Rede neural para prever forex

Usando redes neuronais recorrentes à previsão de Forex Este artigo relata evidências empíricas de que um modelo de redes neurais é aplicável à previsão estatisticamente confiável das taxas de câmbio. Os dados de séries temporais e os indicadores técnicos, como a média móvel, são alimentados a redes neurais para capturar as regras subjacentes ao movimento nas taxas de câmbio. As redes neurais recorrentes treinadas prevêem as taxas de câmbio entre o dólar americano e outras quatro moedas principais, ien japonês, Swiss Frank, British Pound e EURO. Várias estimativas estatísticas da qualidade da previsão foram realizadas. Os resultados obtidos mostram que as redes neurais podem dar uma previsão com coeficiente de determinação múltipla não pior, em seguida, 0,65. O pré-processamento de dados estatísticos lineares e não-lineares, como o teste de Kolmogorov-Smirnov e os expoentes de Hurst para cada moeda, foram calculados e analisados. Palavras-chave: Redes Neurais, Taxa de Câmbio, Testes Estatísticos, Exponente Hurst, Teoria dos Sistemas Complexos O Forex é o maior e mais líquido dos mercados financeiros, com cerca de 1 trilhão negociado todos os dias. Isso leva ao interesse sério para este setor de finanças e deixa claro que, por várias razões, qualquer comerciante em Forex deseja ter uma previsão precisa da taxa de câmbio. A maioria dos comerciantes usa de maneira antiga esse método tradicional de previsão como análise técnica com a combinação de um fundamental. Neste trabalho, desenvolvemos a abordagem da rede neural para análise e previsão de séries temporais financeiras baseadas não apenas na tecnologia das redes neurais, mas também em um paradigma de teoria de sistemas complexos e sua aplicabilidade à análise de vários mercados financeiros (Mantegna et al., 2000 Peters, 1996 ) E, em particular, para o Forex. Ao escolher a arquitetura da rede neural e a estratégia de previsão, realizamos o pré-processamento de dados com base em alguns métodos de análise estatística ordinária e teoria de sistemas complexos: análise RS, métodos de dinâmica não-linear e caótica (Mantegna et al., 2000 Peters, 1996). ). No presente trabalho, não descrevemos todos eles. Apresentamos aqui apenas os resultados do teste de Kolmogorov-Smirnov e os resultados da análise RS. No entanto, enfatizamos que a análise preliminar permitiu otimizar os parâmetros da rede neural, determinar o horizonte da previsibilidade e realizar a comparação da qualidade de previsão das moedas diferentes. Abaixo, damos algumas observações relativas às vantagens da tecnologia das redes neurais sobre os métodos tradicionais e comparamos nossa abordagem com os métodos de outros autores. Em primeiro lugar, a análise das redes neurais não presume quaisquer limitações sobre o tipo de informação de entrada conforme a análise técnica. Poderia ser como indicadores de séries temporais, como informações sobre o comportamento de outros instrumentos financeiros. Não é sem fundamento, que as redes neurais são usadas exatamente por investidores institucionais (fundos de pensão, por exemplo), que lidam com grandes carteiras e para quem as correlações entre diferentes mercados são essenciais. Em segundo lugar, em contraste com a análise técnica, que se baseia em recomendações comuns, as redes neurais são capazes de encontrar o melhor, para instrumentos financeiros, indicadores e ótima, para séries temporais, estratégias de previsão. Lembremos que, no presente estudo, prevemos as taxas de câmbio das moedas selecionadas apenas no mercado Forex. Como moedas para lidar, escolhemos British Pound, Swiss Frank, EURO e Yen japonês. O seguinte motiva essa escolha: praticamente todos os principais volumes de operações no Forex são feitos com essas moedas. Notemos que foram publicados muitos artigos, onde problemas similares foram estudados. (Jingtao Yao et al., 2000, Castiglione, 2001, Kuperin et al., 2001, Lee et al., 1997, Tino et al., 2001, McCluskey, 1993). Permitam-nos examinar brevemente os resultados de alguns deles. Em (Castiglione, 2001) foram estudados o problema do sinal de previsão de incrementos de preços. Como dados