Rede Neural 2 Médias Móveis Uma rede neural Expert Advisor baseado em duas médias móveis com o modo de treinamento. Treinar o especialista em exemplos selecionados e fazer um lucro na vida real. A EA pode trabalhar em qualquer instrumento e em qualquer período de tempo. Algoritmo de Negociação da EA Duas médias móveis são analisadas pelo núcleo da rede neural, que produz comandos para comprar ou vender. São fornecidos à primeira camada os valores de duas médias móveis, rápidas (FMA) e lentas (SMA), na segunda camada calcula-se dois neurônios responsáveis pela compra (N compra) e Venda (N vendem), a decisão de comprar Ou vender é feita no terceiro nível. O diagrama de blocos da rede neural é mostrado na figura. Treinamento do Conselheiro Especialista No modo de treinamento, a EA lembra os valores das médias móveis marcadas pelo usuário no gráfico do instrumento de moeda. No futuro, durante o funcionamento normal, reconhece os valores das médias móveis. Para treinar a marca EA, pelo menos, um longo e um comércio curto no gráfico. Para indicar um comércio longo use a seta Comprar, e para o comércio de curto use a seta Venda. Você pode colocar mais setas no gráfico. Quanto mais flechas, mais longo será o processo de treinamento. A presença de quaisquer outros objetos na tabela, além das setas, não é desejável. Após o treinamento, a pasta NN 2MA será criada na pasta comum do terminal. Ele conterá o arquivo HHHHHHNN2MA. bin com as configurações da rede neural treinada. XXXXXX no nome do arquivo é o nome do instrumento financeiro. Em operação normal, o EA carrega os dados do arquivo. Se o arquivo não for encontrado, ele usará as configurações padrão. Por padrão, a EA é treinada em USDJPY e um período de uma hora, os comércios são selecionados em 2017. Os seguintes parâmetros de entrada são responsáveis pela formação EA: O número de pesos por neurônio. Igual ao comprimento do MA. Padrão - 48. O número de ciclos de treinamento - padrão 100. Quanto maior o valor, mais longo será o processo de treinamento. Na versão de teste é 10. Factor b - o valor afeta a velocidade da correção de pesos de neurônios, é usado para treinar a rede. O valor padrão é 0,7, não precisa ser alterado. Modo de aprendizagem EA - permite o modo de treino da EA. Exemplos de negociações especificadas para treinar o EA estão disponíveis na figura. Configurações do Modo Normal Configurações das Médias Móveis Você pode ajustar as configurações de cada média móvel: o período, o preço, o modo de cálculo. Volume da ordem - padrão é 0,1. Valor de deslizamentos em pontos - padrão é 30. Número de tentativas para abrir uma posição - padrão é 5. Nível StopLoss em pontos - padrão é 0. Nível TakeProfit em pontos - padrão é 0. Nível TrailingStop em pontos - padrão é 650. Permitir Gestão de dinheiro - controlar o tamanho da ordem para entrar no mercado, habilitado pelo defeito. Se o modo estiver desativado, o tamanho da ordem será retirado do parâmetro Volume de ordem. O volume de pedidos como uma porcentagem do depósito - usado para controlar o tamanho da ordem, padrão é de 5 por cento. Adicionando à posição aberta - ativado por padrão. Se houver um sinal para entrar no mercado na direção de uma posição aberta, a EA entra no mercado. Configurações da Rede Neural O número de pesos por neurônio. Igual ao comprimento do MA. Quanto maior o valor, mais preciso será o estado atual do mercado ser reconhecido, mas reduz o número de comércios. Quanto menor o valor, menos preciso será o estado atual do mercado ser reconhecido, mas o número de negócios aumenta. O valor da ativação neuronal. O valor é aproximadamente 0,75 do valor de O número de pesos por neurônio. Quanto maior o valor, mais estrita é a seleção de neurônios para tomar uma decisão. Na versão de teste é 40. O número de ciclos de treinamento - padrão é 100. Fator b a velocidade de correção de peso, o padrão é 0.7. Modo de aprendizagem EA o modo