Нейросети

Трейдинг на основе нейросетей

Виды нейронных сетей

Нейронные сети сегодня используют в самых разных областях, начиная от науки и заканчивая трейдингом. При этом нужно понимать, что нейронные сети бывают очень разные. Мы расскажем о их главных разновидностях – и о том, какие параметры для любой такой сети наиболее важны.

Тип обучения

Для нейронных сетей существует 2 типа обучения: «без учителя» и «с учителем».

О каком «учителе» идёт речь? В данном случае так называют заранее известный выходной вектор, а проще говоря, итоговый результат, к которому должна прийти система. Если она приходит к результату, слишком далёкому от заданного, то в её работу вносятся настройки, чтобы уменьшить расхождение. И так до тех пор, пока в результате работы нейросеть не будет выдавать значения, близкие к целевым.

Пример – тестирование системы для трейдинга на исторических данных. Какими бы загадочными методами работы ни пользовалась нейросеть, но на исторических данных она должна давать безошибочные прогнозы, только тогда её можно допускать до работы на реальном рынке.

Обучение «без учителя» часто используется, когда заранее известных результатов нет. В целом такое обучение ближе к естественному процессу жизни и развития нейросети, по аналогии с мозгом человека или животного.

Тип связей

По этому признаку существует также два варианта сетей:

  • Фиксированные связи – предустанавливаются сразу.
  • Динамические – устанавливаются в процессе работы нейросети.

Фактически, под связями здесь понимается то, какие нейроны с какими взаимодействуют, и с каким количеством соседних нейронов соединен каждый из них.

Способ ввода

По данному признаку нейросети делятся на:

  • Аналоговые (ввод в виде чисел).
  • Двоичные (ввод в виде двоичного кода).

Особого влияния на работу сети данный параметр не оказывает, но он важен, чтобы правильно скоординировать электронную нейросеть (программу) с другой программой, через которую будут поступать данные.

Структура

Один из важнейших параметров нейросети – её структура.

Прямая нейросеть: данные от входа чётко идут к выходу, пусть даже через длинную цепь нейронов.

Рекуррентная: данные, полученные в результате работы нейросети, могут частично вновь поступать на вход.

Второй вариант является более прогрессивным, однако такие сети представляют собой более сложные системы. Знание этих параметров, а главное – своих потребностей в конкретной нейросети, поможет выбрать из существующих разновидностей то, что более всего подходит.

28 Ноя 2017
Категории:

Добавить комментарий

Для отправки комментария вы должны авторизоваться.

Профессиональный трейдинг с QuantPro

Оптимальное соотношение между доходностью и риском