В последнее время все большую популярность приобретают методы технического анализа. Рост популярности обоснован, в том числе и за счет использования компьютерных технологий. Человек, который хочет зарабатывать на рынке больше других вынужден использовать более передовые методы, позволяющие увеличить скорость принятия решений и вероятность правильного прогноза. И тот, кто обладает лучшими математическими методами извлечения закономерностей из зашумленных хаотических рядов, может надеяться на большую норму прибыли - за счет своих менее оснащенных собратьев. Поэтому постоянно усложняются методы, но, несмотря на это, очень быстро чье-либо удачное открытие находит применение в широких кругах.
Это полезно знать (финансовый ликбез)
Трейдеру приходится искать и учитывать в своем анализе новые закономерности поведения цены, которыми он до этого пренебрегал. Работа по анализу графиков становится все более тонкой и изощренной настолько, что человеку просто становится не под силу осуществление такого анализа, особенно в условиях быстрого изменения рыночных условий, когда нельзя просто все время пользоваться одними индикаторами, а нужно научиться их правильно комбинировать. Не стоит забывать еще и психологический фактор, тоже отрицательным образом влияющий на дальнейший анализ. Остается только переложить часть работы на плечи компьютера, не знающего усталости и боязни потерять деньги. Но как научить компьютер самостоятельно находить закономерности и давать им правильные оценки. В этом деле помочь трейдеру, да и не только ему, а также очень широкому кругу людей призваны нейронные сети.
Искусственные нейронные сети состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Организация этих элементов напоминает человеческий мозг. Несмотря на такое поверхностное сходство, искусственные нейронные сети действительно демонстрируют удивительное число свойств, присущих мозгу. Например, они способны обучаться на основе опыта. После обучения сеть может быть до некоторой степени нечувствительна к небольшим изменениям входных сигналов. То есть она способна игнорировать шумы. В основу нейросети заложено понятие "искусственного нейрона", которое позволяет на практике реализовать нелинейную функцию многих переменных. Эта функция отображает совокупность входных переменных в вещественное число из отрезка [0,1] и зависит от набора G числовых коэффициентов (весов), рассматриваемого в качестве параметра этой функции. Она имеет вполне определенный вид и реализуется двумя элементами - сумматором и нелинейным преобразователем.
Нейросеть в общем виде обладает двумя замечательными для нас свойствами: обучаться на некотором множестве примеров и стабильно распознавать (прогнозировать) новые ситуации с высокой степенью точности, причем в условиях сильных внешних помех, например появления противоречивых или неполных значений. Обучение сводится к работе алгоритма подбора весовых коэффициентов, который действует без вашего непосредственного участия. То есть вы можете спокойно рассматривать нейросеть как некоторый "черный ящик" с известными способностями. Сфера финансовых приложений нейронных сетей практически безгранична.
Любая задача, связанная с манипулированием финансовыми инструментами - будь то валюта или ценные бумаги - сопряжена с риском и требует тщательного расчета и прогнозирования. Эти и сотни других вопросов приходится ежедневно решать аналитическим отделам финансовых (да и не только финансовых) компаний, привлекая все виды аналитических инструментов. В чем "изюминка" нейронных сетей, делающая их столь привлекательными для всевозможных задач прогнозирования и распознавания? В настоящее время известны четыре принципиально разных подхода к решению задач анализа. Во-первых, вы можете использовать классические методы анализа (например, корреляционные) - если данные взаимозависимы, а их объем относительно невелик. Во-вторых, можно построить экспертную систему, используя правила типа "если - то". В-третьих, можно воспользоваться методами нечеткой логики, оперируя качественными характеристиками типа "большинство", "надежный", "немного" и т.п. И, наконец, в-четвертых, когда объем входных данных огромен, об их взаимосвязях вы не имеете ни малейшего представления, к тому же часть информации искажена, а часть утеряна - в этих случаях на помощь приходят нейронные сети.
