Perceptron, Нейронная сеть Опции

[leonid553]

Yury V. Reshetov
Нейронная сеть

Что такое нейронная сеть или Perceptron? Это алгоритм использующий уравнение линейного неравенства (линейного фильтра), с помощью которого можно причислить исследуемый объект к тому или иному классу или же наоборот исключить его из этого самого класса объектов. Само неравенство выглядит так:
w1 * a1 + w2 * a2 + ... wn * an > d
где:
1. wi - весовой коэффициент с индексом i;
2. ai - численное значение признака с индексом i исследуемого объекта;
3. d - пороговое значение, чаще всего равное 0.
Дело в том, что геометрически плоскость описывается линейным уравнением. Например, в трехмерном пространстве относительно координат X, Y и Z уравнение плоскости имеет вид:
A * X + B * Y + C * Z + D = 0
Координаты всех точек, расположенных по одну сторону от плоскости, в этом самом пространстве, удовлетворяют неравенству:
A * X + B * Y + C * Z + D > 0
А координаты всех точек лежащих по другую сторону от плоскости, удовлетворяют неравенству:
A * X + B * Y + C * Z + D < 0
Таким образом, если нам известно уравнение некой плоскости и координаты любых точек, то мы можем разделить множество всех точек пространства на два множества точек, разделяемых этой самой плоскостью.

ПОСТАНОВКА ЗАДАЧИ
Если мы разделим объекты на два класса: открываемые длинные позиции и короткие позиции, а в качестве признаков возьмем значения индикаторов или осцилляторов технического анализа, то остается лишь выяснить уравнение плоскости и попытаться с ее помощью произвести идентификацию. Постановка задачи ясна.
Множества точек пересекаются в пространстве и провести четкую разделительную черту между ними невозможно. Единственным и приемлемым решением здесь является линия, которая будет отделять оба множества точек таким образом, чтобы с ее помощью большинство красных объектов оказалось по одну сторону, а синих по другую. На сей раз, мы имеем дело с задачей оптимизации, то есть поиском уравнения разделяющей плоскости или линии, способной максимально разделить два класса объектов друг от друга, но с вероятностью того, что часть точек, принадлежащих одному классу, будет ошибочно идентифицировано, как принадлежащих к классу другому.
Попробуем теперь определиться с постановкой задачи, которую мы собираемся решить. Элементарно, что нужно знать трейдеру для прибыльной торговли - это направление движения котировок. То есть если котировки пойдут вверх, то следует открыть длинную позицию. Если вниз, то необходимо открывать позицию короткую. Следовательно, два класса объектов у нас уже есть, а именно, направление движения котировок. Для того, чтобы принять решение, следуя техническому анализу, трейдеры прибегают к исследованию так называемых технических индикаторов или осцилляторов. Мы также будем исследовать осциллятор.

Поскольку технические осцилляторы - это гистограммы, значения которых отклоняются от горизонтальной линии, то соответственно и нейронная сеть нам понадобится с линейным фильтром. В качестве признаков объекта, будем брать паттерны, то есть значения осциллятора в четырех точках, взятые с шагом в семь периодов вглубь истории, начиная от текущего момента.

[leonid553]

"А я так и не смог от неё ничего путнего получить. Как не крутил - на бэктесте всё сливает, зараза. Так что подгонка, как говорится, на лицо "
---------------------------------------------------------------------------

Я тоже изначально не мог получить удовлетворительных результатов. Но потом дошло, в чем тут дело!!
Посмотрел в визуале работу нейро советника и обнаружил - как грамотно он работает при трендовом рынке.
По аналогии предусмотрел аналогичную комбинацию внешних параметров в ST+ENV, отказался от тейкпрофита (ну почти, сделал его = 250/300). Заменил его тралом, оптимизировал шаг трала - Tr/Step .
При этом обнаружилось, что теперь и наш советник "выгребает тренд" оч. неплохо!
Имеются, конечно "отдельные недостатки" - о них я писал в НЕСТАНДАРТНОЙ ТАКТИКЕ.
-----------------------------------------------------------------------------------
"На счёт перцептрона, а почему бы в сеть не подать сигналы самих "ST+ENV", без вызовов всяких индикаторов? Я примерно представляю как это программно описать, нужно будет индикатор состряпать. Но этим если и заниматься, то нужно создавать нормальную нейросеть, а то этот советник уж больно примитивный "
-----------------------------------------------------------------------------------
Поскольку индикатор ты уже "состряпал", то я вижу примерно такой сценарий:
Решетов писал:
"Я тоже попробовал 5-ти слойку. Первые 4 имеют по 5 входов, на каждый из которого поступают нормированные значения с отдельно взятого индикатора (на каждый слой свой индикатор). 5-й слой 4-х входовый и также обобщающий. Результаты весьма неплохие получаются. Самое главное, что вне репрезентативной выборки ведет себя очень стабильно по сравнению с однослойкой."

Поэтому наш ST+ENV будет давать только сигналы на вход и сопровождать позицию, как "базовый" узел.
А достоверность его сигналов будет проверяться (для начала) однослойной нейро структурой с др. индикатором.
Причем работу однослойки желательно постоить на меньшем тф, чем тот на кот. работает ST+ENV!. Чтобы "не задерживаться со входом.
А на счет того - как программно подать в сеть сигналы самого ST+ENV, - увы...
Не могу пока сообразить.