Forex: просто о сложном Анализ рынка Форекс Торговля на Forex Технический анализ Форекс Forex-инвестиции Торговые стратегии Форекс Лучшие брокеры Форекс
В данной книге рассмотрены методы построения и обучения нейронных сетей. Описаны наиболее распространенные виды сетей и их применение к таким расчетам на финансовом рынке, как расчет цен опционов, оценка индексов акций и управление международным портфелем.
Лучший брокер бинарных опционов
Глава 2. Применение нейронных сетей в задачах классификации и анализа временных рядов
Forex

В этой пиве архитектура нейронных сетей рассматривается с точки зрения двух наиболее важных видов приложений — задач классификации и анализа временных рядов.

Задача классификации понимается как задача отнесения образца к одному из нескольких попарно непересекающихся множеств. Чаще всего мы будем рассматривать двоичную классификацию. Примерами могут служить определение прибыльности или неприбыльное™ данной инвестиции, или задача различения жизнеспособных и склонных к банкротству фирм. Задача анализа временных рядов заключается в том, чтобы получить будущие значения некоторой величины, зная ее текущие и прошлые значения и располагая данными о среде.


Для беспроблемного трейдинга рекомендую брокера Forex4you – здесь разрешен скальпинг, любые советники и стратегии; также можно иметь дело с Альпари; для инвесторов – однозначно Альпари с его множеством инвестиционных возможностей. – примеч. главного админа (актуально на 09.05.2018 г.).


НЕЙРОННЫЕ СЕТИ В ЗАДАЧАХ КЛАССИФИКАЦИИ

Цель классификации

В предыдущей главе мы рассмотрели методы нейронных вычислений. В настоящей главе мы исследуем две главные области применения сетей с прямой связью: задачи классификации и моделирование временных рядов. Отличие между задачами этих двух типов состоит в наличии (временной) упорядоченности примеров.

Рассмотрим, как нейронные сети с прямой связью (или многослойные персептроны — MLP, Multilayer Peiceptron) используются в задачах классификации. В чем, собственно, заключается эта задача? Во-первых, в любой задаче классификации требуется отнести имеющиеся статические образцы (рукописные буквы, звуковые сигналы, характеристики финансового положения) к определенным классам. Разнообразие примеров, возникающих в реальном мире, практически бесконечно. Эффективность классификации зависит от способа представления этих форм. В числе других здесь имеются следующие способы: распознавание образов, структурное представление и статистическое представление. В структурном распознавании образов образцы описываются тем. как они составлены из своих компонент, т.е. структурой, подобно тому, как это делается в грамматике языка, распознавание в этом случае основывается на применении определенных синтаксических правил. При статистическом подходе к распознаванию образец представляется вектором x«;91v, компоненты которого представляют собой различные характеристики (дескрипторы) образца. Классификатор относит объект х к тому или иному классу С в соответствии с определенным разбиением N-мерного пространства, которое называется пространством входов.

При решении задачи распознавания статистическими методами важнейшее значение имеет правильный выбор способа статистического представления объекта. Тем самым, нужно проделать предварительную обработку данных. Для того чтобы выбрать характерные отличительные признаки объектов, требуется, как правило, серьезное изучение исходной проблемы. Например, о моделях банкротства банков важное значение имеют такие показатели, как опыт в управлении фондами и соответствие требованиям адекватности капитала. Различные наборы признаков приводят к разным распределениям. При этом в разных вариантах дисперсия и свойства выпуклости кластеров во входном пространстве могут сильно отличаться, соответственно, при их разделении потребуется проводить границы разной степени сложности — от линейных до сильно нелинейных. Чем лучше была сделана предварительная обработка, тем легче будет решена задача классификации.

Прежде всего нужно определиться с выбором уровня сложности. В реальных ситуациях часто бывает так, что имеется лишь относительно небольшое число образцов, а структура данных позволяет выделить следующие три уровня сложности. Первый (простейший) — когда классы можно разделить прямыми линиями (или гиперплоскостями, если пространство имеет размерность больше двух). Этот случай называется линейной отделимостью. Во втором случае одной гиперплоскости для разделения недостаточно (нелинейная отделимость), а в третьем случае классы пересекаются, и поэтому разделить их можно только в вероятностном смысле.

В идеальном варианте предварительная обработка должна дать такой набор признаков, чтобы задача оказалась линейно отделимой, — классификация после этого существенно упрощается. К сожалению, это редко удастся сделать. Как правило, в нашем распоряжении имеется лишь ограниченный набор образцов, и часть из них используется для проведения границ, разделяющих классы ("построение классификатора"). Качество классификатора но отношению к имеющимся примерам измеряется оценкой.

Содержание Далее

При последующей работе классификатора с новыми образцами происходит обобщение. Возможные способы оценить способность к обобщению мы рассмотрели в предыдущей главе. Alpari
Forex: просто о сложном
Яндекс.Метрика
Литература по биржевой торговле:

Бестенс Д. и др. Нейронные сети и финансовые рынки

Ван Тарп и др. Биржевые стратегии игры без риска

Грант К. Управление рисками в трейдинге

Пайпер Д. Дорога к трейдингу

Резго Г.Я., Кетова И.А. Биржевое дело

Рэдхэд К., Хьюс С. Управление финансовыми рисками

Сафонов В. Трейдинг. Дополнительное измерение принятия решений

Торговая система Woodies CCI

Торговая стратегия «Трейдинг без головной боли»

Тощаков И. Forex: игра на деньги. Стратегии победы

Хатсон Дж. Метод Вайкоффа

Черепков А. Теория длинных волн Н.Д. Кондратьева

Бинарные опционы Альпари