Рису. 8 . Гиперболический тангенс
Торговый робот (ТР) – это компьютерная программа, в задачи которой входит выполнение финансовых операций купли-продажи на основе самостоятельно принятых решений в рамках алгоритма.
Торговые роботы, использующие нейронные сети, называются нейросетевыми торговыми роботами, и они используют методы самообучения. Это позволяет регулировать ТР без вмешательства человека, то есть автоматически.
Отметим наиболее существенные недостатки торговых роботов:
1. Непредсказуемое поведение при сбое (сбой может привести к непредсказуемым последствиям и полной потере депозита);
2. Потребность в обновлениях (требуется обновление или оптимизация (если ТР не относятся к классу самообучающихся ТР));
3. Потребность в постоянном доступе к сети Интернет или в размещении на VPS-сервере.
Сейчас онлайн-трейдинг является наиболее распространенной формой биржевой торговли. Существуют автоматизированные торговые системы (АТС), в основе работы которых лежат заранее заданные алгоритмы.
Разработка АТС и торгового робота — довольно сложный процесс из-за наличия хаотической составляющей в поведении рынков капитала. Использование нейронных сетей и алгоритмов машинного обучения в алгоритмах ТР позволит сделать процесс настройки ТР автоматическим.
Для торговли на Форекс использовать клиенты платформ MetaTrader 4 (МТ4) и 5. МТ4 на данный момент является более предпочтительной для трейдеров. Повысить эффективность работы с торговой платформой можно с помощью нейронных сетей.
|
|
|
Среди распространённых методов синтеза нейросетевых моделей имеется ряд недостатков [6]:
1. предлагаемые методы позволяют обнаружить локальный, а не глобальный экстремум-минимум целевой функции ошибки;
2. для ряда методов время обучения достаточно велико и приемлемый результат с точки зрения практики не гарантируется;
3. при синтезе нейронной сети используются разнообразные эвристические приёмы, предназначенные для решения конкретной задачи, что снижает универсальность предлагаемых методов;
4. качество обучения часто зависит от сложности решаемой задачи и наличия некоторой априорной информации о ней;
5. нейронная сеть, которая для обучающей выборки минимизирует ошибку, а не сводит её к нулю, повышает вероятность ошибочных решений при практической эксплуатации.
Таким образом, становится очевидным, что необходимо искать новые методы, позволяющие избавиться от недостатков, присущих существующим подходам, или минимизировать их влияние на качество получаемого результата.
Авторами был рассмотрен процесс получения нейросетевой структуры Fractal: помощник с нейронной сетью регрессии, реализованный на языке MQL5.
|
|
|
Для оценки работы данной нейронной сети использовались показатели предсказания среднеквадратичной ошибки, а также процент правильно предсказанных и пропущенных фракталов. Позволяющих определить дальнейшее повышение или понижение свечи чтобы определить дальнейшее совершение или не совершение покупки, на рисунке 5 показаны серыми стрелочками.
Рис. 5 Работа нейронной сети Fractal
Искусственный нейрон активируется функцией гиперболического тангенса с диапазоном значений от -1 до 1. Для описания одной свечи используется 12 нейронов. Количество скрытых слоев равно 4. Для фрактала на покупку значения лежат в диапазоне [0.5,1.0], для фрактала на продажу [-0,5, -1.0], в диапазоне [-0.5, 0.5] сигнал отсутствует. В выходном слое этой нейронной сети содержится один нейрон, т.к. данная нейронная сеть решает задачу регрессии. Тестирование нейронной сети проводилось на валютной паре EURUSD с интервалом в 1 минуту. В качестве входных данных нейросеть использует данные за 20 свечей. Нейросеть обучалась за годичный период.
Анализ результатов работы нейронной сети позволил выявить следующие значения показателей:
· среднеквадратичная ошибка 0.82
|
|
|
· процент попадания 10,75%
· пропущенные фракталы 0,26%
Подводя итоги можно отметить, что в данный момент не существует многофункциональной торговой платформы, которая бы во всех отношениях соответствовала в полной мере запросам и требованиям трейдеров. Остается актуальным вопрос необходимости разработки и использовании нейронных сетей в алгоритмах торговых роботов.
Список литературы
1. Букунов С.В., Климин П.Ю., Автоматизированная торговая система для работы на финансовых рынках [Электронный ресурс]. – Режим доступа: URL: https://elibrary.ru/item.asp?id=39277853
2. Сафин, В. И. Торговая система трейдера: фактор успеха / В.И. Сафин. – СПб.: Питер; Форекс Клуб, 2013.
3. Chan E.P. Algorithmic Trading: Winning Strategies and Their Rationale. New Jersey: Wiley, 2013. 255 p.
4. Юрков Д.А. Синтез нейронных сетей с фрактальной структурой. /Восточно-европейский журнал передовых технологий. – 2009–Т.4–№ 3(40). С.39-44
5. Обучение нейронной сети [Электронный ресурс]. – Режим доступа: URL: https://neuronus.com/theory/nn/238-obucheniya-nejronnoi-seti.html (на 04.01.2021г)
6. Анализ недостатков искусственных нейронных сетей и методов их минимизации, [Электронный ресурс]. – Режим доступа: URL:https://scienceforum.ru/2018/article/2018000271 (19.01.2021г)
7. Функции активации нейросети: сигмоида, линейная, ступенчатая, ReLu, tahn, [Электронный ресурс]. – Режим доступа: URL:https://neurohive.io/ru/osnovy-data-science/activation-functions/ (07.01.2021г)
© И.В. Ананченко, П.А. Чагина, 2021
Дата добавления: 2021-02-10; просмотров: 88; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!