SISTEMAS DE COMERCIO Creación de un sistema de trading utilizando redes neuronales El aprendizaje automático se ha vuelto increíblemente popular durante la última década con la aparición de mejores algoritmos y suficiente potencia computacional para abordar incluso los problemas más exigentes. Hoy en día algoritmos de aprendizaje de la máquina de resolver problemas en muchas áreas donde las relaciones complejas entre las variables se presenta y esto hace que el aprendizaje de la máquina una herramienta potencialmente viable para la creación de estrategias comerciales. Pero cómo podemos crear un sistema de comercio utilizando este tipo de tecnología En este artículo vamos a aprender a utilizar un algoritmo básico de aprendizaje de máquina ndash llamado un ndash de redes neuronales para crear un sistema de comercio simple en el EUR / USD. Todos los fragmentos de codificación son muestras tomadas de nuestro marco de programación F4, disponible en Asirikuy. La biblioteca de código abierto Shark se utiliza para la creación y entrenamiento de los algoritmos de aprendizaje de máquina. Sin embargo, las ideas generales y las nociones algorítmicas presentadas en este artículo pueden traducirse a otras bibliotecas y lenguajes de programación. Qué es una red neuronal Una red neuronal es un tipo de algoritmo de aprendizaje automático. La red neural clásica más simple está compuesta por una capa de entrada, una capa oculta y una capa de salida, donde cada capa contiene un número dado de ldquoneuronsrdquo. Cada neurona en la capa de entrada obtiene un valor, lo procesa usando una función y la pasa a una o varias neuronas de la capa oculta con un conjunto dado de pesos, las neuronas luego repiten el proceso y pasen los valores a una o varias neuronas de salida . En esencia, la red neural toma algunos valores de entrada y entrega algunos valores de salida procesando las entradas a través de su estructura funcional. Las neuronas no son más que unidades funcionales de procesamiento que pasan valores multiplicados por ciertos pesos a otras unidades. Fragmento de código 1. Función en C que crea 84 ejemplos usando 2 devoluciones como entradas y las siguientes barras devueltas como salida Sin embargo, una red neural no sabe cómo procesar entradas desde el inicio, ya que no conoce los pesos que se dan a cada neurona conexión de red. Esta es la razón por la que necesitamos ldquotrainrdquo una red neural utilizando un conjunto dado de entradas y valores de salida para que los pesos que definen las conexiones entre las neuronas se pueden definir correctamente. A continuación, utilizar una red neuronal capacitados para predecir los resultados en los datos desconocidos, que es donde podemos obtener un beneficio por la predicción de algunos resultados relacionados con los datos de los precios. Neural Red Neural es una de las palabras más recientes en el comercio. Suena fresco y sofisticado. No demasiadas personas parecen entender lo que son las redes neuronales. Neuronas en el mundo real Nuestros cerebros son fenomenalmente complicados. Lo que más sorprende a la mayoría de las personas, sin embargo, es que el cerebro es más o menos una enorme caja de circuitos. Las neuronas son células que actúan como circuitos con cables eléctricos, llamados axones, que se extienden y se conectan a través del cuerpo humano. Cada movimiento, percepción o acción que haces es la suma de todos los axones disparando impulsos eléctricos. El cambio ocurre cuando la frecuencia de los impulsos eléctricos enviados desde la neurona varía. Más impulsos causan una reacción, una reducción causa otra. Las redes neuronales intentan emular procesos del cerebro humano organizando información en las neuronas. A diferencia de las neuronas reales, una neurona de red sólo existe en la máquina. Es un peso de máquina que contiene información sobre lo que está bajo estudio. Una red neuronal para un sistema comercial podría decidir estudiar indicadores comunes como un promedio móvil, el RSI y el oscilador estocástico. El valor promedio móvil para la barra actual cuenta como su propia neurona. El RSI es diferente, por lo que llega a ser una neurona independiente. Si tengo diez indicadores en mi caja de herramientas, entonces tengo 10 neuronas en mi red. Las computadoras tradicionalmente resuelven