Азбука нейросетевого анализа

Я с радостью представлю вам краткое описание того, что собой представляют нейросети и как их можно применить на финансовом рынке. Главный акцент будет сделан на парадигмах нейросетей, их архитектуре, а также на тренировочных и тестовых режимах применения нейросетей для прогнозирования финансовых рынков.

Нейросети призваны «изучать» то, как решаются конкретные задачи путем прохождения информации через нейроны, являющиеся основной единицей в нейросетевых процессах. Обычно нейросети состоят из нескольких уровней нейронов. Сетевая архитектура определяет число уровней, количество нейронов на каждом из уровней, взаимосвязи между нейронами, а также передаточные функции, которые используются в нейросетях. Существует множество парадигм, две из которых широко применяются в финансовом анализе. Одна из них называется сетью с повторяющимся обратным распространением, которая изучает текущую информацию, используя порядок появления событий. Вторая парадигма, которая часто используется в финансовом мире, называется сетью с направляющим обратным распространением. Она предполагает анализ ОТ обратного, т. е. анализ ошибок (отклонений), которые закодированы в текущей информации, выступающей в качестве входящего потока данных. При этом принимается во внимание так называемый предварительный «щелчок» в данных. Архитектура типичных сетей с обратным распространением представлена на рис. 5.7. Именно эту парадигму мы будем использовать, чтобы продемонстрировать архитектуру нейросетей.

Рис. 5.7. Простейшая сеть с направляющим обратным распространением. Сети с обратным распространением используют данные технического, фундаментального и межрыночного анализа. Сеть работает через обратное распространение ошибок сквозь всю сеть

Сеть с обратным распространением состоит из одного уровня входящих данных, одного или нескольких скрытых уровней и одного уровня выходных данных. Уровень входящих данных состоит из нейрона, связанного с каждой входящей независимой переменной. Уровень выходных данных содержит нейрон, относящийся к каждой зависимой переменной, которую надо спрогнозировать. Скрытый уровень состоит из нейронов, которые связаны как с входящими, так и с выходящими данными. Как правило, уровни имеют полные связи между собой. Это означает, что каждый нейрон на каждом уровне связан с каждым из нейронов соседнего уровня.

Значения, ассоциирующиеся с каждым из нейронов входящих данных, отсылаются каждому из нейронов первою из скрытых уровней.

Далее они умножаются на присвоенный им вес, складываются и преобразуются с помощью функций для того, чтобы получить в итоге выходные данные. Выходные данные с первого из скрытых уровней затем передаются каждому последующему скрытому уровню или же напрямую направляются на уровень выходных данных сети, если та включает в себя только один скрытый уровень. Уровень выходных данных — это и есть прогноз, сгенерированный нейросетью.

Число нейронов скрытых уровней определяется экспериментально. Для нелинейных задач, как, например, прогнозирование цен акций или фьючерсов, нейросеть должна состоять как минимум из одного скрытого уровня. Более того, функция преобразования должна тоже быть нелинейной, постоянно дифференцированной. Это может быть, например, сигма-функция, которая позволяет сети преобразовывать нелинейные статистические модели. На рис. 5.8 представлена модель скрытых нейронов.

Рис. 5.8. Пример скрытых нейронов. Нейросети состоят из индивидуальных взаимосвязанных элементов, называемых нейронами

Выбор входящих данных и предварительная обработка. Моделирование нейросетей не может существовать без осознания разработчиком сети лежащих в их основе реальных взаимосвязей между входящими и выходящими данными. Решения о включении того или иного фактора в модель должны приниматься исходя из того, что прогнозируется и какие данные могут быть использованы в сети. В нейросетях применяется принцип «Что на входе, то и на выходе». Знание финансовых рынков, дополненное применением различных инструментов, таких как анализ, принципиальных составляющих исследования, с тем, чтобы обнаружить корреляцию между связанными, как нам кажется, рынками, просто необходимы для отбора входящих данных.

Как только вы отберете данные для входящего уровня, эти данные надо будет предварительно обработать. Уменьшая число переменных на этане входящих данных, мы можем упростить нейросеть. Для предварительной обработки данных применяются, как правило, два широко известных метода — преобразование и нормализация. Преобразование предполагает манипулирование рядом данных для того, чтобы получить из них одну переменную, а не несколько. Нормализация же позволяет равномерно распределить данные и подогнать их под масштаб, который подходил бы ряду нейронов входящих данных.