نظم التداول المالي باستخدام الشبكات العصبية الاصطناعية

الشبكات العصبية: توقعات التنبؤ.

والشبكات العصبية هي خوارزميات متطورة يمكن أن تحاكي جوانب رئيسية معينة في عمل الدماغ البشري. وهذا يعطيهم قدرة فريدة على التدريب الذاتي، والقدرة على إضفاء الطابع الرسمي على المعلومات غير المصنفة، والأهم من ذلك، القدرة على جعل التنبؤات استنادا إلى المعلومات التاريخية لديهم تحت تصرفهم.

وقد استخدمت الشبكات العصبية بشكل متزايد في مجموعة متنوعة من التطبيقات التجارية، بما في ذلك التنبؤ وتسويق حلول البحث. في بعض المناطق، مثل الكشف عن الاحتيال أو تقييم المخاطر، هم قادة لا جدال فيه. المجالات الرئيسية التي وجدت الشبكات العصبية التطبيق هي العمليات المالية، وتخطيط المشاريع، والتجارة، وتحليلات الأعمال وصيانة المنتجات. الشبكات العصبية يمكن تطبيقها بكفاءة من قبل جميع أنواع التجار، لذلك إذا كنت تاجر ولم تكن قد أدخلت بعد إلى الشبكات العصبية، ونحن سوف يأخذك من خلال هذا الأسلوب من التحليل الفني وتظهر لك كيفية تطبيقه على نمط التداول الخاص بك.

استخدام الشبكات العصبية للكشف عن الفرص.

تماما مثل أي نوع من منتج كبير أو التكنولوجيا، بدأت الشبكات العصبية جذب كل أولئك الذين يبحثون عن سوق في مهدها. وقد أغرقت السيول من الإعلانات حول برنامج الجيل التالي من السوق - الإعلانات تحتفل أقوى من جميع خوارزميات الشبكة العصبية التي تم إنشاؤها من أي وقت مضى. حتى في تلك الحالات النادرة عندما تشبه الدعاوى الإعلانية الحقيقة، ضع في اعتبارك أن زيادة الكفاءة بنسبة 10٪ هي على الأرجح أكثر ما يمكن أن تحصل عليه من الشبكة العصبية. وبعبارة أخرى، فإنه لا ينتج عوائد خارقة وبغض النظر عن مدى نجاحه في حالة معينة، وسوف يكون هناك بعض مجموعات البيانات وفئات المهام التي الخوارزميات المستخدمة سابقا لا تزال متفوقة. تذكر هذا: انها ليست الخوارزمية التي لا خدعة. وتعد معلومات المدخلات المعدة جيدا عن المؤشر المستهدف أهم عنصر في نجاحك مع الشبكات العصبية.

هل أسرع التقارب أفضل؟

العديد من أولئك الذين يستخدمون بالفعل الشبكات العصبية يعتقدون خطأ أن أسرع صافي نتائجها، كان ذلك أفضل. ومع ذلك، هذا هو الوهم. لا يتم تحديد شبكة جيدة بالمعدل الذي ينتج عنه النتائج ويجب على المستخدمين معرفة كيفية إيجاد أفضل توازن بين السرعة التي تدرب فيها الشبكة وجودة النتائج التي تنتجها.

التطبيق الصحيح للشبكات العصبية.

العديد من التجار تطبيق الشبكات العصبية بشكل غير صحيح لأنها تضع الكثير من الثقة في البرنامج الذي يستخدمونه جميعا دون أن يتم تزويدهم بتعليمات مناسبة حول كيفية استخدامه بشكل صحيح. لاستخدام الشبكة العصبية بالطريقة الصحيحة، وبالتالي، مكسب، تاجر يجب أن تولي اهتماما لجميع مراحل دورة إعداد الشبكة. إنه التاجر وليس شبكته المسؤولة عن ابتكار فكرة وإضفاء الطابع الرسمي على هذه الفكرة واختبارها وتحسينها وأخيرا اختيار اللحظة المناسبة للتخلص منها عندما لا تعود مفيدة. فلننظر في مراحل هذه العملية الحاسمة بمزيد من التفصيل:

1. إيجاد فكرة التداول وإضفاء الطابع الرسمي عليها.

2. تحسين معلمات النموذج الخاص بك.

3. التخلص من النموذج عندما يصبح عفا عليها الزمن.

كل نموذج الشبكة العصبية على أساس العمر الافتراضي، ولا يمكن استخدامها إلى أجل غير مسمى. ويعتمد طول العمر الافتراضي لنموذج ما على حالة السوق وعلى مدى استمرار ترابط الأسواق في هذا المجال. ومع ذلك، عاجلا أو آجلا يصبح أي نموذج عفا عليها الزمن. عند حدوث ذلك، يمكنك إما إعادة تدريب النموذج باستخدام بيانات جديدة تماما (أي استبدال جميع البيانات التي تم استخدامها)، وإضافة بعض البيانات الجديدة إلى مجموعة البيانات الحالية وتدريب النموذج مرة أخرى، أو ببساطة سحب النموذج تماما.

العديد من التجار يجعلون خطأ اتباع أبسط مسار - أنها تعتمد بشكل كبير على واستخدام النهج الذي برامجها يوفر وظيفة سهلة الاستخدام والأكثر سهولة. هذا أبسط النهج هو التنبؤ سعر بعض الحانات المقبلة واستنادا نظام التداول الخاص بك على هذه التوقعات. ويتوقع المتداولون الآخرون تغير الأسعار أو النسبة المئوية لتغير الأسعار. نادرا ما ينتج عن هذا النهج نتائج أفضل من التنبؤ بالسعر مباشرة. ويخفق النهجان التبسيطان في الكشف عن معظم الترابطات الهامة الطويلة الأجل واستغلالها بأكبر قدر من الأرباح، ونتيجة لذلك يصبح النموذج عفا عليه الزمن بسرعة مع تغير القوى الدافعة العالمية.

أفضل نهج شامل لاستخدام الشبكات العصبية.

