인공 신경망을 이용한 금융 거래 시스템

알고리즘 거래를위한 신경망. 간단한 시계열 예측.
중요 업데이트 :
이것은 특히 알고리즘 트레이딩에 대한 금융 학습에 대한 심화 학습의 첫 번째 부분입니다.
깊은 학습 접근법을 기반으로하는 거래 시스템을 처음부터 구현하고 싶습니다. 따라서 여기에있는 모든 문제 (가격 예측, 거래 전략, 위험 관리)에 대해 다양한 인공 신경망 (ANN)을 사용하고 그들이 얼마나 잘 할 수 있는지 확인합니다 이것을 처리하십시오.
이제 다음 섹션을 진행할 계획입니다.
원시 데이터로 시계열 예측 사용자 정의 기능을 사용하여 시계열 예측 하이퍼 매개 변수 최적화 거래 전략, 백 테스팅 및 위험 관리 구현보다 정교한 거래 전략, 학습 강화 실시간으로 브로커 API를 사용하여 수익을 얻습니다.
나는이 저장소에서 코드와 IPython Notebook을 체크 아웃 할 것을 강력하게 권고한다.
첫 번째 부분에서는 재무 시간별 예측에 MLP, CNN 및 RNN을 사용하는 방법을 보여 드리려고합니다. 이 부분에서 우리는 어떤 기능 공학을 사용하지 않을 것입니다. S & P 500 지수 가격 움직임의 과거 데이터를 고려해 봅시다. 우리는 1950 년부터 2016 년까지 연중 무휴로 개방적이고 폐쇄적이며 높은 가격의 저렴한 가격과 거래량에 대한 정보를 제공합니다. 첫째, 우리는 다음날 말 가까운 가격을 예측하기 위해 노력할 것입니다. 둘째, 수익 (가까운 가격 - 공개 가격)을 예측하려고 노력할 것입니다. Yahoo Finance 또는이 저장소에서 데이터 세트를 다운로드하십시오.
문제는 분명합니다.
우리는 문제를 1) 회귀 문제 (정확하게 가까운 가격을 예측하거나 다음날 돌아 가기 위해 노력), 2) 이진 분류 문제 (가격은 [1; 0] 또는 [0; 1]로 올 것임)로 간주 할 것입니다.
NN을 훈련하기 위해 우리는 프레임웍 Keras를 사용할 것입니다.
먼저 교육 자료를 준비하십시오. 이전 N 일 정보를 기반으로 t + 1 값을 예측하려고합니다. 예를 들어, 우리가 예측하고자하는 시장에서 지난 30 일간 가까운 가격을 가졌 으면, 31 일째에 어떤 가격이 내일이 될 것입니다.
우리는 시계열의 첫 90 %를 훈련 세트 (과거 데이터로 간주)로 사용하고 마지막으로 10 %를 모델 평가를위한 테스트 세트로 사용합니다.
다음은로드, 연습 샘플로 분할 및 원시 입력 데이터의 사전 처리 예제입니다.
회귀 문제. MLP.
그것은 단지 2-hidden layer perceptron이 될 것입니다. 숨겨진 뉴런의 수는 경험적으로 선택되며, 우리는 다음 섹션에서 하이퍼 파라미터 최적화에 대해 작업 할 것입니다. 두 개의 숨겨진 레이어 사이에 overfitting을 방지하기 위해 하나의 드롭 아웃 레이어를 추가합니다.
중요한 것은 컴파일 섹션에서 Dense (1), Activation ( 'linear') 및 'mse'입니다. 우리는 어느 범위에있을 수있는 하나의 출력을 원합니다 (실제 값을 예측합니다). 손실 함수는 평균 제곱 오류로 정의됩니다.