problemas lineales y sencillos. Si desea conocer el resultado de operaciones matemáticas como la raíz cúbica de 355, las computadoras son perfectas para la tarea. Calculan rápidamente una respuesta precisa. Al igual que en los cerebros humanos, las redes neuronales forman sinapsis con otras neuronas. Cuando están entrenados, grupos de neuronas pueden aprender a reconocer patrones. Es esta propiedad la que hace que las redes neuronales sean tan útiles. Esto nos permite crear programas que serían imposibles con la informática tradicional. Crear un programa de software para reconocer una cara, por ejemplo, sería extremadamente difícil. Es mucho más fácil entrenar a una red para reconocer una cara mostrando repetidamente las caras de la red. El cerebro es un tema fascinante por derecho propio. Como un aparte, mi esposa y yo estamos tomando un curso de encuesta en neurociencia a través de una serie de videos de Los Grandes Cursos. Si usted tiene algún interés en absoluto en el tema, recomiendo altamente la comprensión del cerebro por Jeanette Norden. Cubre en detalle cómo las neuronas conectan con la anatomía a través del cerebro y del cuerpo entero. Redes neuronales y Forex Trading Las redes neuronales entran en juego cuando la respuesta no es tan precisa. Siguiendo con este tema de los blogs de comercio de divisas, no hay una respuesta correcta a lo que hace que el sistema de comercio perfecto. Un típico inversor minorista podría decir que el mejor sistema de comercio es el que hace más dinero. Otro podría decir que el mejor sistema de comercio es el que tiene la mayor proporción de Sharpe. Muchos quieren algo en el medio. El mejor problema del sistema comercial es ambiguo, lo que lo convierte en un candidato ideal para atacar con redes neuronales. El diseñador esboza conjuntos de reglas que, a juicio de los comerciantes, forman una forma numérica de medir el mejor sistema. Los cerebros humanos albergan aproximadamente 100 billones de neuronas. A pesar de los mejores esfuerzos de muchos de nuestros clientes, todavía no he conocido a nadie con 100 millones de indicadores de mercado a su disposición. Una forma de amplificar el efecto de las neuronas en nuestra caja de herramientas es crear capas ocultas. Una red está formada por múltiples capas, cada una formada por múltiples neuronas. Cada neurona está conectada a cada neurona en la siguiente capa. Cada conexión lleva entonces su propio valor ponderado único. Una neurona transmitirá su valor multiplicando el valor de la neurona y por el peso de la conexión saliente. La neurona al final de la conexión saliente sumará todas sus conexiones entrantes y propagará ese resultado a la siguiente capa a través de todas sus conexiones salientes. Las imágenes hacen que la idea sea mucho más intuitiva. La figura 1 contiene un pequeño ejemplo. Los 2 y 3 a la izquierda son las entradas en la red. Estas entradas se multiplican por el peso de la conexión a la capa siguiente. El 2 se multiplica por 0.5 dándonos 1 y 3 por 2 dándonos 6. La segunda capa contiene un nodo que resume los resultados de la capa anterior, dándonos 7. El siguiente paso sería multiplicar 7 por los pesos en Las conexiones salientes y pasarlo a la siguiente capa. Figura 1: Un ejemplo de una red neural que propaga los resultados hacia delante. El ejemplo corto anterior se puede repetir y encadenar juntos para formar una red más grande. Abajo, en la Figura 2, tenemos un ejemplo de una red más grande. La red de ejemplo tiene 3 entradas que están conectadas a una capa oculta. La capa oculta se conecta a una sola salida. Las capas ocultas son para facilitar el entrenamiento. Cuanto más complejo es el problema, más capas y nodos necesitan. Figura 2: Un ejemplo de una red neuronal más grande. La red aprende actualizando los pesos de sus muchas conexiones. Hay muchos algoritmos de software que se utilizan para lograr el aprendizaje en redes neuronales. Se dividen en dos categorías: aprendizaje supervisado y aprendizaje no supervisado. El aprendizaje supervisado se logra con el usuario diciendo a la red si sus predicciones son correctas o no. La red entonces calcula su error y utiliza uno de los algoritmos para corregir el error. Un ejemplo de esto es la propagación inversa, que calcula el error de una predicción de redes. La red utiliza un