أنظمة التداول المالية باستخدام الشبكات العصبية الاصطناعية (علم المعلومات)

المقدمة.

وتمثل الحوسبة الناعمة مجال الحوسبة المكيف من العلوم الفيزيائية. تقنيات الذكاء الاصطناعي في هذا المجال محاولة لحل المشاكل من خلال تطبيق القوانين والعمليات المادية. هذا النمط من الحوسبة هو متسامح بشكل خاص من عدم الدقة وعدم اليقين، مما يجعل النهج جذابا لتلك الأبحاث داخل & # 8220؛ صاخبة & # 8221؛ العوالم، حيث نسبة الإشارة إلى الضوضاء منخفضة جدا. وعادة ما تقبل الحوسبة الناعمة لتشمل المجالات الرئيسية الثلاثة للمنطق الضبابي، والشبكات العصبية الاصطناعية، والمنطق الاحتمالي (الذي يتضمن الخوارزميات الجينية، نظرية الفوضى، وما إلى ذلك).

ساحة التداول الاستثماري هي واحدة من هذه المجالات حيث هناك وفرة من البيانات صاخبة. وفي هذا المجال، عادة ما تتيح الحوسبة التقليدية طريقة للحوسبة الناعمة حيث لا يمكن الوفاء بالظروف الصارمة التي تطبقها الحوسبة التقليدية. ويتضح ذلك بشكل خاص حيث قد تظهر نفس مجموعات ظروف الإدخال نتائج مختلفة، أو أن هناك وفرة من البيانات الناقصة أو الرديئة النوعية.

الشبكات العصبية الاصطناعية (من الآن فصاعدا أن) هي فرع واعد بشكل خاص على شجرة الحوسبة الناعمة، لأنها تمتلك القدرة على تحديد العلاقات غير الخطية، وبارعون بشكل خاص في التعامل مع مجموعات البيانات صاخبة.

ومن وجهة نظر الاستثمار، فإن الشبكات الوطنية الأنغولية جذابة بشكل خاص لأنها توفر إمكانية تحقيق عوائد استثمارية أعلى لسببين مختلفين. أولا، مع ظهور قوة الحوسبة أرخص، وقد أصبحت العديد من التقنيات الرياضية لتكون في الاستخدام المشترك، وتقليل فعالية أي ميزة أنها أدخلت (انظر صموئيل & أمب؛ مالكال، 1990). ثانيا، من أجل محاولة معالجة المسألة الأولى، أصبحت العديد من التقنيات أكثر تعقيدا. وهناك خطر حقيقي من أن نسبة الإشارة إلى الضوضاء المرتبطة بهذه التقنيات قد تصبح أقل، ولا سيما في مجال التعرف على الأنماط، كما ناقشها بلاكي (2002).

وينقسم الاستثمار والتجارة المالية عادة إلى تخصصين رئيسيين: التحليل الأساسي والتحليل الفني. تتم مراجعة المواد المتعلقة بتطبيق الشبكات العصبية على هذين المجالين.

خلفية.

هناك عدد من المقاربات داخل الآداب، التي تتناول تطبيق تقنيات أن على الاستثمار والتداول. وعلى الرغم من عدم وجود تقسيم رسمي لهذه النهج المختلفة، فإن هذا الاستعراض يصنف الأدبيات في الموضوعات التي اقترحها تان (2001)، ويعزز هذه التصنيفات فئة أخرى، وهي الهجينة. هذه الفئات من آن، ثم، هي:

• السلاسل الزمنية: التنبؤ بنقاط البيانات المستقبلية باستخدام مجموعات البيانات التاريخية. وعادة ما تحاول البحوث التي تم استعراضها في هذا المجال التنبؤ بالقيم المستقبلية لبعض السلاسل الزمنية. تتضمن السلاسل الزمنية المحتملة بيانات سلسلة زمنية أساسية (مثل أسعار الإغلاق)، أو سلاسل زمنية مستمدة من بيانات قاعدة، (على سبيل المثال، المؤشرات التي كثيرا ما تستخدم في التحليل الفني).

• التعرف على الأنماط وتصنيفها: محاولات لتصنيف الملاحظات إلى فئات، عموما من خلال أنماط التعلم في البيانات. وشملت البحوث التي تمت مراجعتها في هذا المجال الكشف عن الأنماط، وفصل البيانات الأساسية في & # 8220؛ الفائز & # 8221؛ و & # 8221؛ الخاسر & # 8221؛ فضلا عن التنبؤ المالي بالضيق والإفلاس.

• التحسين: ينطوي على حل المشاكل حيث أنماط في البيانات غير معروفة، في كثير من الأحيان غير متعدد الحدود (نب) مشاكل كاملة. وشملت البحوث التي جرى استعراضها في هذا المجال الاختيار الأمثل للبارامترات، وتحديد النقطة المثلى لدخول المعاملات.

• الهجين: استخدمت هذه الفئة للتمييز بين البحوث، التي حاولت استغلال تأثير التآزر من خلال الجمع بين أكثر من واحد من الأساليب السابقة.

ويبدو أن هناك قبولا واسعا لفائدة تأثير التآزر، حيث ينظر إلى الكل على أنه أكبر من مجموع الأجزاء الفردية.

وعلاوة على ذلك، فإن التحيز في هذا النمط من البحث نحو تقنيات التحليل الفني هو واضح أيضا من الجدول، مع ثلث البحث متابعة مجال التعرف على الأنماط والتصنيف. التحليل التقني يفسح المجال لهذا النمط من البحوث، حيث أن التركيز الكبير للتحليل الفني يتعلق بكشف الأنماط في البيانات، وفحص سلوك المشاركين في السوق عندما تكون هذه الأنماط واضحة.

وذلك باستخدام الشبكات العصبية لتطوير أنظمة التداول.

وينظر هذا القسم بإيجاز في خصائص كل فئة من الفئات الرئيسية الأربع التي سبق وصفها. تم اختيار المواد المختارة لأنها إما ممثلة للاتجاهات البحثية الحالية، تمثل تغييرا هاما في الاتجاه لهذا النمط من البحوث، أو تمثل نهجا جديدا.

