia ou perderia com uma ordem de compra? Quanto dinheiro eu ganharia ou perderia com uma ordem de venda?
Por causa de como funcionam as bolsas de valores, ambos os números podem ser negativos / positivos indicando que posso perder / ganhar dinheiro para comprar e vender (isso é porque uma negociação pode ter anexado pedidos de "perda de limite" ou "direcionamento" como STOP, LIMIT etc que se comportam de maneira diferente).
Mas se isso acontecer, é uma indicação de que eu não devo fazer um pedido, mesmo que as ordens de compra e venda forneçam números positivos.
Eu imagino que a melhor função de ativação para usar é o. coisa sigmóide, mas com um intervalo de -1 a 1 (eu descobri que é chamado de muitos nomes na internet. sigmóide bipolar, tanh, alguma coisa tangente. Eu não sou um matemático profundo).
Com um aprendizado de propagação de volta, eu ensino a rede que, para as 40 entradas, existe 1 saída e essa saída é um desses números.
-1 que significa que a ordem de venda vai ganhar dinheiro, comprar vai perder dinheiro +1, o que significa que a ordem de compra vai ganhar dinheiro, vender vai perder dinheiro 0, o que significa comprar e vender, ambos vão vender / perder dinheiro melhor evitar a negociação.
Estou imaginando que, após o aprendizado, a saída da rede será sempre um número próximo de -1, 1 ou 0 e cabe a mim definir o limite de compra ou venda.
Este é um caminho certo para usar uma rede neural?
Em toda parte na internet, a saída para as pessoas que estão aprendendo estão dando para trás a máquina de aprendizado de propagação são os valores futuros do gráfico de mercado e não o rendimento esperado de dinheiro de entradas comerciais diferentes (comprar ou vender). Considero uma má abordagem porque não estou interessado nos futuros valores dos gráficos, mas sim no dinheiro que quero ganhar.
Edit: Eu pretendo construir uma rede neural para negociação automatizada, não para ajudar a decisão.

SISTEMAS DE NEGOCIAÇÃO UTILIZANDO REDES NEURAIS PARA PREVALECER O MOVIMENTO DE PREÇOS.
Por Lou Mendelsohn.
Com esta oferta, STOCKS & amp; COMMODITIES contribuinte Lou Mendelsohn conclui seu exame das redes neurais para previsão financeira no ambiente comercial globalizado de hoje. Aqui, Mendelsohn se concentra em questões de implementação e discute como as redes neurais devem ser utilizadas como parte de uma estratégia comercial global. Finalmente, ele dá uma breve olhada no futuro das tecnologias de inteligência artificial para implementar análises de mercado sinérgicas.
Nenhuma discussão do projeto, treinamento e teste de redes neurais pode ser completa sem abordar o tópico da implementação. Como uma rede neural, ou combinação de redes, pode ser integrada em sistemas de informação e sistemas de negociação? Aqui está um exemplo que usa muitos dos conceitos de desenvolvimento de redes neurais abordados anteriormente: treinamento e teste, pré-processamento, seleção de fatos, seleção de entrada, arquitetura e paradigmas.
Os sistemas de informação utilizam redes neurais para fornecer ao usuário informações preditivas sobre o mercado-alvo, como previsões de preços, possível direção do mercado ou pontos de virada projetados. Neste tipo de configuração do sistema, o comerciante pode usar a informação preditiva sozinha ou com outras análises disponíveis para ajustar seu estilo de negociação, propensão ao risco e capitalização. Tais sistemas podem incluir uma única rede neural ou múltiplas redes trabalhando em conjunto. Em um sistema multi-rede, cada rede pode ser projetada e treinada para prever o mercado de forma independente. Por exemplo, quatro redes separadas podem ser usadas para prever a direção da tendência alta, baixa, de curto e médio prazo durante as negociações do dia seguinte. Como essas quatro previsões de mercado são derivadas de forma independente, elas podem ser visualizadas separadamente e usadas para confirmar uma a outra.
Além disso, com uma arquitetura mais complexa, cada uma dessas saídas de rede pode ser usada como entradas para outra rede, que pode então ser usada para fazer outras previsões, como prever pontos de virada de mercado. A arquitetura de rede, conforme representada na Figura 1, é denominada rede neural hierárquica. Ao encapsular a funcionalidade em cada rede, uma grande rede não precisa fazer todo o trabalho: nesse design, predições derivadas de redes em um nível da hierarquia são incorporadas como entradas em uma rede, ou redes, em outro nível. Esse tipo de arquitetura se presta a treinamento mais rápido, já que cada rede concentra seu aprendizado, exclusivamente em sua própria produção.
