توقعات الفوركس الشبكة العصبية

توقعات الشبكة العصبية للتوقعات
الحصول على فيا أب ستور قراءة هذه المشاركة في التطبيق لدينا!
توقعات سوق الصرف الأجنبي مع الشبكات العصبية.
وأود أن استخدام أن لأتمتة العملات التجارية، ويفضل أن يكون الدولار / اليورو أو الدولار / الجنيه الإسترليني. وأنا أعلم أن هذا أمر صعب وقد لا يكون واضحا. لقد قرأت بالفعل بعض الأوراق وأجري بعض التجارب ولكن دون الكثير من الحظ. أود الحصول على المشورة من الخبراء للقيام بهذا العمل.
هنا هو ما فعلته حتى الآن:
حصلت على القراد من قبل البيانات القراد لشهر يوليو 2018. وقد محاولة / طلب / حجم الطلب / طلب حجم. استخراج جميع القراد للإطار الزمني 12PM إلى 14PM لجميع الأيام. من هذه البيانات، تم إنشاء مجموعة بيانات حيث يتكون كل إدخال من قيم عروض الأسعار بالتسلسل. واستخدمت تلك البيانات لتدريب أن مع مدخلات n-1 والإخراج هي قيمة العطاءات المتوقعة. كان أن n-1 المدخلات الخلايا العصبية، (ن -1) * 2 + 1 مخبأة و 1 الخرج الناتج. وكان طبقة الإدخال تف الخطية، كان مخبأة سجل تف والإخراج كان الخطي تف. تدرب الشبكة مع الانتشار الخلفي مع n-125 أولا ثم 10.
وبالنسبة لكلتا النتین، لم تنخفض المشروعات المتوسطة والصغیرة إلی أقل من 0.5 وظلت عند ھذه القیمة أثناء التدریب الکامل. على افتراض أن هذا يمكن أن يكون راجعا إلى سلسلة زمنية عشوائية تماما، لقد استخدمت حزمة R للعثور على الارتباط الذاتي الجزئي على مجموعة البيانات (باف). أعطى هذا قيم غير صفرية للتخلف 2 و 3 فقط.
السؤال 1: ماذا يعني هذا بالضبط؟
ثم اعتدت أس الأسد لتقييم العشوائية. في R، هورست (القيم) أظهرت قيم فوق 0.9.
السؤال 2: من المفترض أن تكون عشوائية تقريبا. هل يجب أن تكون القيمة أقرب إلى 0.5؟
كررت تدريب أن مع n = 3. وقد تم تدریب الشبکة المحلیة (أن) وتمکنت من الحصول علی قیمة منخفضة جدا للمشروعات المتوسطة والصغیرة. ومع ذلك، فإن الإنتاج المحسوب من الشبكة آن لا يختلف كثيرا عن قيمة العطاء (n-1). يبدو أن آن فقط يأخذ آخر عرض كعرض المقبل! حاولت هياكل الشبكة المختلفة (جميع التصورات متعددة الطبقات)، معلمات التدريب المختلفة، وما إلى ذلك، ولكن النتائج هي نفسها.
السؤال 3: كيف يمكنني تحسين دقة؟ هل هناك أي طرق تدريبية أخرى من باكبروباغاتيون؟
النتائج التي تراها ليست نتيجة ثانوية لمنتج التدريب الخاص بك، ولكن بدلا من ذلك أن الشبكات العصبية ليست خيارا كبيرا لهذه المهمة. الشبكات العصبية هي وسيلة فعالة لخلق وظيفة عالية غير الخطية من خلال تكوين عدد من الوظائف أبسط. هذا هو في كثير من الأحيان شيء جيد حقا، لأنه يسمح الشبكات العصبية لتناسب أنماط معقدة جدا.
ومع ذلك، في سوق الأوراق المالية أي نمط معقد، عند التداول عليها سوف تسوس بسرعة. وكشف نمط معقد عموما لا تولد نتائج مفيدة، لأنه هو عادة أنماط معقدة في المدى القصير. بالإضافة إلى ذلك، اعتمادا على المقياس الذي تختاره، هناك عدد من الطرق لتحقيق أداء جيد لن يؤدي في الواقع إلى الدفع في الاستثمار (مثل مجرد التنبؤ بالقيمة الأخيرة في المثال).