analisados ​​foram obtidos índices como SampP500, Nasdaq100 e Dow Jones. Foram coletados perceptrões multicamadas de diferentes configurações, com diferentes números de neurônios ocultos. Como resultado, tem mostrado uma possibilidade de previsão do sinal de incrementos de preços com probabilidade de um pouco mais de 50, ou seja, um pouco melhor do que apenas atirar moedas. Suponhamos que esse tipo de resultados é irrelevante do ponto de vista prático e tem um interesse acadêmico. MetaTrader 4 - Previsão de preços de negociação usando redes neurais Introdução Durante os últimos anos observamos a explosão de interesse para as redes neurais, utilizadas com sucesso em Diferentes esferas - negócios, medicina, tecnologia, geologia, física. As redes neurais são amplamente utilizadas em esferas que exigem previsão, classificação e gerenciamento. Um sucesso tão impressionante é determinado por vários motivos: amplas possibilidades. As redes neurais são uma ferramenta de modelagem muito poderosa, permitindo a reprodução de relações imensamente complicadas. Em particular, as redes neurais são não-lineares por natureza. Durante um período de muitos anos, a modelagem linear foi o principal método de modelagem na maioria das esferas, porque os procedimentos de otimização para ele estão bem desenvolvidos. Em tarefas, onde a aproximação linear não é suficiente, os modelos lineares operam mal. Além disso, as redes neurais superam a maldição da dimensionalidade, o que não permite a modelagem de relações lineares no caso de um grande número de variáveis. Fácil utilização. As redes neurais aprendem com exemplos. O usuário de uma rede neural agrupa dados representativos e, em seguida, inicia o algoritmo de treinamento. Que aceita automaticamente a estrutura de dados. Claro que o usuário deve ter um conjunto de conhecimentos heurísticos sobre a forma de selecionar e preparar dados, de escolher a arquitetura de rede apropriada e interpretar os resultados. No entanto, o nível de conhecimento, necessário para um uso bem-sucedido das redes neurais, é muito menor do que o necessário nos métodos tradicionais de estatística. As redes neurais são atraentes do ponto de vista da intuição, porque se baseiam no modelo biológico primitivo dos sistemas nervosos. No futuro, o desenvolvimento de tais modelos neurobiológicos pode levar à criação de computadores realmente inteligentes. 1 Previsão de séries temporais financeiras é um membro primário de qualquer atividade de investimento. Toda a idéia de investimento - investir dinheiro agora com o objetivo de obter lucro no futuro - é baseada na idéia de prever o futuro. Consequentemente, a previsão de séries temporais financeiras está na raiz do setor de investimentos - todas as bolsas de valores e mercados de balcão (OTC). Sabe-se que 99 de todos os negócios são especulativos, ou seja, não visam um volume de negócios real, mas, ao tirar proveito usando o esquema, comprar barato. Todos eles são baseados nas previsões de movimentos de preços por parte de participantes comerciais. O que é importante - as previsões dos participantes do comércio são contrárias umas às outras. Portanto, a quantidade de operações especulativas caracteriza a diferença nas previsões dos participantes no mercado, i. E. Na verdade - a imprevisibilidade das séries temporais financeiras. Esta característica mais importante das séries temporais de mercado está subjacente à teoria do mercado eficiente, descrita na tese de L. Bachelier em 1900. De acordo com esta tese, um investidor pode confiar apenas na rentabilidade média do mercado, avaliada por índices, como Dow Jones Ou SampP500 para New-York Exchange. Qualquer lucro especulativo é de natureza aleatória e é como jogar (há algo atraente nisso, não existe). O motivo da natureza imprevisível das curvas do mercado é o mesmo, como porque o dinheiro raramente se encontra no terreno em lugares públicos: muitas pessoas que desejam adotá-lo. Naturalmente, a teoria de um mercado eficiente não é suportada pelos participantes do mercado (que estão à procura do dinheiro que está mentindo sobre). Muitos pensam que, apesar da aparente estoquesticidade, todas as