As redes neurais também podem ser incorporadas em sistemas de negociação formais de várias maneiras. Primeiro, uma rede pode ser treinada para gerar sinais de compra, venda e stand-aside. Essa configuração é atraente, mas surgem problemas para implementá-la. Este tipo de sistema requer que o trader o use para desempenhar um papel integral no seu desenvolvimento. Isso é necessário porque a rede gerará seus sinais de negociação no aplicativo final com base nos pontos de compra / venda identificados pelo desenvolvedor no treinamento da rede, além da escolha dos dados de entrada selecionados e do pré-processamento realizado durante o desenvolvimento.
Para um mercado específico durante um determinado período, vários traders, sejam especuladores individuais ou gerentes de dinheiro institucionais, podem ter estratégias de negociação completamente diferentes umas das outras e, portanto, não necessariamente identificaram os mesmos pontos de compra / venda durante o desenvolvimento da rede. Assim, se um negociante com fundos limitados e apenas uma capacidade limitada de tolerar o rebaixamento fosse projetar e treinar esse tipo de rede neural, provavelmente não geraria sinais que seriam apropriados para outro operador com maior capitalização ou maior tolerância a risco. Além disso, pode ser difícil incorporar considerações de gerenciamento de risco em um sistema comercial baseado em rede neural.
Outra configuração possível usaria uma rede neural como parte de um sistema de comércio híbrido. A rede neural funcionaria apenas como um sistema de informação que geraria informações preditivas usadas com um conjunto de regras gerando os sinais de negociação. Essa abordagem pode envolver a formulação de regras matemáticas relativamente simples ou o desenvolvimento de um sistema especialista completo. Em ambos os casos, as regras seriam elaboradas para corresponder ao estilo de negociação e aos objetivos do negociador que, em última análise, confiaria no sistema durante a negociação real.
O desenvolvimento da rede neural, conforme apresentado aqui, envolve decisões arquiteturais, seleção de entradas, pré-processamento, seleção de fatos, treinamento, testes e implementação. Examinamos cada fase do desenvolvimento da rede neural no contexto da globalização dos mercados financeiros mundiais e a necessidade de uma estrutura sinérgica, combinando a análise de dados técnicos, fundamentais e intermercados para capturar a sinergia do mercado, nos mercados financeiros. hoje. Embora uma discussão aprofundada sobre o desenvolvimento de uma informação baseada em redes neurais reais ou sistema de negociação esteja além do nosso escopo aqui, o exemplo a seguir é um exemplo para ajudar a ilustrar esses pontos.
Para cada um dos quatro mercados-alvo (iene, títulos do Tesouro, Eurodollar e o índice Standard & amp; 500), dois conjuntos de redes neurais foram desenvolvidos para prever mudanças na alta de um dia de negociação para o seguinte. O primeiro conjunto de entradas de rede foi derivado de dados técnicos de mercado que consistem em informações de preço, volume e juros em aberto internas ao mercado-alvo. O segundo conjunto de redes utilizou as mesmas entradas do primeiro conjunto, além de sete entradas externas inter-mercado. Como as mesmas etapas e decisões listadas abaixo foram aplicadas a todos os quatro mercados-alvo, discutiremos como nosso exemplo apenas um, o iene. Mas primeiro, aqui está um resumo das várias fases do desenvolvimento da rede neural que serão utilizadas em nosso exemplo de mercado alvo e nas decisões tomadas em cada fase:
Paradigma Um sistema feedforward back-propagation foi escolhido, pois é um dos paradigmas mais comuns utilizados na análise do mercado financeiro.
Arquitetura A função de transferência sigmóide foi utilizada juntamente com uma camada oculta composta por cinco nós, escolhidos com base na experiência e no tamanho planejado da rede.
Seleção de entrada Como mencionado anteriormente, o preço, o volume e os dados de juros abertos no mercado-alvo foram usados ​​como entrada bruta para o primeiro conjunto de redes. O segundo conjunto usou os mesmos dados de entrada do primeiro, mais sete entradas intermarket adicionais. Para o iene, o segundo conjunto de redes incluiu dados do índice de ações Nikkei, títulos do Tesouro, franco suíço, Deutschemark, índice do dólar, eurodólar e libra esterlina.
Pré-processamento O pré-processamento simples, incluindo diferenças nos dados de preços, médias móveis exponenciais simples e indicadores estocásticos, foi usado para os dois conjuntos de redes. O pré-processamento de insumos intermercados do segundo set consistia em distribuir spreads entre o mercado-alvo e cada um dos seus inter-mercados relacionados. Todas as entradas foram normalizadas recortando outliers além de dois desvios padrão e depois linearmente escalonados.
