Форекс стратегии - СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ (TRADE SYSTEMS)
Форекс стратегии международного рынка Forex
Главная | СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ (TRADE SYSTEMS) | Регистрация | Вход

Форекс. Forex. Дилинговый центр FOREX MMCIS group               

Пятница, 29.03.2024, 09:06
Приветствую Вас Гость | RSS
Меню сайта
Статистика

СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ (TRADE SYSTEMS)

ГЕНЕТИЧЕСКИЙ АЛГОРИТМ

Генетический алгоритм был предложен более 20 лет тому назад Джоном Холландом (John Holland). Алгоритм управляет набором представителей (individuals), которые могут рассматриваться как возможные решения поставленной задачи. Отобранные на каждом шаге лучшие представители перемешиваются ("скрещиваются") между собой, производя "мутантов". От полученных таким образом новых представителей ожидают еще более хороших результатов. Процесс повторяется несколько раз.



Схема алгоритма:

t = 0

Инициализация P(t)

Повторить следующие действия определенное число раз

Оценить набор представителей P(t)

Отобрать P(t+1) из P(t)

Применить к P(t+1) процедуру "скрещивания" представителей

P(t) - набор представителей на шаге t. На шаге инициализации случайным образом набирается исходный набор представителей.


Реализации алгоритма требует наличия следующих четырех его составляющих:
  1. Процедура предварительного отбора представителей (потенциальных решений).
  2. Процедура (критерий) оценки представителей.
  3. Процедура отбора (селекции) представителей.
  4. Процедура генерации новых представителей (модификация текущего набора).
В качестве простого примера рассмотрим применение алгоритма для прогноза цен следующего торгового дня по данным за 10 предыдущих дней.

Критерий

Подбор критерия - одна из самых сложных задач при реализации генетического алгоритма. В нашем примере в качестве критерия будем использовать следующую формулу:


(Число операций) 0,7 * ( Среднее изменение цен за операцию)

Мутация и скрещивание

Мутация и скрещивание являются теми механизмами, с помощью которых генетический алгоритм улучшает набор представителей. При мутации одно из условий одного представителя заменяется случайно выбранным условием другого представителя. Например, представитель

((> (C3)(H4))( < (L2)(C0)))
может после мутации принять вид:
((> (C3)(H4))( > (H9)(L8)).
При скрещивании два представителя могут образовать два других (offspring). Например, из
((> (C1)(C2))( > (C3)(C4))( > (C5)( >C6)))
и
((> (L1)(L2))( > (L3)(L4))( > (L5)( >L6)))
образовались:
((> (C1)(C2))( > (L3)(L4))( > (L5)( >L6)))
и ((> (L1)(L2))( > (C3)(C4))( > (C5)( >C6))).
Точка деления находилась после первого условия, но может быть и в других местах, что позволяет при скрещивании одной пары представителей получить множество новых пар.

Селекция

С помощью процедуры селекции происходит отбор новых представителей. Крайние позиции - выбрать только одного - самого лучшего, или выбирать всех без разбора. Оптимум - посередине.

Представители с высоким значением критерия пропорционально репродуцируются, тогда как количество представителей с малыми значениями ограничивается. Обычно число репродукций определяется из соотношения:



Число репродукций (копий) i = Целая часть [fi/F]
где fi - значение критерия для i-го представителя,
F - среднее значение критерия по всем представителям.

НЕЙРОННЫЕ СЕТИ

Нейронные сети представляют собой самообучающиеся системы, построенные на элементах моделирующих принцип действия нейрона человеческого мозга.

Модель нейрона МакКаллока-Питтса состоит из тела (сомы) и отростков (аксонов), концы которых стыкуются с телами других нейронов. Место стыка называется синапсом. Синапс характеризуется силой синаптической связи w. Если нейрон i имеет синапсы с силами связи wi1, ... ,win, то приходящие по ним импульсы от других нейронов (Sj) в нем суммируются и дают на выходе:



Рис. 88. Модель нейрона.

В качестве функции активации (переходной функции) f() нейросети обычно выбираются: простая ступенчатая функция, симметричная или ассимметричная S-образная функция или линейноступенчатая функции (см. рис.).



Рис. 89. Простая ступенчатая, ассимметричная и симметричная S-образные функции активации.