séries temporais estão cheias de regularidades ocultas, ou seja, previsíveis, pelo menos parcialmente. O fundador de uma análise de ondas R. Elliot tentou encontrar tais regularidades empíricas ocultas em seus artigos nos anos 30. Na década de 80, este ponto de vista foi suportado inesperadamente na teoria do caos dinâmico recém-apareceu. Esta teoria é baseada na contraposição do estado caótico e da estocasticidade (aleatoriedade). As séries caóticas parecem apenas aleatórias, mas, como um processo dinâmico determinista, permitem uma previsão de curto prazo. A esfera da previsão provável é restrita no tempo pelo horizonte da previsão. Mas isso pode ser suficiente para obter lucro real da previsão (Chorafas, 1994). E aqueles, que usam os melhores métodos de matemática para extrair regularidades de séries caóticas barulhentas, podem esperar grandes lucros - à custa de pessoas menos equipadas. A última década caracterizou-se por um crescimento persistente da popularidade da análise técnica - um conjunto de regras empíricas, com base em diferentes indicadores do comportamento do mercado. A análise técnica enfoca o comportamento individual deste instrumento financeiro, além de outros títulos. Mas a análise técnica é muito subjetiva e funciona ineficientemente na borda direita de um gráfico - exatamente onde precisamos da previsão de uma direção de preço. É por isso que uma maior popularidade é obtida pela análise da neuro-rede, porque, ao contrário do técnico, não estabelece restrições sobre o tipo de informação de entrada. Isso pode ser indicadores da série de indicadores fornecidos, bem como a informação sobre o comportamento de outros instrumentos de mercado. Não em vão, as redes neurais são amplamente utilizadas por investidores institucionais (por exemplo, grandes fundos de fundos de pensões), trabalhando com grandes carteiras, dando grande importância à correlação entre diferentes mercados. O modelo puro de neuro-rede baseia-se apenas em dados, não usando argumentos antecedentes. Este é o ponto forte e da semana ao mesmo tempo. Os dados disponíveis podem ser insuficientes para o treinamento, a dimensão das entradas potenciais pode ser muito grande. É por isso que, para uma boa previsão, é preciso usar pacotes de neuropaços com grande funcionalidade. Preparando dados Para iniciar a operação, devemos preparar dados. A correção deste trabalho influencia 80 de sucesso. O guru das redes neurais diz que, como entradas e saídas, não se deve usar os valores das citações Ct. O que é realmente significativo é que as citações mudam. Embora a amplitude dessas mudanças seja, em geral, menor do que as próprias cotações, existe uma forte correlação entre os valores de cotação sucessivos - o valor de cotação mais provável no próximo momento será igual ao seu valor anterior C (t1) C (t ) Delta (C) C (t). Enquanto isso, para uma maior qualidade de treinamento, devemos procurar uma independência estatística de entradas, ou seja, evitando tais correlações. É por isso que é lógico escolher como variáveis ​​de entrada estatisticamente a maioria dos valores independentes, por exemplo, alterações de citações delta (C) ou log de logaritmo de incremento relativo (C (t) C (t1)). A última escolha é melhor para longas séries temporais, quando a influência da inflação é sensível. Nesse caso, diferenças simples nas partes da série terão amplitude diferente, pois elas são realmente valorizadas em unidades diferentes. E, pelo contrário, as relações de cotações sucessivas não dependem das unidades de medida e serão da mesma escala, independentemente da mudança inflacionária das unidades de medida. Como resultado, a grande estacionança da série permite usar para treinar uma grande história, proporcionando assim um melhor treinamento. A desvantagem da imersão no espaço de atraso é a visão restrita da rede. Pelo contrário, a análise técnica não conserta uma janela no passado e às vezes usa valores de série distantes. Por exemplo, os valores máximos e mínimos da série, mesmo no passado relativamente antigo, afirmaram ter um grande impacto nos comerciantes psicológicos e, consequentemente, devem ser valiosos para a