Treinamento e testes Um regime de testes de treinamento totalmente automatizado foi utilizado. Para simplificar o treinamento, a taxa de aprendizado foi mantida constante e o momento não utilizado. Cada rede foi treinada com testes realizados em intervalos definidos, momento em que a rede foi avaliada em cinco medidas de erro diferentes, incluindo erro médio e erro do RMS. Se o desempenho da rede com base nesses critérios e em um deles produzir uma melhoria, essa rede foi salva. Assim, ao final do treinamento para cada mercado-alvo, 10 redes foram encontradas (cinco para cada conjunto), representando a melhor para cada estatística de erro. Para simplificar a apresentação, apenas os resultados do erro médio são mostrados na Figura 2.
Implementação Uma rede como a descrita acima é ideal para incorporação em um sistema de informação. Ao prever a alta para o próximo dia de negociação, ele fornece informações úteis para definir paradas e é um excelente indicador dos níveis de resistência intradiários. Para negociação real, uma configuração de rede consideravelmente mais sofisticada do que a apresentada neste estudo seria usada.
A Figura 2 mostra o erro médio ao prever o máximo de amanhã nos dados do conjunto de testes. O erro médio é calculado primeiro determinando o valor absoluto do erro para cada fato no conjunto de testes e, em seguida, determinando a média de todos os valores de erro. A primeira coluna à esquerda mostra os quatro mercados-alvo, enquanto a segunda coluna mostra o erro associado ao primeiro conjunto de redes que não usaram dados intermarket durante o treinamento, apenas os dados de mercado do próprio mercado-alvo. A terceira coluna representa o erro do segundo conjunto de redes que utilizou dados de intermarket. Por fim, a quarta coluna indica a redução percentual de erros resultante do uso de dados entre mercados durante o treinamento, calculada pela diferença entre os erros médios nas colunas 2 e 3 e dividida pelo valor da coluna 2.
Como evidenciado por esses resultados, até mesmo o uso mínimo de dados intermarket pode melhorar o desempenho da rede. O erro médio da rede foi reduzido entre 1,9% nos títulos do Tesouro e 6,5% no S & P 500. Com o uso de dados de entrada mais extensos, além do pré-processamento mais sofisticado, a alteração dos parâmetros de treinamento durante o treinamento e o uso de outros critérios de treinamento e testes, a precisão preditiva pode ser aumentada ainda mais.
As redes neurais são uma excelente ferramenta para combinar dados técnicos, fundamentais e intermercados diferentemente díspares dentro de uma estrutura quantitativa para análise sinérgica. Padrões ocultos e relacionamentos entre um mercado-alvo e o mercado inter-relacionado podem ser encontrados através do uso de redes neurais. Nos mercados globais de hoje, seria insensato ignorar esses dados valiosos, concentrando-se de forma muito restrita na análise de mercado único.
Mas a tecnologia de redes neurais é apenas uma ferramenta. É um meio para um fim, não o fim em si. Como traders e analistas de mercado se esforçam para entender os mercados financeiros e suas inter-relações através do uso de várias ferramentas analíticas, o aproveitamento de redes neurais representa apenas uma peça do quebra-cabeça, mas outras peças ainda estão faltando.
Naturalmente, outras tecnologias, como sistemas especialistas e algoritmos genéticos, ocuparão seu lugar ao lado das redes neurais na análise financeira. Algoritmos genéticos, que imitam as características associadas à evolução, são adequados para problemas de otimização, como a otimização de parâmetros de redes neurais. A mesma tecnologia incorporada em algoritmos genéticos também tem sido usada em sistemas classificadores e programação genética. Os sistemas classificadores executam um tipo de aprendizado de máquina que gera regras a partir de exemplos, enquanto a programação genética vai ainda mais longe, gerando automaticamente um programa a partir de um conjunto de construções primitivas. O uso dessas tecnologias pode ser o próximo no horizonte de previsão financeira.
A matemática da lógica difusa, wavelets e caos também está sendo aplicada em uma infinidade de domínios, incluindo a previsão financeira. Embora todas essas tecnologias continuem a se expandir, novas, sem dúvida, surgirão em breve. Mas os comerciantes não devem ser enganados em acreditar que qualquer uma dessas ferramentas é a resposta há muito procurada para a negociação, a ferramenta definitiva de inteligência artificial que, sozinha, produzirá lucros consistentes nos mercados financeiros globais.
