Первые упоминания нейронной сети датируются 1873 и 1890 годами в трудах Александра Бэйна и Уильяма Джемса. Представлялось что, любая мыслительная деятельность это результ взаимодействия нейронов головного мозга человека.
ИНС (Искусственная нейронная сеть) в свою очередь это математическая модель работы биологической сети нервных клеток живого организма.
Используя современные Аппаратно-программные комплексы и изыскания по изучению работы мозга живых организмов, ИНС используются в разнообразных областях современной жизни.
Например ИНС способны определять людей на фото, распознавать текст на изображениях, прогнозировать погодные катаклизмы, отличать одну песню от другой как это делает shazam и многое другое.
Главное отличие ИНС от обычного программного обеспечения в способности к обучению и развитию. В простом ПО есть четко заданный алгоритм по которому оно и работает.
Но что делать с задачами когда алгоритм слишком сложен и многогранен для понимания человека? Или универсального алгоритма нет? Тут на помощь и приходит ИНС.
Нейронная сеть способна самостоятельно выработать собственный алгоритм решения задачи или комплекса задач. И чем больше данных получит ИНС тем точнее будет результат.
Порой самой сложной задачей является научить ИНС правильно анализировать данные, для этого используются разнообразные подходы и алгоритмы и чем сложнее нейронная сеть и ее структура и количество слоев. Тем дольше и сложнее период обучения.
Использование ИНС в анализе и прогнозировании поведения валютного рынка.
Представьте что вы пытаетесь проанализировать ситуацию на рынке и составить прогноз его дальнейшего поведения, сколько инструментов и индикаторов вы сможете использовать? Сколько данных в единицу времени вы сможете обработать?
ИНС способна обработать и найти зависимости и алгоритмы прогнозирования, которые не доступны для поиска иными методами. Обрабатывая в единицу времени огромное количество данных ИНС, в отличии от торговых роботов, анализирует и принимает в расчет все доступные инструменты и известные алгоритмы прогнозирования, вычисляет наиболее вероятное поведение рынка.
Практическое применение нейронных сетей на финансовых рынках
Популярность нейронных сетей обусловлена возможностью их успешного применения в самых различных сферах деятельности: от техники и медицины до социологии и бизнеса. В каждой предметной области, которая требует выполнения работ по прогнозированию, обработке и анализу большого количества данных, выбор на нейросети падает не случайно.
Это мощный и достаточно гибкий набор инструментов, позволяющий решать поставленные задачи эффективнее по сравнению с традиционными статистическими методами. Столь впечатляющие результаты обусловлены рядом особенностей нейронных сетей.
Основные преимущества нейронных сетей:
- Широта возможностей и областей применения;
- Простота в использовании;
- Самообучаемость;
- Перспективность развития.
Широта возможностей в нейронных сетях удачно совмещается с простотой в использовании. Нелинейная природа нейросетей позволяет воспроизводить при моделировании и анализе крайне сложные зависимости по сравнению с линейными методами. Применение последних в ряде областей на протяжении многих лет связано с отлаженной процедурой оптимизации. Однако, при наличии большого количества переменных, а также для задач, состоящих в замене одних объектов другими близкими к исходным, линейные модели дают неудовлетворительные результаты.
Нейронные сети, построенные по базовой биологической схеме нервной системы, обладают способностью к самообучению. В начале работы над определенным проектом в сеть загружаются отобранные данные и запускается алгоритм обучения. После интерпретации первых результатов исходные данные корректируются вплоть до замены архитектуры сети и процесс обучения возобновляется. Для контроля над таким циклом от человека требуются эвристический склад ума и определенный набор знаний, но не настолько глубокий, как при использовании традиционных статистических методов. Интуитивность нейронных сетей в процессе обучения позволяет давать прогнозы о возможности существования в будущем мыслящей вычислительной техники.
Последнее время особое внимание к нейронным сетям прослеживается со стороны финансового сектора. В глобальном разрезе суть инвестиционных вложений построена на предположениях по имеющимся стартовым данным. Прогнозирование денежных временных рядов как нельзя лучше вписывается в возможности применения нейронных сетей. Анализ большого количества информации и прогноз результата лежат в основе всех биржевых и внебиржевых систем торговли ценными бумагами. Спекулятивные сделки совершаются участниками на основании предугадывания перемен курса валют. Таким образом, объем торговых сделок зависит от степени предсказуемости финансовых временных рядов.
Такое поведение денежных временных рядов было подробно изложено в диссертации «Теория спекуляции» французского математика Луи Жан-Батиста Башелье, увидевшей свет в 1900 году. В работе обсуждается возможность использования математических методов в финансовой сфере, в частности применение броуновского движения для расчёта цен опционов. Согласно этой теории, получение дохода носит случайный характер, и инвестор может рассчитывать только на среднюю доходность рынка, которая оценивается с помощью определенных биржевых индексов.
Позднее появилась альтернативная теория, утверждающая, что финансовые временные ряды содержат замаскированные эмпирические закономерности и в определенной степени предсказуемы. Участники рынков ценных бумаг склонны придерживаться именно этой концепции динамического хаоса, чтобы их деятельность становилась в один ряд с математикой, а не эзотерикой. Доктрина такого подхода базируется на антитезе случайности и хаотичности, при котором допускается краткосрочное прогнозирование.
Ареол предугадывания ограничен временными рамками и этого должно оказаться достаточно для определения наличия дохода. Обладатель наиболее совершенных математических методов вычисления последовательностей из хаотических рядов может рассчитывать на более высокий профит за счет других участников рынка.
Повсеместно используемый технический анализ просчитывает частное действие конкретных индикаторов без сопоставления с общей массой ценных бумаг. Это делает его субъективным и слабо справляющимся с прогнозом направления цены. Анализ, производимый нейронными сетями, лишен этого недостатка и одинаково хорошо определяет поведение как данного временного ряда, так и сторонних финансовых инструментов. Нейросетевой анализ в большей степени сравним с моделированием, чем с прогнозом.
Единственным слабым звеном эксплуатации нейронных сетей при работе с ценными бумагами является высокий показатель размерности вероятных входов, который тормозит самообучаемость системы.
Поэтому для получения максимально точного прогноза необходимо работать с большими финансовыми портфелями, иметь обширный массив данных и нейропакеты с высокой функциональностью.
Присоединяйтесь к каналу в Telegram - https://t.me/ita_lab