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.