البحث في التنبؤ السلاسل الزمنية.

ويركز مجال تنبؤات السلاسل الزمنية عادة على محاولة التنبؤ بالقيم المستقبلية لسلسلة زمنية بإحدى طريقتين رئيسيتين، إما:

• التنبؤ القيم المستقبلية لسلسلة من القيم السابقة من نفس السلسلة.

• التنبؤ القيم المستقبلية لسلسلة باستخدام البيانات من سلسلة مختلفة.

عادة، تركز البحوث الحالية في هذا المجال على التنبؤ بالعائدات، أو بعض الفكر المتغير لربطه بالعائدات (على سبيل المثال، الأرباح). ويركز بعض الباحثين على محاولة التنبؤ بالاتجاه المستقبلي لسلسلة (على سبيل المثال، الزيادة من القيمة المعروفة الأخيرة، والانخفاض من القيمة المعروفة الأخيرة، دون تغيير). البحوث من هذا النوع هي في الأساس مشكلة تصنيف، ويناقش في هذا القسم.

تم اختيار المواد التالية واستعراضها لأنها تمثل البحث الحالي في التنبؤ بالسلاسل الزمنية (أوستن وآخرون، 1997؛ تشان أند فو، 1995؛ فالاس وآخرون، 1994؛ هوبز وبورباكيس، 1995؛ كواه & أمب؛ ؛ سرينيفاسان، 2000، وانغ وآخرون، 2003؛ ياو & أمب؛ بوه، 1995). وتنظر المواد التي جرى استعراضها في البيانات الأساسية والتقنية. على سبيل المثال، فالاس وآخرون. (1994) تستخدم أنس لمحاولة التنبؤ بالأرباح المستقبلية استنادا إلى المتغيرات المحاسبية المبلغ عنها. ولم يجدوا فائدة كبيرة باستخدام الشبكات العصبية (أن) مقارنة مع نموذج لوجيت وخلصوا إلى أن المتغيرات المحاسبية المختارة لم تكن متنبأات مناسبة للأرباح. ويمثل هذا الاستنتاج إحدى المشاكل الرئيسية التي تواجهها عند العمل مع الشبكات الوطنية للملاحة، أي قدرتها التفسيرية غير الموجودة. وليس من غير المألوف أن نجد استنتاجات من هذا النوع عند استعراض بحوث الشبكة غير الملاحية مع عدم الارتباط غالبا ما يتم الإبلاغ عنها على أنها متغيرات المدخلات المختارة خطأ. كواه إت آل. (2000) استخدام المتغيرات المحاسبية أساسا للتنبؤ بالعائدات الزائدة (مع نجاح محدود). تشان إت آل. (1995) استخدام أنس للتنبؤ بقيم السلاسل الزمنية المستقبلية لأسعار الأسهم، واستخدام هذه & # 8220؛ فيوتشر & # 8221؛ القيم لحساب مجموعة متنوعة من المؤشرات الفنية. وأظهرت أن أنتجت نتائج واعدة بشكل خاص، وخلص المؤلفون إلى أن قدرة الشبكات على التنبؤ يسمح للتاجر للدخول في التجارة يوم أو يومين قبل أن يشار إليها من قبل المؤشرات الفنية العادية، وهذا يمثل زيادة كبيرة في الأرباح المحتملة للشبكة .

وبطرق عديدة، ترتبط منهجيتا التنبؤ الأساسيتان ارتباطا وثيقا باستراتيجيات التحليل التقني. على سبيل المثال، يمكن اعتبار استخدام (وتوقع) المتوسط ​​المتحرك على سلسلة من أسعار الأسهم على أنه التنبؤ بالقيم المستقبلية لسلسلة (المتوسط ​​المتحرك) من القيم السابقة لنفس السلسلة. وغالبا ما تتكون المؤشرات في التحليل الفني من عدد من عناصر البيانات المكونة، مثل السعر والحجم والفائدة المفتوحة، وما إلى ذلك. وتستخدم هذه المؤشرات عادة لإعطاء مؤشرات للاتجاه المستقبلي للسعر.

البحث في نمط الاعتراف والتصنيف.

وقد جمعت تقنيات التعرف على الأنماط وتقنيات التصنيف معا، حيث أن هدفها لا يتمثل عادة في التنبؤ بالقيم المستقبلية لسلسلة زمنية، بل للتنبؤ بالاتجاه المستقبلي لسلسلة زمنية. على سبيل المثال، فإن الهدف الأساسي من المخططين (نمط المحلل الفني) هو محاولة التنبؤ بنقاط التحول الاتجاه من خلال دراسة العمل سعر الرسم البياني، وتبحث عن أنماط معينة. وقد لاحظ المخططون أن هذه الأنماط تميل إلى إعادة حدوثها، وهي مؤشرات موثوقة إلى حد معقول للاتجاه المستقبلي لاتجاهات الأسعار. وهناك قدر كبير من أنماط المخطط هذه، ويعلق المحللون المختلفون على ترجيح مختلف للقوة التنبؤية لأي نمط معين. أيضا، تحتاج هذه الأنماط عادة إلى تأكيد قيم من سلاسل زمنية أخرى (مثل الحجم) ليتم اعتبارها & # 8220؛ موثوق بها. & # 8221؛ لمزيد من التفاصيل حول هذا المجال، يتم تشجيع القارئ على الرجوع إلى برينغ (1999). كما أن تقنيات مطابقة غير النمط، التي تحاول أيضا التنبؤ بالاتجاه المستقبلي لسلسلة زمنية، هي أيضا مشاكل في التصنيف. في كثير من الأحيان، بالإضافة إلى التنبؤ بالاتجاه المستقبلي لسلسلة زمنية، تحاول بحوث التصنيف تصنيف الأسهم إلى مجموعتين رئيسيتين هما: & # 8220؛ الفائزين & # 8221؛ و & # 8220؛ الخاسرين & # 8221؛ كما هو الحال في توقعات الإفلاس والتنبؤ المالي.