وبالإضافة إلى ذلك فإن سوق الأسهم هو الفوضى المذهلة التي يمكن أن تؤدي إلى صافي النسيج العصبي. وهذا يعني أن الأنماط التي يتعلمها ستعمم بشكل سيء. شيء على غرار مجرد رؤية انخفاض الأسهم على مدى يوم، واتخاذ قرار موحد أن الأسهم سوف تنخفض دائما فقط لأنه كان ينظر إليها على المدى القصير نسبيا. بدلا من ذلك تقنيات مثل ريدج والانحدار القوي، والتي سوف تحدد أنماط أكثر عمومية، وأقل تعقيدا، ونفعل ما هو أفضل.
استخدم الفائز في مسابقة كاجل مماثلة انحدارا قويا لهذا السبب بالذات. من المرجح أن ترى نتائج أفضل إذا قمت بالتبديل إلى نموذج التعلم الضحلة التي سوف تجد وظائف أقل ترتيب متعدد الحدود، على الوظائف المعقدة العميقة للشبكة العصبية.

الشبكات العصبية للتجارة الخوارزمية. بسيطة سلسلة الوقت التنبؤ.
تحديث هام:
هذا هو الجزء الأول من تجاربي على تطبيق التعلم العميق للتمويل، ولا سيما في التداول الخوارزمي.
أريد أن أطبق نظام التداول من الصفر فقط على نهج التعلم العميق، وذلك لأي مشكلة لدينا هنا (التنبؤ السعر، واستراتيجية التداول، وإدارة المخاطر) ونحن ستعمل استخدام أشكال مختلفة من الشبكات العصبية الاصطناعية (أنس) والتحقق من مدى ما يمكن امسك هذا.
الآن أعتزم العمل على الأقسام التالية:
التنبؤ بالسلاسل الزمنية مع البيانات الأولية التنبؤ بالسلاسل الزمنية مع الخصائص المخصصة تحسين فرط المعاملات تطبيق إستراتيجية التداول وإدارة المخاطر وإدارة المخاطر استراتيجيات التداول الأكثر تطورا والتعلم التعزيزي العيش والوسطاء أبي وكسب المال (l̶o̶s̶i̶n̶g̶).
أنا أوصي لك للتحقق من رمز و إبيثون مفكرة في هذا المستودع.
في هذا، الجزء الأول، أريد أن أظهر كيف يمكن أن تستخدم ملبس، كننس و رنس للتنبؤ سلسلة زمنية مالية. في هذا الجزء نحن لن تستخدم أي هندسة الميزة. لننظر فقط في مجموعة البيانات التاريخية لتحركات أسعار مؤشر S & أمب؛ P 500. لدينا معلومات من 1950 إلى 2018 حول مفتوحة، وثيقة، وارتفاع، وانخفاض الأسعار عن كل يوم في السنة وحجم الصفقات. أولا، سنحاول فقط للتنبؤ سعر وثيق في نهاية اليوم التالي، والثانية، وسوف نحاول التنبؤ العودة (سعر الإغلاق - سعر مفتوح). تحميل مجموعة البيانات من ياهو المالية أو من هذا المستودع.
تعريف المشكلة.
وسوف ننظر في مشكلتنا كما 1) مشكلة الانحدار (في محاولة للتنبؤ بالضبط سعر وثيق أو العودة في اليوم التالي) 2) مشكلة التصنيف الثنائي (السعر سيرتفع [1، 0] أو أسفل [0، 1]).
لتدريب ننس نحن ستعمل استخدام إطار كيراس.
أولا دعونا إعداد بياناتنا للتدريب. نريد أن نتوقع t + 1 قيمة استنادا إلى N أيام السابقة المعلومات. على سبيل المثال، وجود أسعار قريبة من 30 يوما الماضية في السوق نريد أن نتوقع، ما هو الثمن سيكون غدا، في اليوم ال 31.
نستخدم أول 90٪ من السلاسل الزمنية كمجموعة تدريب (نعتبرها بيانات تاريخية) و 10٪ الأخيرة كاختبار محدد لتقييم النموذج.
وفيما يلي مثال للتحميل، والانقسام إلى عينات تدريبية، والتجهيز المسبق لبيانات المدخلات الخام:
مشكلة الانحدار. MLP.