Para implementar a análise de mercado sinérgica de forma eficaz na década de 1990, várias tecnologias analíticas terão que ser usadas. Para conseguir isso efetivamente, os pontos fortes e fracos dessas tecnologias devem ser entendidos de forma que possam ser utilizados entre si para máxima eficácia e máximo ganho.
Lou Mendelsohn, 813 973-0496, fax 813 973-2700, é presidente da Market Technologies Corporation, Wesley Chapel. FL. Ele foi um dos pioneiros da simulação histórica e do back-testing em software para computadores pessoais no início dos anos 80 e introduziu o conceito de análise de mercado sinérgico através da aplicação de redes neurais para previsão financeira. Sr. Mendelsohn agradece a James T. Lilkendey e Phillip Arcuri do Predictive Technologies Group por sua assistência na preparação destes artigos.
Hecht-Nielsen, R. [1990]. Neurocomputador, Addison-Wesley Publishing Company, Inc.
Mendelsohn, Lou [1993]. & Ndash; Treinar redes neurais, & # 8221; STOCKS & amp; COMMODITIES, novembro.
_____ [1993]. & # 8220; Dados de pré-processamento para redes neurais. & # 8221; STOCKS & amp; COMMODITIES, outubro.
_____ [1993]. Desenvolvimento de redes neurais para previsão financeira, & # 8221; STOCKS & amp; COMMODITIES, setembro.
_____ [1991]. "O básico do desenvolvimento de um sistema de negociação neural". # 8221; Análise Técnica de STOCKS & amp; COMMODITIES, volume 9: junho.
Rumelhart, D. E. e J. L. McClelland [1986]. Processamento Distribuído Paralelo, Volumes I e 2, The Massachusetts Institute of Technology.
Reimpresso da análise técnica de.
Stocks & amp; Revista de Commodities. (C) 1993 Technical Analysis, Inc.,
4757 California Avenue S. W., Seattle, WA 98116-4499, (800) 832-4642.
Com sede em Wesley Chapel, Flórida, ao norte de Tampa, Market Technologies, os fabricantes da VantagePoint Software permanecem na vanguarda da pesquisa de software de negociação e desenvolvimento de software. Nosso trabalho está enraizado na aplicação de tecnologias de inteligência artificial à análise intermercado dos mercados financeiros interconectados de hoje, utilizando uma poderosa ferramenta matemática conhecida como redes neurais.

Uma rede neural pode comercializar os mercados de forma eficaz?
Uma rede neural pode comercializar os mercados de forma eficaz?
Esta é uma discussão sobre Pode uma rede neural comercializar os mercados de forma eficaz? nos fóruns de Trading Systems, parte da categoria Methods; Pensei em compartilhar com você uma pequena experiência que estou realizando para ver se uma rede neural pode ser treinada.
Essa é a teoria de qualquer maneira. Atualmente não tenho idéia se vai funcionar e pode levar várias configurações de redes neurais antes de ter alguns dados consistentes. O que será interessante é ver que tipo de abordagem de negociação evolui, eu vou começar a negociar com os candelabros diários e será interessante ver se ele decide comprar e manter é o melhor ou se ele tenta negociar oscilações de curto prazo .
continue atento mais seguirá nos próximos dias ..
Fora de um cachorro, um livro é o melhor amigo de um homem,
dentro de um cachorro, está escuro demais para ser lido. - G Marx.

Sistema de Negociação Algoritmica de Rede Neural por Convolucio.
As Redes Neurais por Convolução são o mais recente avanço na aprendizagem profunda.
Convolutional Neural Network proporcionou o avanço no reconhecimento de imagem, saúde e outros campos.
Hoje há muita conversa sobre finalmente conseguir a condução autônoma de carro.
Podemos usar redes neurais de convolução em comércio algorítmico?
Eu desenvolvi este modelo usando módulos keras, tensorflow e numpy.
Nesta postagem do blog, eu uso dados de preço de 1 hora do USDJPY para prever o preço do USDJPY 24 horas depois.
A previsão foi precisas no dia seguinte.
Meu laptop levou apenas 10 a 20 segundos para treinar o modelo com o fluxo de tensão no backend.
Eu comprei um laptop de jogos e ainda para instalar o gpu tensorflow.
Quando faço isso, acredito que o modelo levará menos de um segundo para fazer as previsões.
O que isto significa é que podemos usar este modelo em dados de alta frequência como 1 segundo e até 30 segundos.
A aprendizagem profunda está sendo amplamente utilizada pelos fundos de hedge e pelos grandes bancos na construção de seus sistemas de negociação algorítmica.