تم اختيار المواد التالية واستعراضها لأنها تمثل البحث الحالي في التعرف على الأنماط وتصنيفها (بابا & أمب؛ هاندا، 1995؛ بابا وآخرون، 2004؛ بابا & نومورا، 2005؛ بابا وآخرون، 2001؛ بايك & أمب؛ تشو، 2000؛ إنك أند ثورنورنغ، 2005؛ فو وآخرون، 2001؛ كاميجو & أمب؛ تانيغاوا، 1990؛ ميشالاك & ليبينسكي، 2005؛ ميزونو وآخرون، 1998؛ سكابار & أمب؛ كلويت، 2001؛ سوه & أمب ؛ لابار، 1995؛ تان & أمب؛ كويك، 2005). وكما هو موضح سابقا، يمكن تصنيف البحث بشكل عام على أنه & # 8220؛ الفائز & # 8221؛ و & # 8220؛ الخاسر & # 8221؛ كشف أو نمط مطابقة. عمل تان وآخرون. (2005)، وفي وقت لاحق، يستخدم تان و ديهاردجو مفهوم & # 8220؛ الفائز & # 8221؛ و & # 8220؛ الخاسر & # 8221؛ التصنيف، كما يفعل لونغو وآخرون. (1995) وسكبار وآخرون. (2001). على وجه التحديد، سكبار وآخرون. (2001) لا يتوقع & # 8220؛ الفائزين & # 8221؛ و & # 8220؛ الخاسرين، & # 8221؛ ولكن التنبؤ بفئتين مختلفتين، هما & # 8220؛ & # 8221؛ و & # 8220؛ لأسفل & # 8221؛ (اتجاه العودة). عمل كاميجو وآخرون. (1990) مثالا ممتازا لمطابقة الأنماط مع المؤلفين بناء أنس لتحديد & # 8220؛ مثلث & # 8221؛ الأنماط في بيانات سوق الأسهم (مثل & # 8220؛ المثلث & # 8221؛ هو نمط معين يستخدم في التحليل الفني).

ويمكن أيضا أن يناقش التصنيف الذي ينطوي على مطابقة النمط بشكل صحيح في القسم السابق بشأن التنبؤ بالسلاسل الزمنية، ويرجع ذلك إلى حقيقة أن بناء الأنماط يجب أن يحدث في ترتيب زمني محدد، وأن غالبية الأنماط ليست ثابتة. وهذا يؤدي إلى رغبة الباحثين في تحديد أنماط ثابتة ثابتة، أو محاولة تحديد فترة زمنية محددة يجب أن يحدث فيها نمط ما. عمل فو وآخرون. (2001) أمثلة على استخدام الخوارزميات الجينية ل & # 8220؛ فيكس & # 8221؛ طول الأنماط، مما يجعلها مناسبة للدراسة باستخدام أنس.

البحث في التحسين.

يتم توجيه التركيز الأمثل إلى البحث الذي يستخدم الحوسبة الناعمة على وجه التحديد لمحاولة تحسين النتيجة المقبولة خلاف ذلك. نموذجية من هذا النمط من المادة البحثية، ويناقش نتيجة مقبولة بالفعل، ثم النظر في التحسين. ويثبت الأمثل من خلال العوائد الفائضة بالمقارنة مع حالة الامم المتحدة الأمثل.

للحصول على مثال على هذا النمط من التحسين باستخدام أنس، وقد اقترح توقيت المراجحة الفهرس من قبل تشن وآخرون. (2001) وزيمرمان وغروتمان (2005). يحاول نموذجهم تحسين توقيت نقطة الدخول الصحيحة لمواقع المراجحة الفهرس. نماذج المراجحة الحالية تقترح إنشاء موقف التحكيم فورا فرصة تنشأ؛ فإن نهج الشبكة العصبية هو محاولة لتحديد موقع التوقيت عندما يكون هناك حد أقصى نشر على المراجحة، وبالتالي زيادة الربح المحتملة. ويخلص بحثهم إلى أن النموذج العصبي يتفوق بشكل كبير على النهج التقليدي.

البحث في نهج المجموعات.

وتصنف البحوث كنهج تجميعي إذا جمعت بين العمل من أكثر من واحد من المجالات الموصوفة فيما يلي، في محاولة فعلية للاستفادة من تأثير التآزر من خلال تحقيق نتيجة نهائية أكبر من المتوقع من كل من المكونات الفردية. ومن بين بحوث الحوسبة الناعمة، هناك اتجاه متزايد نحو استخدام نهج المجموعة في التحليل.

تم اختيار المواد التالية واستعراضها لأنها تمثل البحث الحالي في المجموعات (عبد الله & غانباثي، 2000؛ بابا وآخرون، 2002؛ تشينويث وآخرون، 1995؛ دويكسن وآخرون، 2005؛ جانغ وآخرون. ، 1991؛ لي وآخرون، 2002؛ ليو أند لي، 1997؛ وونغ & أمب؛ لي، 1993). غالبية الفرق رسم مكوناتها من مجموعة متنوعة من أساليب الحوسبة الناعمة. استخدام أنس والخوارزميات الجينية معا (غاس) معا شعبية جدا، ويستخدم من قبل.

ليه وآخرون. (2002) للجمع بين تقنيات التعرف على الأنماط والتنبؤ بالأسعار. وهناك نهج آخر يجمع بين أنس و غاس يتم توفيرها من قبل بابا وآخرون. (2002) باستخدام أنس لقدرتها التنبؤية، و غاس لتحديد أفضل طريقة للرد على تلك المعلومات. بعض المجموعات تجمع بين عدة أن، على سبيل المثال، جانغ وآخرون. (1991) يجمع بين اثنين من الشبكات القديمة، التي تأخذ نظرة قصيرة الأجل لحركة السوق، مع وجهة نظر تأخذ نظرة أطول أجلا. ثم يقومون ببناء نموذج، والذي يتفاعل مع مجموع الناتج المرجح من مخرجات كلا النموذجين. كل من ليو ولي (1997) وعبد الله وآخرون. (2000) أيضا مجموعات من أنس وخلصت إلى أن القدرة التنبؤية لنهج الفرقة تجاوزت تلك من أنز الفردية. واستعرضت بحوث أخرى جمعت أنس مع منطق غامض ونظم الخبراء.