وسوف يكون مجرد 2 مخفي طبقة بيرسيبترون. يتم اختيار عدد من الخلايا العصبية المخفية تجريبيا، وسوف نعمل على تحسين هيبيرباراميترز في الأقسام التالية. بين طبقتين مخفي نضيف طبقة التسرب واحدة لمنع الإفراط.
الشيء المهم هو كثيفة (1)، التنشيط ('الخطية') و 'مس' في قسم الترجمة. نريد مخرجا واحدا يمكن أن يكون في أي نطاق (نتوقع القيمة الحقيقية) وتعرف وظيفة الخسارة لدينا على أنها خطأ متوسط ​​التربيع.
دعونا نرى ما يحدث إذا كنا مجرد تمرير قطع من 20 يوما أسعار وثيقة والتنبؤ الأسعار في اليوم ال 21. النهائي مس = 46.3635263557، ولكنها ليست معلومات تمثيلية جدا. وفيما يلي مؤامرة من التوقعات لأول 150 نقطة من مجموعة بيانات الاختبار. الخط الأسود هو البيانات الفعلية، واحد الأزرق - توقع. يمكننا أن نرى بوضوح أن خوارزمية لدينا ليست حتى قريبة من حيث القيمة، ولكن يمكن معرفة هذا الاتجاه.
دعونا مقياس البيانات باستخدام طريقة سكلارن preprocessing. scale () لدينا الوقت سلسلة صفر يعني وحدة التباين وتدريب نفس ملب. الآن لدينا مس = 0.0040424330518 (ولكن على البيانات المقاسة). على مؤامرة أدناه يمكنك ان ترى الفعلية تحجيم سلسلة زمنية (أسود) وتوقعاتنا (الأزرق) لذلك:
لاستخدام هذا النموذج في العالم الحقيقي يجب أن نعود إلى سلسلة زمنية ونزكاليد. يمكننا أن نفعل ذلك، عن طريق ضرب أو التنبؤ بالانحراف المعياري للسلاسل الزمنية التي استخدمناها للتنبؤ (20 خطوة زمنية غير منسقة) وإضافة القيمة المتوسطة:
مس في هذه الحالة يساوي 937.963649937. هنا هو مؤامرة من التنبؤات استعادة (الأحمر) والبيانات الحقيقية (الأخضر):
ليس سيئا، أليس كذلك؟ ولكن دعونا نحاول خوارزميات أكثر تطورا لهذه المشكلة!
مشكلة الانحدار. CNN.
أنا لن أذهب إلى نظرية الشبكات العصبية التلافيفية، يمكنك التحقق من هذه الموارد المدهشة:
دعونا تعريف الشبكة العصبية التلافيفية 2-طبقة (مزيج من الالتفاف وطبقات التجميع القصوى) مع طبقة واحدة متصلة تماما ونفس الانتاج كما سبق:
دعونا تحقق من النتائج. المشاريع الصغيرة ومتناهية الصغر للبيانات المعززة والمستعادة هي: 0.227074542433؛ +935.520550172. المؤامرات أدناه:
حتى لو نظرنا إلى المشاريع الصغيرة ومتناهية الصغر على البيانات المقيسة، فقد تعلمت هذه الشبكة أسوأ بكثير. على الأرجح، تحتاج العمارة العميقة إلى مزيد من البيانات للتدريب، أو أنها تجاوزت فقط بسبب العدد المرتفع جدا من المرشحات أو الطبقات. وسوف ننظر في هذه المسألة في وقت لاحق.
مشكلة الانحدار. RNN.
كما العمارة المتكررة أريد أن استخدام اثنين من طبقات لستم مكدسة (اقرأ المزيد عن لستمس هنا).
وفيما يلي عدد من التنبؤات: مسس = 0.0246238639582؛ +939.948636707.
يبدو التنبؤ رن أشبه نموذج متحرك المتوسط، فإنه لا يمكن معرفة والتنبؤ جميع التقلبات.