previsão. Uma janela não bastante ampla da imersão no espaço de atraso não é capaz de fornecer essas informações, o que, naturalmente, diminui a eficiência da previsão. Por outro lado, alargando a janela a tais dimensões, quando inclui valores extremos de séries extremas, aumenta a dimensionalidade da rede, o que resulta em uma pior precisão da previsão de neurônios. A saída desta situação aparentemente inoperante é métodos alternativos de codificação do comportamento passado da série. Instintivamente, é claro que, quanto mais no passado, a história da série, menos detalhes de seu comportamento influenciam o resultado da previsão. Baseia-se na psicologia da percepção subjetiva do passado pelos comerciantes, que realmente fazem o futuro. Consequentemente, precisamos encontrar a apresentação da dinâmica da série, que teria uma precisão seletiva: quanto mais longe, menos detalhes, preservando a forma geral da curva. Uma ferramenta bastante promissora aqui pode ser uma decomposição wavelet. Em termos de informatividade, é igual à imersão de atraso, mas é mais fácil aceitar essa compressão de dados, que descreve o passado com a precisão seletiva. Escolhendo Software Existem diferentes softwares, destinados a trabalhar com redes neurais. Alguns são mais ou menos universais, outros são altamente especializados. Aqui está uma pequena lista de alguns programas: 1. Matlab é um laboratório de desktop para cálculos matemáticos, projetando circuitos elétricos e modelando sistemas complexos. Possui uma linguagem de programação integrada e um grande conjunto de ferramentas para redes neurais - Anfis Editor (educação, criação, treinamento e interface gráfica), interface de comando para redes de programação, nnTool - para uma configuração mais precisa de uma rede. 2. Statistica é um software poderoso para analisar dados e verificar as regularidades das estatísticas. Neste pacote, o trabalho com neurônios é apresentado no bloco de Redes Neurais da STATISTICA (abreviado, ST Neural Networks, pacote de neuro-net da empresa StatSoft), que é a realização de todo o conjunto de métodos de análise de dados de neurônios. 3. O BrainMaker destina-se a resolver tarefas, que ainda não possuem métodos e algoritmos formais, com dados de entrada incompletos, ruidosos e contraditórios. Para tais tarefas, referimos trocas e previsões financeiras, modelando condições de crise, reconhecimento de padrões e outros. 4. NeuroShell Day Trader é um sistema de neurônios que atende aos requisitos específicos dos comerciantes e é bastante fácil de usar. Este programa é altamente especializado e destina-se a negociação, no entanto, é muito próximo de uma caixa preta. 5. Outros programas são menos populares. Para a operação primária, o Matlab é bastante adequado. Vamos tentar definir a forma física de um neurônio para previsão Forex. As informações sobre o complexo MatLab podem ser encontradas na wikipedia em en. wikipedia. orgwikiMATLAB Muitas informações sobre o programa estão no site. Experiência em matemática Preparando dados Os dados são facilmente adquiridos usando ferramentas padrão do MetaTrader: Service - gt Quotes archive - gt Exportar Como resultado, obtemos o arquivo. csv, que é uma matéria-prima para a preparação de dados. Para transformar o arquivo em um arquivo conveniente para operação. xls, importe dados do arquivo. csv. Para isso, no Excel faça o seguinte: Data - gt Importar dados externos - gt Importar dados e indicar o arquivo primário preparado. No mestre de importação, todas as ações necessárias são feitas em 3 etapas: na terceira etapa, substitua o separador do inteiro e a parte decimal por um ponto, usando Mais. Para que os dados sejam aceitos como números, não como strings, substitua o separador do inteiro e a parte decimal por um ponto: Service - gt Parameters - gt International - gt Separator of integer and decimal part. As capturas de tela mostram o exemplo de economizar preços de abertura e fechamento, outros dados ainda não são necessários. Agora, transforme todos os dados de acordo com o que queremos prever. Vamos prever o preço de fechamento do dia seguinte sobre os quatro anteriores (os dados são