اتجاهات مستقبلية.

أساسا، مجال التداول المالي هو في حالة انتقال بين نماذج التسعير التقليدية، وفرضية السوق الفعالة، والأفكار حول التمويل السلوكي. التحدي الذي يطرح نفسه هو أفضل طريقة لتوحيد نماذج التسعير التجاري المالي. هناك الكثير من الجدل حول صحة فرضية السوق الفعالة، والتي تدعي بشكل فعال أن الأسعار لا يمكن التنبؤ بها باستخدام أساليب مثل التحليل الفني. هناك مجموعة كبيرة من األدلة التي تبدو متناقضة مع فرضية السوق الفعالة، ويبدو أن هناك فرصة ضئيلة للتقدم األكاديمي بشكل جماعي ما لم يوجد نموذج بديل صالح للتسعير. هذا يوفر فرصة كبيرة لتقنيات الحوسبة الناعمة، وخاصة النماذج العصبية. هذه النماذج قادرة على العمل كمقريبات عالمية، وتحديد العلاقات غير الخطية المعقدة. والهدف من هذه الأساليب هو محاولة إزالة العلاقات العميقة التي يمكن أن تسلط الضوء الجديد على سلوك الأسواق والأسعار. ومن شأن هذه العلاقات الجديدة أن توفر بطبيعتها مجالا أكبر لوضع نماذج تسعير مجدية وفعالة.

استنتاج.

وقد تناولت هذه المقالة دراسات حديثة ومؤثرة في مجال تطبيق الشبكات العصبية الاصطناعية على الاستثمار والتجارة المالية. وفي سياق الانضباط الاستثماري، يبين هذا الاستقصاء أن معظم هذا النوع من البحوث يجري في مجال التحليل التقني. وكما نوقش من قبل، فإن الحوسبة اللينة تتسم بشكل خاص بالبيانات المكثفة، ويقترح أن هذه الملاحظة تذهب إلى حد ما لتوضيح هذا التحيز الواضح في البحث.

وفي مجال أنماط الحوسبة الناعمة، يخلص الاستقصاء إلى أن غالبية البحوث تقع في نطاق النظامين المختلطين والتعرف على الأنماط وتصنيفها. ويقترح أن السبب في ذلك هو أن نهج التحليل التقني يفسح المجال نحو التعرف على الأنماط وتصنيفها. أيضا، العديد من النظم الهجينة تشمل التعرف على الأنماط والتصنيف باعتبارها واحدة من مكوناتها.

نمط الاستمرار: نمط في التحليل الفني، مما يوحي، على ميزان الاحتمالات، بأن اتجاه السعر سيستمر في اتجاهه الحالي.

التحليل األساسي: استخدام البيانات المالية للشركة لتحديد قيمة جوهرية) أو القيمة العادلة (لألمن. تستخدم لتحديد الحالات التي يتم فيها تقدير قيمة الشركات بأقل من قيمتها، بهدف الاستفادة من تحركات الأسعار المستقبلية. هذا النمط من التحليل هو عموما على المدى الطويل.

بيانات صاخبة: يستخدم هذا المصطلح عموما لوصف البيانات ومجموعات البيانات حيث تكون نسبة الإشارة إلى الضوضاء منخفضة. أي خوارزمية تحاول تصفية الإشارة يجب أن تكون قادرة على تحديد والتعامل بشكل مناسب مع الضوضاء. وبهذا المعنى، فإن الضجيج هو عنصر البيانات الذي يحجب الإشارة الحقيقية.

نمط عكس: نمط في التحليل الفني، مما يوحي، على ميزان الاحتمالات، أن اتجاه السعر سوف يتغير الاتجاه.

التحليل الفني: دراسة سلوك المشاركين في السوق، كما هو مبين في البيانات التقنية. تستخدم لتحديد المراحل المبكرة في تطور الاتجاهات، بهدف الاستفادة من تحركات الأسعار. هذا النمط من التحليل هو عموما على المدى القصير.

البيانات الفنية: البيانات الفنية هي المصطلح المستخدم لوصف مكونات التاريخ السعري للأمن. هذه المكونات هي سعر مفتوح، السعر المنخفض، ارتفاع الأسعار، سعر إغلاق، حجم التداول، وفتح الفائدة.

المؤشرات الفنية: يتم إنتاج المؤشرات الفنية كنتائج لمختلف الحسابات على البيانات الفنية. وهي مصممة أساسا لتأكيد حركة السعر.

نمط المثلث: المثلث هو نمط معين لوحظ باستخدام التحليل الفني. هناك مجموعة متنوعة من الظروف التي يمكن أن يحدث مثلث، وتعتمد على الظروف، يمكن أن يكون المثلث إما انعكاس أو نمط استمرار.

تحسين أنظمة التداول باستخدام المؤشر المالي رسي والشبكات العصبية.

أليخاندرو رودريغيز-غونزاليز فرناندو غولدريس-إغليزياس ريكاردو كولومو-بالاسيوس خوان ميغيل غوميز-بيربيس إنريك جيمينيز-دومينغو غينر ألور-هرنانديز روبين بوسادا-غوميز غيليرمو كورتيس-روبلز.