لذا، فإنھا نتیجة غیر متوقعة بعض الشيء، ولکننا نلاحظ أن ھذه الشرکات متعددة الأطراف تعمل بشکل أفضل للتنبؤ بسلسلة الوقت ھذه. دعونا تحقق ما سيحدث إذا كنا سويث من الانحدار إلى تصنيف المشكلة. الآن سوف نستخدم ليس إغلاق الأسعار، ولكن العائد اليومي (سعر إغلاق-- سعر مفتوح)، ونحن نريد أن نتوقع إذا كان سعر وثيق أعلى أو أقل من سعر مفتوح على أساس آخر 20 أيام العودة.
مشكلة التصنيف. MLP.
يتم تغيير رمز قليلا - نغير لدينا طبقة كثيفة الماضي أن يكون الناتج [0؛ 1] أو [1؛ 0] وإضافة سوفتماكس الإخراج إلى توقع الناتج الاحتمالي.
لتحميل المخرجات الثنائية، تغيير في التعليمات البرمجية التالية السطر:
كما نقوم بتغيير وظيفة الخسارة إلى ثنائي عبر إنتوبي وإضافة مقاييس الدقة.
أوه، انها ليست أفضل من التخمين العشوائي (50٪ دقة)، دعونا نحاول شيئا أفضل. تحقق من النتائج أدناه.
مشكلة التصنيف. CNN.
مشكلة التصنيف. RNN.
الاستنتاجات.
يمكننا أن نرى، أن معالجة الوقت المالي التنبؤ سلسلة كمشكلة الانحدار هو نهج أفضل، فإنه يمكن معرفة الاتجاه والأسعار على مقربة من الفعلية.
ما يثير الدهشة بالنسبة لي، أن ملبس معالجة بيانات تسلسل أفضل كما كنز أو رنس التي من المفترض أن تعمل بشكل أفضل مع سلسلة زمنية. أشرح ذلك مع مجموعة صغيرة جدا (
16K الطوابع الزمنية) واختيار دمية هيبيرباراميترز.
يمكنك إعادة إنتاج النتائج والحصول على أفضل استخدام التعليمات البرمجية من المستودع.
أعتقد أننا يمكن أن نحصل على نتائج أفضل سواء في الانحدار والتصنيف باستخدام ميزات مختلفة (ليس فقط سلسلة زمنية متقنة) مثل بعض المؤشرات الفنية، وحجم المبيعات. أيضا يمكننا أن نحاول البيانات أكثر تواترا، دعونا نقول القراد دقيقة تلو الأخرى للحصول على مزيد من البيانات التدريب. كل هذه الأشياء سأفعلها لاحقا، حتى لا تنزعج :)
عن طريق التصفيق أكثر أو أقل، يمكنك أن تشير لنا القصص التي تبرز حقا.
أليكس هونشار.
وآلات التدريس و الراب.
آلة التعلم العالم.
أفضل حول التعلم الآلي، رؤية الكمبيوتر، التعلم العميق، معالجة اللغة الطبيعية وغيرها.

التنبؤ الفوركس.
هذا المثال مشابه جدا للمثال السابق. الفرق الوحيد هو أنه يظهر بيانات العملات الأجنبية (الفوركس) أزواج العملات.
كيفية العمل مع التطبيق الصغير.
إذا كنت لم أر المثال الأول، يرجى استكشاف ذلك أولا - الوصف الأساسي هو متاح هناك. في هذا التطبيق الصغير، تتوفر البيانات التالية. كل هذه القيم هي نهاية اليوم القيم القريبة لعام 2007 بأكمله، أي 313 القيم. كما هو الحال في التطبيق الصغير السابق، يكون لكل من هذه السلاسل الزمنية القيم التالية: صفر للفاصل الزمني أقل من 0، والقيمة القريبة في الفاصل الزمني 0-عدد القيم، ومرة ​​أخرى صفر بعد آخر قيمة معروفة. اليورو مقابل الدولار الأمريكي - ور أوسد عملات العملات الأجنبية أوسدجبي - ور أوسد عملات العملات الأجنبية أوسدشف - ور أوسد عملات العملات الأجنبية ورجبي - ور أوسد فوريكس كيرنسي داتا ويرجى ملاحظة أن هذا المثال هو موضح للتوضيح فقط. التداول باستخدام هذا الإعداد البسيط عادة ما يكون بعيدا عن استخدام التنبؤ حسب القيمة المتاحة الأخيرة. نلاحظ أيضا أن للمتاجرة نحن بحاجة إلى تطوير قواعد الدخول والخروج، وأنها أكثر أهمية من التنبؤ الدقيق.