de treinamento EA. Durante o treinamento, os valores máximos dos neurônios serão mostrados nos comentários no gráfico. Esses valores podem ser usados como um valor de ativação do neurônio. Um exemplo é mostrado na figura. Ativar comentários - permite comentários no gráfico. Número mágico de conselheiro. Pausar após a negociação em milissegundos. Por padrão, o EA é treinado em USDJPY H1 em dois comércios em 2017. O resultado do Expert Advisor testes em 2017 é mostrado na figura. Neural rede 2 Moving Averages Uma rede neural Expert Advisor com base em duas médias móveis com o modo de treino . Treinar o especialista em exemplos selecionados e fazer um lucro na vida real. A EA pode trabalhar em qualquer instrumento e em qualquer período de tempo. Algoritmo de Negociação da EA Duas médias móveis são analisadas pelo núcleo da rede neural, que produz comandos para comprar ou vender. São fornecidos à primeira camada os valores de duas médias móveis, rápidas (FMA) e lentas (SMA), na segunda camada calcula-se dois neurônios responsáveis pela compra (N compra) e Venda (N vendem), a decisão de comprar Ou vender é feita no terceiro nível. O diagrama de blocos da rede neural é mostrado na figura. Treinamento do Conselheiro Especialista No modo de treinamento, a EA lembra os valores das médias móveis marcadas pelo usuário no gráfico do instrumento de moeda. No futuro, durante o funcionamento normal, reconhece os valores das médias móveis. Para treinar a marca EA, pelo menos, um longo e um comércio curto no gráfico. Para indicar um comércio longo use a seta Comprar, e para o comércio de curto use a seta Venda. Você pode colocar mais setas no gráfico. Quanto mais flechas, mais longo será o processo de treinamento. A presença de quaisquer outros objetos na tabela, além das setas, não é desejável. Após o treinamento, a pasta NN 2MA será criada na pasta comum do terminal. Ele conterá o arquivo HHHHHHNN2MA. bin com as configurações da rede neural treinada. XXXXXX no nome do arquivo é o nome do instrumento financeiro. Em operação normal, o EA carrega os dados do arquivo. Se o arquivo não for encontrado, ele usará as configurações padrão. Por padrão, a EA é treinada em USDJPY e um período de uma hora, os comércios são selecionados em 2017. Os seguintes parâmetros de entrada são responsáveis pela formação EA: O número de pesos por neurônio. Igual ao comprimento do MA. Padrão - 48. O número de ciclos de treinamento - padrão 100. Quanto maior o valor, mais longo será o processo de treinamento. Na versão de teste é 10. Factor b - o valor afeta a velocidade da correção de pesos de neurônios, é usado para treinar a rede. O valor padrão é 0.7, não precisa ser alterado. Modo de aprendizagem EA - permite o modo de treino da EA. Exemplos de negociações especificadas para treinar o EA estão disponíveis na figura. Configurações do Modo Normal Configurações das Médias Móveis Você pode ajustar as configurações de cada média móvel: o período, o preço, o modo de cálculo. Volume da ordem - padrão é 0,1. Valor de deslizamentos em pontos - padrão é 30. Número de tentativas para abrir uma posição - padrão é 5. Nível StopLoss em pontos - padrão é 0. Nível TakeProfit em pontos - padrão é 0. Nível TrailingStop em pontos - padrão é 650. Permitir Gestão de dinheiro - controlar o tamanho da ordem para entrar no mercado, habilitado pelo defeito. Se o modo estiver desativado, o tamanho da ordem será retirado do parâmetro Volume de ordem. O volume de pedidos como uma porcentagem do depósito - usado para controlar o tamanho da ordem, padrão é de 5 por cento. Adicionando à posição aberta - ativado por padrão. Se houver um sinal para entrar no mercado na direção de uma posição aberta, a EA entra no mercado. Configurações da Rede Neural O número de pesos por neurônio. Igual ao comprimento do MA. Quanto maior o valor, mais preciso será o estado atual do mercado ser reconhecido, mas reduz o número de