Нейронные сети

Технология нейронных сетей, одного из видов искусственного интеллек­та (AI ), возникла на основе подражания процессам обработки информа­ции и принятия решений, происходящих в живых организмах. Целью было моделирование поведения нервной ткани живых систем при помощи ком­пьютерных структур, организованных из программно симулируемых ней­ронов и нейронных связей (синапсов). Исследования нейронных сетей на теоретическом уровне начались в 1940-х годах. Когда компьютерная технология стала достаточно мощной для реализации подобных исследо­ваний, работа началась всерьез. Во второй половине 1980-х годов систе­мы на основе нейронных сетей стали представлять интерес для биржевой общественности. К 1989 г. ряд разработчиков уже предлагали пакеты для создания инструментов на нейронных сетях. Scientific Consultant Services разработал коммерческую систему NexTurn для прогнозирования индек­са S &P 500. Интерес достиг пика в начале 1990-х годов, появились новые программы, но по причинам, о которых будет сказано ниже, к настояще­му времени первоначальное увлечение финансовой общественности ней­ронными сетями прошло.

Поскольку мы не собираемся представлять в этой книге полный курс по нейронным сетям, эта глава будет содержать краткий обзор, содержа­щий основное для понимания принципов работы. Те, кто заинтересуется предметом, могут обратить внимание на материалы в книгах Virtual Trading (Ledermanand Klein , 1995) и Computerized Trading (Jurik , 1999), где также имеется подробная информация о разработке систем на осно­ве нейронных сетей, а также на ряд статей в Technical Analysis of Stocks and Commodities (Katz , апрель 1996, Katz and McCormick , ноябрь 1996 и 1997). Также следует обратить внимание на книгу Neural Networks in Finance and Investing (Trippi and Turban, 1993).

ЧТО ТАКОЕ НЕЙРОННЫЕ СЕТИ ?

Нейронные сети представляют собой, в сущности, некие блоки со способностью к самообучению и распознаванию образов, классификации ипрогнозированию. Они особо привлекательны для трейдеров, поскольку сети могут справляться и с оценками вероятности в неоднозначных ситу­ациях, и с моделями нечеткой логики, т.е. с моделями, легко определимы­ми на вид, но с трудом поддающимися алгоритмизации в виде точных пра­вил. Потенциально, нейронные сети могут обнаруживать любые присут­ствующие в исходных данных повторяющиеся модели. Сети также могут интегрировать большие объемы информации, не захлебываясь в деталях, и могут адаптироваться к изменениям рынков и их условий.

Существует большое разнообразие нейронных сетей, отличающихся своей архитектурой, т.е. способом связи виртуальных нейронов, дета­лями их поведения (обработкой сигнала или функциями передачи) и процессом обучения. Существуют различные виды архитектур сетей пред­ставляющих интерес для трейдеров, например сети Коонена и сети с кван­тованием обучающего вектора (LVQ ), различные сети с адаптивным ре­зонансом и периодические сети. В этой главе будет рассмотрена наибо­лее популярная и полезная во многих отношениях архитектура, а именно нейронная сеть с прямой связью.

Как было сказано выше, сети различаются по методу обучения. Раз­работчики системы играют роль учителя, снабжая сеть примерами для обучения. Некоторые сети обучаются под контролем, некоторые без контроля. Обучение под контролем имеет место, когда сеть обучают да­вать правильные ответы, показывая ей примеры правильных решений; для каждого набора входов целью сети является обеспечение правильно­го выхода. Обучение без контроля состоит в том, что сеть организует вве­денные данные так, как считает нужным, на основе найденных в них внут­ренних закономерностей. Вне зависимости от формы обучения основная проблема состоит в поиске соответствующих данных и придании им фор­мы учебных примеров, фактов, которые выделяют важные модели для эффективного и направленного обучения сети, во избежание формиро­вания заблуждений. Предварительная подготовка данных — само по себе искусство.

Собственно процесс обучения обычно включает некоторый механизм обновления удельных весов или важности разных связей между нейро­нами в ответ на подаваемые учебные примеры. При использовании в ар­хитектуре прямых связей часто используют обратное распространение — наиболее быструю форму оптимизации. Также эффективны генетичес­кие алгоритмы, которые требуют большого количества расчетов и време­ни, но обычно дают лучшие окончательные результаты.