يرجى الانتظار حتى يتم تحميل التطبيق الصغير.
(ج) ماريك أوبيتكو، 2008؛ الشبكة العصبية في التطبيق الصغير يستخدم الطبقات جافا بنيورون و بانيت.
من نيورالويبسباس، (ج) Tomбљ Fahovskэ، 1998، التي تم تعديلها لأغراض هذا التطبيق الصغير.

العملات الأجنبية أسعار الصرف التنبؤ باستخدام سغب والشبكة العصبية المتكررة ☆
يتم استكشاف وتقييم التغذية المرتدة في تطور العصبية وتقييمها لتطبيقه في وضع نماذج التنبؤ لأسعار صرف العملات الأجنبية. يتم عرض نهج جديد لأسعار صرف العملات الأجنبية التنبؤ استنادا إلى تكرار العصبية تطور. البرمجة الوراثية الديكارتية (سغب) هي الخوارزمية التي تم نشرها لنموذج التنبؤ. تكرار البرمجة الوراثية الديكارتية تطور الشبكة العصبية الاصطناعية (رسيغبان) ويتجلى لإنتاج نموذج حسابية فعالة ودقيقة للتنبؤ النقد الاجنبى مع دقة تصل إلى 98.872٪ لمدة 1000 يوم. ويستخدم هذا النهج الاتجاهات التي تتبع في البيانات التاريخية للتنبؤ بخمس أسعار صرف مقابل الدولار الأسترالي. يتم تقييم النموذج باستخدام المقاييس الإحصائية والمقارنة. تتفوق الطريقة الحسابية على الأساليب الأخرى خاصة بسبب قدرتها على اختيار أفضل ميزة ممكنة في الوقت الحقيقي والمرونة التي يوفرها النظام في اختيار الخصائص ونمط الاتصال والشبكة.
اختيار واستعراض الأقران تحت مسؤولية معهد بحوث هندسة المعلومات.

أسعار صرف العملات الأجنبية تتوقع مع الشبكة العصبية التلافيفية.
تشن ليو الكاتب البريد الإلكتروني ويان هوى الكاتب البريد الإلكتروني ديين ليو.
في هذه الورقة، نقدم نموذجا يستند إلى الشبكة العصبية التلافيفية للتنبؤ بأسعار الصرف الأجنبي. بالإضافة إلى ذلك، يقترح طريقة لتحويل بيانات أسعار الصرف من هيكل 1D إلى هيكل 2D. ومع ذلك، فإن معاملة سوق الصرف الأجنبي لها خصائص دورية، نظرا للقيود التقنية، لا يمكن استخدام هذه الخصائص من خلال النماذج الحالية للتنبؤ بالسلاسل الزمنية. في هذه الورقة، نقترح نموذجا يمكن معالجة بيانات أسعار الصرف هيكل 2D ووضع هذه الخصائص إلى الاستخدام الجيد. أسعار الصرف اليورو مقابل الدولار الأمريكي والدولار الأمريكي مقابل الين الياباني والجنيه الاسترليني مقابل الدولار الأمريكي يتم بحثها في هذه الورقة. وتظهر نتائجنا التجريبية أنه عند مقارنتها بالشبكة العصبية الاصطناعية، ودعم انحدار النواقل والوحدة المتكررة المسورة، يمكن للنموذج المقترح أن يحسن بشكل فعال من دقة التنبؤ الطويل الأجل.
المراجع.
معلومات حقوق التأليف والنشر.
المؤلفين والانتماءات.
تشن ليو 1 البريد الإلكتروني أوثرفيو الملف الشخصي أورسيد المؤلف ويان هوي 1 كاتب البريد الإلكتروني ديين ليو 1 1. مدرسة هندسة المعلومات جامعة تشنغتشو تشنغتشو الصين.
حول هذه المقالة.
توصيات شخصية.
اقتباس المقال.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
الوصول غير المحدود إلى المقال الكامل التحميل الفوري تشمل ضريبة المبيعات المحلية إن وجدت.
اقتباس المقال.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
أكثر من 10 مليون وثيقة علمية في متناول يدك.
تبديل الطبعة.
&نسخ؛ 2017 سبرينجر الدولية للنشر أغ. جزء من الطبيعة سبرينجر.