Известно, что нейронные сети появились  как попытка создания модели человеческого мозга.

Одним из первых примеров, является PERCEPTRON Розенблатта (F.Rosenblatt, 1957).

Персептрон рассматривался его автором не как конкретное техническое вычислительное устройство, а как модель работы мозга.

Как пишут в ВИКИПЕДИ: нейросеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п.

С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации.

Кратко расскажу о моем экспериментальном роботе на основе нейросетей.

Данный робот является результатом разработанной автором технологии построения обучающихся роботов.

Статья не является учебником по нейросетям и имеет целью лишь дать некоторый начальный стимул роботостроителям для движения в направлении создания умных роботов.

Вот некоторые начальные понятия данной технологии.

В каждый момент времени робот находится в некотором состоянии.

Состояние робота представляется в виде точки в N-мерном пространстве первичных признаков.

Основным понятием является событие.

На фондовом рынке событием является сделка.

Обезличенную сделку  можно описать тремя параметрами

p- цена, v- объем, t- время, либо n=t/dt -номер по порядку, где dt — шаг дискретизации

Структура робота представляет собой последовательно расположенные слои активных элементов.

Первый слой   — рецепторы, на выходе которых получаем первичные признаки.

Для описания первичных признаков применяется следующий алфавит.

Алфавит:  p,v,t,n, H,L,C,O,B,S,число, m,h,D,W,M,Y,[,]

Название каждого признака может содержать до 7 позиций

Допустимые символы в позициях наименования признака:

1 :        p,v,t,n, H,L,C,O,B,S

2 :        H,L,C,O,B,S,число, m,h,D,W,M,Y

3:         H,L,число,m,h,D,W,M,Y,[

4:         число,m,h,D,W,M,Y,[,]

5:         [,число,]

6:         число,]

7:         ]

Первичные признаки формируются как некие математические преобразования параметров события.

Второй слой — нейроны вторичных признаков.

С целью лианеризации пространства состояний первичные признаки преобразуются во вторичные.             Вторичные признаки формируются с учетом особенностей конкретного рынка (инструмента).

Успешность решения этой задачи позволяет существенно сократить процесс обучения.

Третий слой — нейроны первичных решений (генераторы первичных сигналов)

Четвертый слой — нейроны состояния робота

Последний из созданных роботов, называемый  новым роботом  имеет следующие параметры (числовые данные приведены для представления об их порядке, а не как точные значения) :

первичных признаков — 60

вторичных признаков — 120

нейронов первичных решений — 300

нейронов состояния -2

На выходе нейросети получаем три состояния: купить, продать,отдыхать.

Робот дообучается на скользящей выборке в 3000 свечей, получаемых с сервера QUIK.

Торгует на текущей выборке в 3000 свечей.

Используется тайм в 5 минут.

Торговлю робот совершает на постоянную сумму, без плеч , без реинвестирования прибыли.

Свой жизненный путь робот начал три месяца назад.

В качестве примера в предыдущих блогах ранее приведены результаты Нового робота.

Примечание:  Хочу заметить, что по последним данным в человеческом мозге 87 миллиардов нейронов (в 12 раз больше численности живущих на Земле).

Поэтому роботам еще предстоит долгий путь до соревнования с человеком, если оглупление человечества не будет ускоряться так быстро, как это происходит в 21 веке.