algoritmo rápido para actualizar cada uno de los pesos de conexión con ese error. La propagación inversa es una de las estrategias de entrenamiento más comunes. El aprendizaje sin supervisión utiliza algún tipo de aptitud o algoritmo de puntuación en el que la red se anotará y tratará de mejorar cada intento subsiguiente. Un ejemplo de entrenamiento no supervisado es el algoritmo genético. Este algoritmo crea una población de redes neuronales y utiliza un algoritmo de puntuación diseñado por el usuario para clasificar la población. Después de eso, es la supervivencia del más apto. Las redes de alto rango consiguen quedarse y reproducirse y el fondo clasificado es expulsado. Las redes se reproducen combinando pesos de conexión. Las redes neuronales pueden ayudar sustancialmente a los operadores de sistemas en su diseño de algoritmos explorando miles de millones de combinaciones entre una caja de herramientas relativamente pequeña de indicadores. Esto difiere de la optimización estándar, que consiste en conectar los números a varios indicadores buscando cualquier combinación que devuelva más dinero. El hecho de que las redes puedan considerar múltiples medidas (balance, Sharpe Ratio, etc) para determinar el mejor sistema de comercio ayuda a reducir la probabilidad de que exagera una medida en particular. Un buen ejemplo de esto es el balance de la cuenta. Si un sistema pesa el dato entre el retorno neto y el retorno ajustado al riesgo, empieza a alejarse del número de crujidos para descubrir los mejores números a utilizar y encabezar el aprendizaje real y el reconocimiento de patrones. Las redes neuronales están demostrando ser muy útiles en una amplia gama de aplicaciones, desde el reconocimiento facial hasta las predicciones del mercado de divisas. Ellos sobresalen donde hay patrones que son difíciles de reconocer. Esa habilidad hace que las redes tengan un valor incalculable en la resolución de problemas difíciles que involucran múltiples variables. Deja un comentario Cancelar respuestaNeuroShell Trader y NeuroShell Day Trader pueden contener varias páginas de gráfico, cada una de las cuales hace referencia a una seguridad diferente. Las páginas de gráfico le permiten ver y comercializar sus sistemas de negociación a través de muchos valores al mismo tiempo. Los indicadores, las estrategias de negociación y las predicciones de redes neuronales añadidas al gráfico se revisan, optimizan y aplican individualmente a todos los valores al mismo tiempo. Si agrega y elimina las páginas de gráfico al instante, NeuroShell Trader automáticamente volverá a probar y optimizar los valores agregados. Aplicar rápidamente las predicciones y los sistemas de comercio a través de su cartera completa de acciones, divisas, etc El más poderoso, pero fácil de usar el software comercial disponible para el comercio de divisas, acciones, índices, futuros y más Copyright copy 2016 Deja que tus sistemas aprendan la sabiduría de Edad y experiencia Ward Systems Group, Inc. ALGUNOS DE LOS MUNDOS LA mayoría de las empresas financieras respetadas CONFIANZA NUESTRA TECNOLOGÍA No sólo es esta una de las herramientas comerciales más poderosas que he encontrado (y he intentado la mayoría de ellos), también es el más fácil de utilizar. En 15 años de experiencia comercial y cliente de varias herramientas a lo largo de los años, el soporte de NeuroShell Trader supera mis expectativas cada vez. La capacidad de construir sistemas comerciales es tan simple. Las estrategias que requieren la programación implicada en otro software se pueden construir rápidamente de una manera 112. He probado muchos otros paquetes, pero hay pocas herramientas que te dan la flexibilidad para diseñar, optimizar e implementar como NeuroShell Trader. Finalmente capaz de ejecutar los tipos de pruebas que he querido durante años, pero que simplemente tomó demasiado tiempo para ser viable. El software tiene más capacidades de las que probablemente usaré, pero es fácil de usar incluso para este agricultor del medio oeste, que no ha estudiado matemáticas durante 35 años. Ward Systems Group, Inc. QuotLet sus sistemas aprenden la sabiduría de la edad y el comercio experiencequot Construir el mercado de valores, futuros, índice y sistemas de comercio de divisas SIN codificación
Comments
Post a Comment