comércios. Quanto menor o valor, menos preciso será o estado atual do mercado ser reconhecido, mas o número de negócios aumenta. O valor da ativação neuronal. O valor é aproximadamente 0,75 do valor de O número de pesos por neurônio. Quanto maior o valor, mais estrita é a seleção de neurônios para tomar uma decisão. Na versão de teste é 40. O número de ciclos de treinamento - padrão é 100. Fator b a velocidade de correção de peso, o padrão é 0.7. Modo de aprendizagem EA o modo de treinamento EA. Durante o treinamento, os valores máximos dos neurônios serão mostrados nos comentários no gráfico. Esses valores podem ser usados como um valor de ativação do neurônio. Um exemplo é mostrado na figura. Ativar comentários - permite comentários no gráfico. Número mágico de conselheiro. Pausar após a negociação em milissegundos. Por padrão, a EA é treinada em USDJPY H1 em duas operações em 2017. O resultado do teste Expert Advisor em 2017 é mostrado na figura.9.3 Modelos de rede neural As redes neurais artificiais são métodos de previsão baseados em modelos matemáticos simples do cérebro. Eles permitem relações não-lineares complexas entre a variável de resposta e seus preditores. Arquitetura de redes neurais Uma rede neural pode ser pensada como uma rede de neurônios organizados em camadas. Os preditores (ou entradas) formam a camada inferior, e as previsões (ou saídas) formam a camada superior. Pode haver camadas intermediárias contendo neurônios ocultos. As redes mais simples não contêm camadas ocultas e são equivalentes à regressão linear. A Figura 9.9 mostra a versão de rede neural de uma regressão linear com quatro preditores. Os coeficientes associados a esses preditores são chamados pesos. As previsões são obtidas por uma combinação linear das entradas. Os pesos são selecionados na estrutura de rede neural usando um algoritmo de aprendizado que minimiza uma função de custo, como MSE. Claro, neste exemplo simples, podemos usar regressão linear que é um método muito mais eficiente para treinar o modelo. Uma vez que adicionamos uma camada intermediária com neurônios ocultos, a rede neural torna-se não-linear. Um exemplo simples é mostrado na Figura 9.10. Isto é conhecido como uma rede de avanço de várias camadas onde cada camada de nós recebe entradas das camadas anteriores. As saídas de nós em uma camada são entradas para a próxima camada. As entradas para cada nó são combinadas usando uma combinação linear ponderada. O resultado é então modificado por uma função não-linear antes de ser output. Por exemplo, as entradas no neurônio escondido j na Figura 9.10 são combinadas linearmente para dar 91 zj bj sum 4 w xi. Na camada oculta, isso é então modificado usando uma função não-linear, como um sigmóide, para dar a entrada para a próxima camada. Isso tende a reduzir o efeito de valores de entrada extremos, tornando a rede um pouco robusta para outliers. Os parâmetros b1, b2, b3 e w, pontos, w são aprendidos a partir dos dados. Os valores dos pesos são freqüentemente restritos para evitar que eles se tornem muito grandes. O parâmetro que restringe os pesos é conhecido como parâmetro de decaimento e é freqüentemente definido como igual a 0,1. Os pesos tomam valores aleatórios para começar, que são então atualizados usando os dados observados. Consequentemente, há um elemento de aleatoriedade nas previsões produzidas por uma rede neural. Portanto, a rede é normalmente treinada várias vezes usando diferentes pontos de partida aleatórios, e os resultados são calculados pela média. O número de camadas ocultas eo número de nós em cada camada oculta devem ser especificados com antecedência. Vamos considerar como estes podem ser escolhidos usando a validação cruzada mais adiante neste capítulo. Exemplo 9.5 Pontuação de crédito Para ilustrar a previsão de redes neurais, usaremos o exemplo de pontuação de crédito que foi discutido no Capítulo 5. Aqui nós ajustamos