2020-01-14
135
Область применения нейронных сетей во многом совпадает с кругом задач, решаемых традиционными статистическими методами. Поэтому необходимо указать преимущества нейронных сетей перед несколькими классическими методами статистики.
По сравнению с линейными методами статистики (линейная регрессия, авторегрессия, линейный дискриминант) нейросети позволяют эффективно строить нелинейные зависимости, более точно описывающие наборы данных. Из нелинейных методов классической статистики распространен только байесовский классификатор, строящий квадратичную разделяющую поверхность − а искусственная нейронная сеть может построить поверхность более высокого порядка. Высокая нелинейность разделяющей поверхности байесовского классификатора требует значительного суммарного числа примеров для возможности оценивания вероятностей при каждом сочетании интервалов значений переменных − а нейронная сеть обучается на всей выборке данных, не фрагментируя её, что повышает адекватность настройки нейросети.
Для сжатия и визуализации данных в статистике разработан метод линейных главных компонент. Нейросети-автоассоциаторы позволяют эффективнее сжимать данные за счет построения нелинейных отображений и визуализировать данные в пространстве меньшего числа нелинейных главных компонент.
По сравнению с методами непараметрической статистики нейронная сеть с радиальными базисными функциями позволяет сокращать число ядер, оптимизировать координаты и размытость каждого ядра. Это позволяет при сохранении парадигмы локальной ядерной аппроксимации ускорять дальнейший процесс принятия решения.
При обучении нейронной сети вместо критерия качества в виде наименьших квадратов можно использовать робастные критерии, дополнительно вести оптимизацию и других свойств нейронной сети (например, добавляя критерии регуляризации решения или оптимизации структуры нейронной сети). Алгоритмы обучения нейронной сети при этом остаются неизменными.
Необходимость решения прямой и обратной задач обычно требует построения двух моделей. При использовании же нейронных сетей можно обойтись одной сетью, обученной решать прямую задачу.
Также нейронная сеть одновременно может решать нескольких задач (при наличии у нее нескольких выходов). [5]
Простота в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики. [4]
Применение нейросетей и их классификация
Задачи нейросети
Любая работа с нейросетью начинается с определения задач, которые она должна решать, т.е. с определения функций выходов. В общем случае сеть может решать как задачи классификации (дискретные выходы), так и задачи предсказания (непрерывные выходы). Из всего множества решаемых нейросетями задач для трейдинга наиболее важными являются:
- классификационный прогноз направления;
- прогноз цены;
- выработка торговых сигналов;
- прогнозирование индикаторов;
- определение уровней стопов;
- определение «похожих» дней;
- определение кризисных и аномальных точек;
- предсказание наступления кризиса;
- прогноз развития кризисной ситуации.
Конечной целью любого вида анализа, в том числе и нейронных технологий, является выработка торговых сигналов. Настройка нейросети для генерации торговых сигналов - задача сложная и требующая углубленного понимания рынка и нейросетей. Поэтому, следует сначала научиться избегать ошибок на более простых, но не менее важных задачах - прогнозировании цен и индикаторов. [2]
