Нейронная сеть

 Нейронные сети активно и успешно используются во всех сферах, в том числе для прогнозирования.

Вполне логично было бы использовать её для прогнозирования курса акций, валют и пр.

Если принять за аксиому, что поведение в прошлом определяет поведение в будущем, то нет ничего проще — обучаем нейронную сеть на всех исторических данных и на выходе всегда знаем, куда пойдёт цена — вверх или вниз.

На практике обученная нейронная сеть даёт результат не выше 50-60%. Т.е. по сути пальцем в небо.

Найдя некоторый паттерн и зная реакцию на подобные патерны в прошлом, иногда цена может отреагировать также как в прошлом, а иногда — совсем иначе.

Ранее я писал пост «почему не работает технический анализ»

Нейронные сети также можно отнести к методам технического анализа, т.к они тоже пытаются выявить закономерности в развитие ряда, обучаясь на его исторических данных.

Всем привет.

Наша команда “Robot Spring” состоит из 4 человек с абсолютно разными компетенциями и опытом работы, каждый из нас будет рассказывать о том, чем он занимается в рамках нашего проекта.

Head, 3 года работал инженером в лаборатории, в текущий момент работает в финансовой (IB) сфере.

Собрал команду и замотивировал на разработку алгоритмов.

Расскажет о методологии анализа алгоритмов. [Structure]

Mathematician, 4 года опыта работы с алгоритмами обработки изображений.

Расскажет про нейронную сеть, которую он пишет. [AI]

Developer, 6 лет опыта разработки ПО (включая софт для банков), в том числе на руководящих позициях.

Расскажет о том, как устроена наша система с точки зрения IT. [IT]

Financier, 3 года опыта работы с деривативами в финансовой сфере.

Расскажет, как он придумывает новые алгоритмы. [Trading]

Целью настоящей работы является разработка математической торговой системы, прогнозирующей величину и направление изменения стоимости акций публичных компаний на определенном интервале времени. Исходными данными для модели служат данные из отчетов компаний и котировки их акций с биржевых площадок. Далее в статье речь пойдет об американском рынке акций в связи с текущими предпочтениями автора. Американский рынок является более привлекательным в связи с большим выбором эмитентов, широким спектром отраслей и доходом в долларах США.

В основе математической модели лежит классический многослойный перцептрон с количеством слоев равным двум, поскольку в процессе разработки было установлено, что значительное усложнение топологии нейронной сети приводит к явлению переобучения (overfitting) и сеть теряет свои обобщающие свойства. Проблема переобучения отдельно в данной статье не исследуется, а способы борьбы с ней будут освещены далее. Схема многослойного перцептрона представлена на рис. 1. Входные параметры в модели – “x” (данные по компании), а выходной параметр (output) – апсайд (upside), прогноз изменения стоимости акции.