o seguinte modelo de regressão linear: y beta beta x beta x beta 3x3 beta 4x4 e, Aqui log significa a transformação Log (x1). Isso pode ser representado pela rede mostrada na Figura 9.9 onde as entradas são x1, pontos, x4 ea saída é y. A rede neural mais sofisticada mostrada na Figura 9.10 poderia ser ajustada como se segue. Biblioteca 40 caret 41 creditlog lt - dados. Frame 40 pontos de crédito, log. Registo de poupança 40 creditsavings 1 41, log. Log de renda 40 creditincome 1 41, log. Registro de endereços 40 tempo de crédito. Endereço 1 41, log. Empregado log 40 tempo de crédito. Empregado 1 41, fte creditfte, single creditsingle 41 fit lt - avNNet 40 log de pontuação. Log de economias. Log de renda. Log de endereços. empregado. Data creditlog, repeats 25. tamanho 3. decay 0.1, linout TRUE 41 A função avNNet do pacote caret se encaixa em uma rede neural de feed-forward com uma camada oculta. A rede especificada aqui contém três nós (size3) na camada oculta. O parâmetro de decaimento foi definido para 0,1. O argumento repeats25 indica que 25 redes foram treinadas e suas previsões devem ser médias. O argumento linoutTRUE indica que a saída é obtida usando uma função linear. Neste livro, sempre especificaremos linoutTRUE. Auto-regressão da rede neural Com dados de séries temporais, os valores retardados das séries temporais podem ser utilizados como entradas para uma rede neural. Assim como usamos valores defasados em um modelo de auto-regressão linear (Capítulo 8), podemos usar valores defasados em uma auto-regressão de rede neural. Neste livro, consideramos apenas redes de feed-forward com uma camada oculta, e usamos a notação NNAR (p, k) para indicar que existem p entradas retardadas e k nós na camada oculta. Por exemplo, um modelo NNAR (9,5) é uma rede neural com as nove últimas observações (y, y, dots, y) usadas como entradas para prever a saída y t e com cinco neurônios na camada oculta. Um modelo NNAR (p, 0) é equivalente a um modelo ARIMA (p, 0,0), mas sem as restrições dos parâmetros para garantir a estacionaridade. Com os dados sazonais, é útil também adicionar os últimos valores observados da mesma estação como insumos. Por exemplo, um modelo NNAR (3,1,2) tem entradas y, y, y e y, e dois neurônios na camada oculta. Mais geralmente, um modelo NNAR (p, P, k) m tem entradas (y, y, pontos, y, y, y, y) e k neurônios na camada oculta. Um modelo NNAR (p, P, 0) m é equivalente a um modelo ARIMA (p, 0,0) (P, 0,0) m, mas sem as restrições dos parâmetros para garantir a estacionaridade. A função nnetar () se ajusta a um modelo NNAR (p, P, k) m. Se os valores de p e P não forem especificados, eles serão automaticamente selecionados. Para as séries temporais não sazonais, o padrão é o número ótimo de defasagens (de acordo com a AIC) para um modelo linear de AR (p). Para séries temporais sazonais, os valores padrão são P1 e p é escolhido a partir do modelo linear ideal ajustado aos dados dessazonalizados. Se k não é especificado, ele é definido como k (pP1) 2 (arredondado para o inteiro mais próximo). Exemplo 9.6: Manchas Solares A superfície do Sol contém regiões magnéticas que aparecem como manchas escuras. Estes afetam a propagação de ondas de rádio e assim as empresas de telecomunicações gostam de prever a atividade das manchas solares, a fim de planejar quaisquer dificuldades futuras. As manchas solares seguem um ciclo de comprimento entre 9 e 14 anos. Na Figura 9.11, as previsões de um NNAR (9,5) são mostradas para os próximos 20 anos. Fit lt - nnetar 40 sunspotarea 41 trama 40 previsão 40 ajuste, h 20 41 41 As previsões realmente ir ligeiramente negativo, que é naturalmente impossível. Se quisermos restringir as previsões para que permaneçam positivas, podemos usar uma transformação de log (especificada pelo parâmetro Box-Cox lambda 0): ajuste 40 sunspotarea, lambda 0 41 parcela 40 previsão 40 ajuste, h 20 41 41
No comments:
Post a Comment