Если обозначить wij, силу связи j-го нейрона на i-ом, то нейросеть, состоящая из n нейронов будет полностью характеризоваться матрицей синаптических связей:

Обычно используют простейшие нейросети, так называемые, слоистые нейросети . Входы нейронов каждого слоя соединены только с выходами нейронов предыдущего. Первый слой называется входным , последний - выходным , а остальные - скрытыми (внутренними ) слоями. Пример обозначения такой нейросети: 4 - 8 - 5 - 3. Это означает, что нейросеть состоит из 4-х слоев: во входном слое 4 нейрона, в выходном - 8, в двух скрытых слоях - 8 и 5.
Управление (обучение ) нейросетью осуществляется посредством изменения сил синаптических связей в матрице W. Неросеть может быть использована как самообучающаяся система, либо быть предварительно настроена на специально подобранных примерах - образцах (обучение с учителем ). При настройке нейросети для заданного набора входных сигналов сеть генерирует выходные сигналы, которые сравниваются с образцами, отклонения от которых оцениваются с помощью специально подобранной функции потерь (например, равной среднеквадратической отклонений). Далее изменяют матрицу синаптических связей с целью минимизации функции потерь (обычно методом градиентного спуска ). Нейросеть, таким образом, можно отнести к моделям аддитивной, нелинейной и непараметрической регрессии.



Рис. 90. Простая ступенчатая, ассимметричная и симметричная S-образные функции активации.


Эффективность работы нейросети является взвешенной оценкой трех ее свойств:
степени конвергенции - точности с какой модель адаптировалась к заданным входным значениям;
степени генерализации (обобщения) - точности, с какой модель работает на входных наборах, выходящих за рамки тех, которые ей предлагались;
стабильности - меры разброса (отклонений) в точности ее прогнозов.
На перечисленные выше свойства нейросети можно повлиять посредством следующих процедур:
выбором подходящей функции активации
выбором подходящей функции потерь
выбором архитектуры (структуры) сети
подбором параметров для градиентного спуска
выбором времени обучения Пример применения нейротехнологий в техническом анализе Основной целью нейронного обучения является построение связей (ассоциаций) между наблюдаемыми формациями. Нейронные сети полезны на этапе принятия решения по сигналам, приходящим от нескольких технических индикаторов. Различные технические индикаторы эффективны при различных состояниях рынка. Как мы уже говорили, трендоследящие индикаторы эффективно работают при наличии тренда, тогда как осцилляторы применимы, когда рынок колеблется в диапазоне.

Покажем на простом примере (A.-P. Refenes, A.Zaidi ), как в этом случае можно использовать нейронную сеть. Пусть стоит следующая задача: найти смешанную стратегию на основе комбинации двух стратегий, каждая из которых строится по сигналам от двух простых индикаторов: скользящей средней (MA) и отклонения от среднестатистического значения (MV).

MA - простой индикатор, сравнивающий две скользящие средние с разными периодами усреднения и дающий сигнал на покупку, когда быстрая СС пересекает медленную снизу-вверх, и сигнал на продажу при пересечении сверху-вниз.

MV - простой индикатор, дающий сигнал на продажу, когда цена оказывается больше своего среднестатистического значения, сигнал на покупку - в противном случае.

Структура системы показана на Рис. 91.

На вход системы поступают сигналы индикаторов (0 - короткая позиция, 1 - длинная) и информация об эффективности индикаторов за 2 последних дня (прибыль или убыток), а также текущая рыночная информация.
На выходе получается три сигнала:

МА: следовать рекомендации MA-индикатора

МV: следовать рекомендации MV-индикатора

NP: ничего не предпринимать

Каждый выходной сигнал принимает значения в диапазоне от 0 до 1.



Рис. 91. Схема нейронной сети для анализа двух индикаторов.

Если оба МА и МV сигналы находятся в состоянии ВКЛ (принимают значения большие 0,5), то выбираются рекомендации сигнала с наибольшим значением, если же NP находится в состоянии ВКЛ, то ничего не предпринимается.

Эксперименты с моделью проводились на данных обменного курса валют за период с 1984 по 1986 гг. Нейронная сеть представляла собой многослойный персептрон (9-12-6-3). По результатам прогона были выведены следующие простые эвристические правила (предполагается в каждый момент времени следование одной из стратегий):

Следуя МА стратегии : если были убытки в момент (t-1) и оба индикатора в момент t дают (на момент t+1) одинаковые рекомендации, тогда надо переключиться на MV-индикатор;

Следуя МV стратегии : если были убытки в моменты (t-1) и (t-2), а оба индикатора в момент t дают (на момент t+1) противоположные рекомендации, тогда надо переключиться на MА-индикатор;

Полученные правила были применены на данных 1984-1992 гг., что дало 3% выигрыша по сравнению с чистой MV-стратегией и 3,2% выигрыша по сравнению с МА-стратегией.



Календарь
«  Март 2024  »
ПнВтСрЧтПтСбВс
    123
45678910
11121314151617
18192021222324
25262728293031
Архив записей

Copyright MyCorp © 2024Сделать бесплатный сайт с uCoz