وتتطلب أنظمة التحليل السلوكي للمتاجرة والأسهم تقنيات فعالة للذكاء الاصطناعي لتحليل مجموعات البيانات المالية الكبيرة (لفد) وأصبحت في المشهد الاقتصادي الحالي تحديا كبيرا للبحوث المتعددة التخصصات. وعلى وجه الخصوص، تم نشر واستخدام نظم دعم اتخاذ القرار الموجه نحو التداول استنادا إلى مؤشر القوة النسبية أو التحليل الفني للقوة النسبية (رسي) واستخدامها في جميع أنحاء العالم. ومع ذلك، فإن دمجها مع الشبكات العصبية كفرع من الذكاء الحسابي الذي يمكن أن يتفوق على النتائج السابقة لا يزال نهجا ذات الصلة التي لم تستحق اهتماما كافيا. في هذه الورقة، نقدم منصة تحليل الرسوم البيانية للتجارة (كاست، باختصار) منصة، وهو دليل على مفهوم الهندسة وتنفيذ نظام دعم قرار التداول على أساس مؤشر القوة النسبية والشبكات العصبية للأمام (فن). يوفر كاست مجموعة من القرارات المالية أكثر دقة نسبيا الناتجة عن الجمع بين تقنيات الذكاء الاصطناعي لحساب رسي والنتيجة أكثر دقة وتحسينها التي تم الحصول عليها من تطبيق تغذية الخوارزميات إلى مجموعات البيانات قيمة الأسهم.

معاينة.

المراجع.

معلومات حقوق التأليف والنشر.

المؤلفين والانتماءات.

أليجاندرو رودريغيز-غونزاليس 1 فرناندو غولدريس-إغليزياس 1 ريكاردو كولومو بالاسيوس 1 خوان ميغيل غوميز-بيربيس 1 إنريك جيمينيز-دومينغو 1 غينر ألور-هرنانديز 2 روبن بوسادا-غوميز 2 غيليرمو كورتيس روبلز 2 1. ونيفرزيداد كارلوس إي مدريد مدريد إسبانيا 2. شعبة البحوث والدراسات العليا معهد تينولوجيكو دي أوريزابا المكسيك.

حول هذه الورقة.

توصيات شخصية.

استشهد ورقة.

المراجع المرجعية ريس ريفوركس زوتيرو.

.BIB بيبتكس جابريف منديلي.

مشاركة الورقة.

تحميل فوري للقراءة على جميع الأجهزة التي تملكها إلى الأبد ضريبة المبيعات المحلية المدرجة إذا كان ذلك ساريا.

استشهد ورقة.

المراجع المرجعية ريس ريفوركس زوتيرو.

.BIB بيبتكس جابريف منديلي.

مشاركة الورقة.

أكثر من 10 مليون وثيقة علمية في متناول يدك.

تبديل الطبعة.

&نسخ؛ 2017 سبرينجر الدولية للنشر أغ. جزء من الطبيعة سبرينجر.

أنظمة التداول باستخدام الشبكات العصبية للتنبؤ حركة السعر.

بقلم لو مندلسون.

مع هذا العرض، الأسهم & أمب؛ السلع المساهم لو ميندلسون يختتم دراسته للشبكات العصبية للتنبؤ المالي في بيئة التداول العالمية اليوم. هنا، يركز مندلسون على قضايا التنفيذ ويناقش كيفية استخدام الشبكات العصبية كجزء من استراتيجية التداول الشاملة. وأخيرا، فإنه يلقي نظرة سريعة على مستقبل تقنيات الذكاء الاصطناعي لتنفيذ تحليل السوق التآزري.

ولا يمكن إجراء مناقشة لتصميم الشبكات العصبية وتدريبها واختبارها دون تناول موضوع التنفيذ. كيف يمكن دمج الشبكة العصبية، أو مجموعة من الشبكات، في نظم المعلومات ونظم التداول؟ وفيما يلي مثال يستخدم العديد من مفاهيم تطوير الشبكة العصبية المشمولة سابقا: التدريب والاختبار، المعالجة المسبقة، اختيار الحقيقة، اختيار المدخلات، العمارة والنماذج.

وتستخدم نظم المعلومات الشبكات العصبية لإعطاء المستخدم معلومات تنبؤية عن السوق المستهدفة، مثل التنبؤات السعرية، واتجاه السوق المحتمل أو نقاط التحول المتوقعة. في هذا النوع من تكوين النظام، يمكن للتاجر استخدام المعلومات التنبؤية وحدها أو مع تحليلات أخرى متاحة لتتناسب مع أسلوبه التجاري، ومدى المخاطر والرسملة. ويمكن أن تشمل هذه الأنظمة شبكة عصبية واحدة أو شبكات متعددة تعمل بالتنسيق. وفي نظام متعدد الشبكات، يمكن تصميم كل شبكة وتدريبها للتنبؤ بالسوق بشكل مستقل. على سبيل المثال، يمكن استخدام أربع شبكات منفصلة للتنبؤ بالاتجاهات العالية والمنخفضة والقصيرة الأجل والمتوسطة الأجل خلال التداول التالي في اليوم. ولأن هذه التنبؤات الأربعة في السوق مستمدة بشكل مستقل، يمكن أن ينظر إليها بشكل منفصل وتستخدم لتأكيد بعضها البعض.

وبالإضافة إلى ذلك، ومع بنية معمارية أكثر تعقيدا، يمكن استخدام كل من نواتج الشبكة هذه كمدخلات لشبكة أخرى، يمكن استخدامها بعد ذلك في وضع تنبؤات أخرى، مثل التنبؤ بنقاط تحول السوق. هندسة الشبكة كما هو مبين في الشكل 1 ويشار إلى شبكة العصبية الهرمية. ومن خلال تخصيص الوظائف في كل شبكة، لا تحتاج شبكة كبيرة واحدة إلى القيام بجميع الأعمال: ففي هذا التصميم، تدرج التنبؤات المستمدة من الشبكات عند مستوى واحد من التسلسل الهرمي كمدخلات في شبكة أو شبكات على مستوى آخر. هذا النوع من الهندسة المعمارية يفسح المجال لتدريب أسرع، حيث تركز كل شبكة التعلم، فقط على الانتاج الخاصة بها.

ويمكن أيضا دمج الشبكات العصبية في نظم التداول الرسمية في عدد من الطرق. أولا، قد يتم تدريب شبكة لتوليد إشارات شراء وبيع وإشارات جانبية. هذا التكوين جذابة، ولكن تنشأ مشاكل في تنفيذه. هذا النوع من النظام يتطلب التاجر الذي هو ذاهب لاستخدامه للعب دورا أساسيا في تطورها. وهذا ضروري لأن الشبكة سوف تولد إشارات التداول في التطبيق النهائي على أساس نقاط شراء / بيع التي حددها المطور في تدريب الشبكة، بالإضافة إلى اختيار البيانات المدخلات المختارة والمعالجة المسبقة التي أجريت أثناء التنمية.