apresentados em cinco colunas, os preços estão em ordem cronológica). Graças a manipulações fáceis no Excel, os dados são preparados em alguns minutos. Um exemplo de um arquivo de dados preparado é anexado ao artigo. Para que o Matlab perceba os arquivos, os dados preparados devem ser salvos em. txt ou. Arquivos dat. Deixe-nos salvá-los em arquivos. txt. Em seguida, cada arquivo deve ser dividido - para o treinamento de rede (seleção) e seu teste (seleção externa). Da mesma forma, os dados de euro. zip preparados são adequados para uma operação posterior. Conhecimentos com Matlab A partir da linha de comando, comece o pacote ANFIS usando o comando anfisedit. O editor consiste em quatro barras - para dados (dados de carga), para geração de rede (Gerar FIS), para treinamento (Train FIS) e para testes (Test FIS). A barra superior é usada para visualizar a estrutura do neurônio (ANFIS Info). Mais informações sobre a operação do pacote estão aqui: Para iniciar os dados de carga da operação, preparados nas etapas anteriores - relógio Carregar dados e indicar o arquivo com os dados de seleção. Em seguida, crie uma rede neural clicando em Gerar FIS. Para cada variável de entrada, estabeleça 3 variáveis ​​linguísticas com uma função de referência de triângulo. Defina uma função linear como uma função de referência de uma função de saída. Para o treinamento de neurônios, o pacote AnfisEdit inclui 2 algoritmos de treinamento - propagação traseira e um híbrido. Com um treinamento híbrido, a rede é treinada dentro de duas ou três corridas. Em uma seleção de treinamento (60 valores) após o treinamento, a previsão da rede difere do real em vários pontos. Mas o que precisamos prever é futuro Como os dados de seleção externa tomamos os próximos 9 dias após os dados de seleção interna. Nos dados de seleção externa, o erro médio-quadrado fez 32 pontos, o que, é claro, é inaceitável no comércio real, mas mostra que a direção do neurônio pode ser desenvolvida - o jogo deve valer a pena a vela. O resultado do nosso trabalho é a rede neural híbrida multicamada que pode prever valores de preço absolutos para o futuro próximo. Ele cardinalmente muda em sua arquitetura e propósitos a partir de uma rede neural de uma camada, descrita por Y. Reshetov em seus artigos 1447 e realizada como um Expert Advisor mql5rucode10289. Conseguimos receber uma previsão mais ou menos tolerável de cotações, embora os especialistas em redes neurais recomendem fortemente não fazer isso. Para visualizar o neurônio resultante, clique em Estrutura. Uma rede neural treinada está localizada no arquivo anexado neuro. zip. Uma grande vantagem do pacote Matlab é a sua integração com outros programas, e existem múltiplas variantes de sua integração DDE, com-objects, dll. Então, você não precisa criar a ferramenta do zero no fórum. mql4ru5220. Você pode usar uma solução de programa pronto para trabalhar com redes neurais e algoritmos genéticos. Então, depois de obter resultados de previsão estáveis, você pode integrar a rede neural no programa MetaTrader através da dll. Conclusão As redes neurais são uma ferramenta muito poderosa para trabalhar nos mercados financeiros, mas aprender essa tecnologia exige tempo e esforço, não menos do que aprender análise técnica. Uma vantagem das redes neurais é a sua objetividade na tomada de decisão, sua desvantagem - as decisões são realmente feitas por uma caixa preta. O principal problema que pode ocorrer durante o trabalho com esta tecnologia está conectado com o pré-processamento correto de dados. Esta etapa desempenha um papel crucial na previsão de dados e muitas tentativas mal sucedidas de trabalhar com redes neurais estão conectadas com esta etapa. Para aprender corretamente as redes, é preciso experimentar muito - mas o jogo vale a pena a vela. Se os investidores institucionais usam essa ferramenta, os comerciantes comuns também podem tentar obter sucesso usando redes neurais treinadas, porque qualquer coisa pode ser inserida na rede - desde indicadores e preços até sinais da análise fundamental. Lista de referências 1. Nejrokompyuting i ego primenenie v nauke i biznese. A. Ezhov, S. Shumskij. 1998