Ваша задача лишь перечислить факторы, существенным образом влияющие на прогнозируемую величину, и подобрать достаточное число примеров, описывающих поведение этих величин в прошлом. Нейронная сеть сама "настроится" на заданную совокупность примеров, сведя к минимуму суммарную ошибку прогнозирования. Более того, анализ настроенной сети позволяет находить скрытые зависимости между входными и выходными данными, зачастую остающиеся "за кадром" традиционных методов. Предполагая, что характер взаимосвязи между заданными параметрами еще некоторое время существенно не изменится, вы можете использовать настроенную и обученную сеть для краткосрочного (а иногда и долгосрочного) прогнозирования.
Сети могут обучаться чему угодно. В этом отношении они совершенно не отличаются от самого человека, так как используют именно его опыт обучения в процессе получения образования. Передайте опыт ваших лучших менеджеров нейросетевому предсказателю - и он будет делать это заведомо не хуже их, а когда обобщит и свои наработки, его ценность превысит все самые смелые мечты. Конечно, это пока очень не просто, как технологически, так и психологически. Но и тут уже есть первые успехи.
Нейронные сети, при всей внешней простоте их пользовательского интерфейса - инструмент тонкий и начинают слушаться своих владельцев лишь спустя 2-3 недели интенсивного освоения и "привыкания". Проблемой для задач высокой размерности оказывается само обучение сети, которое еще долго будет вопросом искусства, интуиции и удачи. Во-вторых, не оправдывает себя погоня за дешевизной при выборе инструментальных средств. Можно, конечно работать и с т.н. "студенческой" версией нейропакета ценой в три сотни долларов, однако для настройки на новую задачу необходим мощный профессиональный пакет. В-третьих, аналитические средства нейропакетов открывают новые возможности для исследования параметров задачи, поскольку настроенная сеть аккумулирует в себе скрытые закономерности предметной области. Появляется возможность обнаружить некоторые закономерности, выявление которых обычными методами довольно проблематично.
А как же быть с ответственностью за принятие решений - ведь цена ошибки в финансовых операциях запредельно высока? Если ваш нейропакет предсказывает какие-либо чрезвычайные ситуации, а все вокруг уверенны в обратном, то в данном случае можно посоветовать довериться профессионалам. А ваш нейропакет, правильно предсказавший финансовый крах, подскажет и выигрышную стратегию игры. В случае ошибки пакета вы также не проиграете - только лишний раз отметите про себя, что нельзя бездумно доверяться компьютеру. Но следует помнить, что есть масса задач, где цена разовой ошибки не столь высока и есть время для корректировки.
Кроме того, есть еще проблема, состоящая в том, что на первый взгляд простая задача может потребовать значительного времени. Нейросеть будет несколько часов, а то и дней обучаться при этом вы не сможете узнать заранее, правильный ответ она выдаст или нет. Хотя некоторые задачи сеть может неожиданно для вас решить очень быстро и довольно быстро обучиться. Очень эффективный способ быстрого обучения нейросети состоит в том, чтобы использовать специализированные ускоряющие платы, просто вставляемые в ПК. Такие платы в сотни и тысячи раз сокращают время работы нейросистем. Правда, и цена такого акселератора уже существенно выше, чем у IBM PC. Кроме того, существуют специальные нейрокомпьютеры, спроектированные и настроенные для работы с нейронными сетями, но их цена зашкаливает за десятки тысяч долларов и вообще не имеет верхней границы. Принцип работы таких нейрокомпьютеров отличается от работы обычных тем, что для выполнения задач ему не нужно четкого алгоритма, а также он способен анализировать огромные потоки информации. Очень удобно, что нейросетевые пакеты позволяют легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных.
Кроме того, внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично (насколько хватит кошелька) наращивать мощность нейросистемы. Можно начать с простого и дешевого пакета, затем перейти на профессиональную версию, потом добавить одну или несколько плат-ускорителей, потом и вовсе перейти на специализированный нейрокомпьютер - с гарантией полной преемственности всего ранее созданного программного обеспечения.
Различают многошаговый и одношаговый прогноз. Многошаговым прогнозом называют долгосрочный прогноз, цель которого состоит в определении основного тренда, для некоторого фиксированного промежутка времени в будущем. Одношаговым прогнозированием называют краткосрочный прогноз (на один шаг), при этом для получения прогнозированной величины используют только фактические данные. Ясно, что одношаговое прогнозирование более точно, но оно не позволяет выполнять долгосрочные прогнозы.