وبالنسبة لسوق معينة خلال فترة معينة، قد يكون لدى التجار المختلفين، سواء كانوا مضاربين فرديين أو مديري أموال مؤسسيين، استراتيجيات تجارية مختلفة تماما عن بعضهم البعض، ومن ثم لن يكون بالضرورة قد حددوا نفس نقاط البيع / البيع أثناء تطوير الشبكة. وهكذا، إذا كان التاجر ذو الأموال المحدودة والقدرة المحدودة على تحمل السحب هو تصميم هذا النوع من الشبكات العصبية وتدريبه، فمن المحتمل أن لا يولد إشارات من شأنها أن تكون مناسبة لتاجر آخر ذو رسملة أكبر أو تحمل أعلى للمخاطر. وبالإضافة إلى ذلك، قد يكون من الصعب إدراج اعتبارات إدارة المخاطر في نظام تجاري قائم على الشبكة العصبية.

وهناك تكوين آخر ممكن استخدام الشبكة العصبية كجزء من نظام التداول الهجين. وستعمل الشبكة العصبية فقط كنظام معلومات من شأنه أن يولد معلومات تنبؤية تستعمل مع مجموعة من القواعد التي تولد إشارات التداول. وقد ينطوي هذا النهج على صياغة قواعد رياضية بسيطة نسبيا أو تطوير نظام خبير كامل. في كلتا الحالتين، سيتم وضع القواعد لتتناسب مع أسلوب التداول وأهداف التاجر الذين سيعتمدون في النهاية على النظام خلال التداول الفعلي.

تطوير الشبكة العصبية كما حددنا هنا ينطوي على القرارات المعمارية، واختيار المدخلات، المعالجة المسبقة، واختيار الحقيقة والتدريب والاختبار والتنفيذ. لقد فحصنا كل مرحلة من مراحل تطوير الشبكة العصبية في سياق عولمة الأسواق المالية العالمية والحاجة إلى إطار تآزري يجمع بين تحليل البيانات التقنية والأساسية والتسويقية من أجل التعرف على تآزر السوق في الأسواق المالية اليوم. في حين أن مناقشة متعمقة لتطوير المعلومات القائمة على الشبكة العصبية الفعلية أو نظام التداول هو خارج نطاقنا هنا، وفيما يلي مثال للمساعدة في توضيح هذه النقاط.

لكل من الأسواق الأربعة المستهدفة (الين، سندات الخزينة، اليورو دولار ومؤشر ستاندرد آند بورز & # 8217؛ s 500)، تم تطوير مجموعتين من الشبكات العصبية للتنبؤ بالتغيرات في الارتفاع من يوم تداول واحد إلى اليوم التالي. وقد استمدت المجموعة الأولى من مدخلات الشبكة من بيانات السوق التقنية التي تتألف من الأسعار والحجم والمعلومات المفتوحة الفائدة الداخلية إلى السوق المستهدفة. واستخدمت المجموعة الثانية من الشبكات نفس المدخلات مثل المجموعة الأولى، بالإضافة إلى سبعة مدخلات خارجية فيما بين الأسواق. لأن نفس الخطوات والقرارات المدرجة أدناه تم تطبيقها على جميع الأسواق المستهدفة الأربعة، وسوف نناقش كمثالنا واحد فقط، الين. ولكن أولا، هنا ملخص لمختلف مراحل تطوير الشبكة العصبية التي سيتم استخدامها على سبيل المثال السوق المستهدفة والقرارات المتخذة في كل مرحلة:

نموذج تم اختيار نظام التغذية الخلفية فيدفوروارد، كما أنه واحد من النماذج الأكثر شيوعا المستخدمة في تحليل السوق المالية.

العمارة تم استخدام وظيفة نقل السيني جنبا إلى جنب مع طبقة خفية واحدة تتكون من خمس عقد، اختيار بناء على الخبرة والحجم المخطط للشبكة.

اختيار المدخلات كما ذكر سابقا، تم استخدام بيانات السعر والحجم وفائدة الفائدة في السوق المستهدفة كمدخلات أولية للمجموعة الأولى من الشبكات. المجموعة الثانية تستخدم نفس بيانات المدخلات مثل الأول، بالإضافة إلى سبعة المدخلات إنتيرماركيت إضافية. وبالنسبة للين، تضمنت المجموعة الثانية من الشباك بيانات من مؤشر نيكاي للأوراق المالية، وسندات الخزينة، والفرنك السويسري، والمارك الألماني، ومؤشر الدولار الأمريكي، واليورو دولار، والجنيه الإسترليني.

المعالجة المسبقة تم استخدام المعالجة المسبقة البسيطة، بما في ذلك الاختلافات في بيانات الأسعار، والمتوسطات المتحركة البسيطة والأسية والمؤشرات العشوائية، لكلا المجموعتين من الشباك. وتتألف المجموعة الثانية من المعالجة المسبقة لمدخلات إنتيرماركيت من التبادل بين السوق المستهدف وكل من الأسواق المشتركة ذات الصلة. تم تطبيع جميع المدخلات عن طريق تقطيع القيم المتطرفة خارج اثنين من الانحرافات المعيارية ومن ثم تحجيم خطيا.

التدريب والاختبار تم استخدام نظام اختبار التدريب الآلي بالكامل. ولتبسيط التدريب، ظل معدل التعلم ثابتا ولم يستخدم الزخم. وقد تم تدريب كل شبكة مع إجراء الاختبارات على فترات محددة، وفي ذلك الوقت تم تقييم الشبكة على خمسة مقاييس خطأ مختلفة، بما في ذلك الخطأ المتوسط ​​وخطأ رمز. إذا كان أداء الشبكة استنادا إلى هذه المعايير وأدى إلى تحسن، تم حفظ تلك الشبكة. Thus, at the end of training for each target market, 10 networks in all were found (five for each set), representing the best one for each error statistic. To simplify the presentation, only the results of average error are shown in Figure 2.

Implementation A network like the one described above is ideal for incorporation into an information system. By predicting the high for the next trading day, it provides information useful in setting stops and is an excellent indicator of intraday resistance levels. For actual trading, a considerably more sophisticated network configuration than the one presented in this study would be used.

Figure 2 depicts the average error when predicting tomorrow’s high on the test set data. The average error is computed by first determining the absolute value of the error for each fact in the test set and then determining the mean of all of the error values. The first column on the left shows the four target markets, while the second column shows the error associated with the first set of networks that used no intermarket data during training, only the market data from the target market itself. The third column represents the error for the second set of nets that did utilize intermarket data. Finally, the fourth column indicates the percent reduction in error that results from using intermarket data during training, computed by taking the difference between the average errors in columns 2 and 3 and dividing by the value in column 2.

As evinced by these results, even minimal use of intermarket data can improve network performance. The network’s average error was reduced by between 1.9% on Treasury bonds and 6.5% on the S&P 500. With the use of more extensive input data, in addition to more sophisticated preprocessing, the altering of training parameters during training and the use of other training and testing criteria, predictive accuracy can be increased further.

Neural networks are an excellent tool for combining otherwise disparate technical, fundamental and intermarket data within a quantitative framework for synergistic analysis. Hidden patterns and relationships between a target market and related inter-market can be found through the use of neural nets. In today’s global markets, it would be unwise to ignore such valuable data by focusing too narrowly on single-market analysis.

But neural network technology is just a tool. It is a means to an end, not the end itself. As traders and market analysts strive to understand the financial markets and their interrelationships through the use of various analytic tools, harnessing neural networks represents just one piece of the puzzle but other pieces are still missing.

Of course, other technologies such as expert systems and genetic algorithms will take their place alongside neural networks in financial analysis. Genetic algorithms, which mimic the characteristics associated with evolution, are well-suited to optimization problems such as optimizing neural network parameters. The same technology incorporated into genetic algorithms has also been used in classifier systems and genetic programming. Classifier systems perform a type of machine learning that generates rules from examples, while genetic programming goes even further by automatically generating a program from a set of primitive constructs. The use of these technologies could be next on the financial forecasting horizon.

The mathematics of fuzzy logic, wavelets and chaos are also being applied in a multitude of domains, including financial forecasting. While all these technologies will continue to expand, new ones will undoubtedly emerge soon. But traders should not be fooled into believing that any of these tools is the long-sought answer to trading, the ultimate artificial intelligence tool that will single-handedly produce consistent profits in global financial markets.

To implement synergistic market analysis effectively in the 1990s, various analytic technologies will have to be used. To accomplish this effectively, the strengths and weaknesses of these technologies must be understood so that they can be utilized with one another for maximum effectiveness and maximum gain.

Lou Mendelsohn, 813 973-0496, fax 813 973-2700, is president of Market Technologies Corporation, Wesley Chapel. FL. He was one of the pioneers of historical simulation and back-testing in personal computer software in the early 1980s and introduced the concept of synergistic market analysis through the application of neural networks for financial forecasting. Mr. Mendelsohn thanks James T. Lilkendey and Phillip Arcuri of the Predictive Technologies Group for their assistance in the preparation of these articles.

Hecht-Nielsen, R. [1990]. Neurocomputing, Addison-Wesley Publishing Company, Inc.

Mendelsohn, Lou [1993]. “Training neural networks,” STOCKS & COMMODITIES, November.

_____ [ 1993]. “Preprocessing data for neural networks.” STOCKS & COMMODITIES, October.

_____ [1993]. “Neural network development for financial forecasting,” STOCKS & COMMODITIES, September.

_____[1991]. “The basics of developing a neural trading system.” Technical Analysis of STOCKS & COMMODITIES, Volume 9: June.

Rumelhart, D. E., and J. L. McClelland [ 1986]. Parallel Distributed Processing, Volumes I and 2, The Massachusetts Institute of Technology.

Reprinted from Technical Analysis of.

الأسهم & أمب؛ مجلة السلع. (C) 1993 Technical Analysis, Inc.,

4757 California Avenue S. W., Seattle, WA 98116-4499, (800) 832-4642.

مقرها في ويسلي تشابل، فلوريدا، شمال تامبا، سوق تقنيات، صناع فانتاجيبوانت البرمجيات لا يزال في طليعة البحوث البرمجيات التجارية وتطوير البرمجيات. عملنا متجذر في تطبيق تقنيات الذكاء الاصطناعي على التحليل المشترك بين الأسواق المالية المترابطة عالميا اليوم، وذلك باستخدام أداة رياضية قوية تعرف باسم الشبكات العصبية.

ARC Forecasting Stock Prices.

المصالح ذات الصلة.

التقييم والإحصاءات.

خيارات المشاركة.

إجراءات المستند.

Pages 2 to 8 are not shown in this preview.

المستندات الموصى بها.

Documents Similar To ARC Forecasting Stock Prices.

Documents About Forecasting.

Documents About Artificial Neural Network.

تذييل القائمة.

القانونية.

وسائل الاعلام الاجتماعية.

كوبيرايت & كوبي؛ 2017 سكريبد Inc. تصفح الكتب. موقع الجوال . دليل الموقع. لغة الموقع:

هل أنت واثق؟

قد لا يكون من الممكن التراجع عن هذا الإجراء. هل تريد بالتأكيد المتابعة؟

هل تريد بالتأكيد حذف هذه القائمة؟

كما سيتم إزالة كل ما حددته من القوائم.

ستتم إزالة هذا الكتاب أيضا من جميع القوائم.

لقد قمنا بتنسيق العناوين التي نعتقد أنك ستحبها.

بقية هذا العنوان سوف تكون متاحة قريبا.

ARC Forecasting Stock Prices will be available on.