20 일 가까운 가격의 청크를 전달하고 21 일에 가격을 예측하면 어떻게되는지 봅시다. 최종 MSE = 46.3635263557이지만 대표적인 정보는 아닙니다. 다음은 테스트 데이터 세트의 처음 150 개 지점에 대한 예측 플롯입니다. 검은 색 선은 실제 데이터이며 파란색은 예측 된 것입니다. 우리의 알고리즘은 가치에 근접하지 않지만 추세를 알 수 있음을 분명히 알 수 있습니다.
sklearn의 preprocessing. scale () 메소드를 사용하여 우리의 데이터를 스케일링하여 우리의 시계열에 평균 및 단위 분산을 제로하고 동일한 MLP를 훈련 시키자. 이제 우리는 MSE = 0.0040424330518입니다 (그러나 그것은 스케일 된 데이터입니다). 아래 플롯에서 실제 스케일 된 시계열 (검은 색)과 우리의 예측 (파란색)을 볼 수 있습니다.
실제 모델에서이 모델을 사용하려면 스케일링되지 않은 시계열로 돌아 가야합니다. 우리는 예측을하기 위해 사용 된 시계열의 표준 편차 (20 개의 비 계단식 시간 간격)를 곱하거나 예측하여이를 수행 할 수 있으며 평균 값을 추가합니다.
이 경우 MSE는 937.963649937입니다. 다음은 복원 된 예측 (빨간색)과 실제 데이터 (녹색)의 플롯입니다.
나쁘지 않은가요? 그러나이 문제에 대해보다 정교한 알고리즘을 시도해 봅시다!
회귀 문제. CNN.
난 길쌈 신경 네트워크 이론에 뛰어 들지 않을거야, 당신은이 놀라운 자원을 확인할 수 있습니다 :
완전 연결된 레이어 하나와 이전과 같은 출력을 가진 2 레이어 컨벌루션 뉴럴 네트워크 (컨볼 루션 및 최대 풀링 레이어의 조합)를 정의합시다.
결과를 확인해 봅시다. 확장 및 복원 된 데이터에 대한 MSE는 : 0.227074542433; 935.520550172. 플롯은 아래와 같습니다.
확장 된 데이터로 MSE를 살펴 보더라도이 네트워크는 훨씬 더 많이 습득했습니다. 아마도 더 깊은 아키텍처는 교육을 위해 더 많은 데이터를 필요로하거나 너무 많은 수의 필터 또는 레이어로 인해 지나치게 적합하지 않을 수 있습니다. 나중에이 문제를 고려할 것입니다.
회귀 문제. RNN.
반복적 인 아키텍처로서 두 개의 스택 된 LSTM 레이어를 사용하고 싶습니다. (여기서 LSTM에 대해 더 자세히 읽어보십시오.)
예측의 플롯은 아래와 같습니다. MSE = 0.0246238639582; 939.948636707.
RNN 예측은 이동 평균 모델처럼 보이지만 모든 변동을 배우고 예측할 수는 없습니다.
따라서 약간의 예상 할 수없는 결과이지만이 시간 시리즈 예측을 위해 MLP가 더 잘 작동한다는 것을 알 수 있습니다. 회귀 분석에서 분류 문제로 전환한다면 어떤 일이 일어나는지 확인해 봅시다. 이제는 가까운 가격을 사용하지 않고 일일 수익률 (가까운 가격 - 공개 가격)을 사용하고 지난 20 일을 기준으로 가까운 가격이 공개 가격보다 높거나 낮을 지 예측하려고합니다.
분류 문제. MLP.
코드가 조금만 변경되었습니다. 마지막 Dense 레이어를 변경하여 출력 [0; 1] 또는 [1; 0]을 입력하고 softmax 출력을 추가하여 확률 적 출력을 기대하십시오.
이진 출력을로드하려면 다음 코드에서 다음 코드를 변경하십시오.
또한 손실 함수를 이진 교차 엔트 피로 변경하고 정확도 메트릭을 추가합니다.
오, 그것은 무작위 추측 (50 % 정확도)보다 좋지 않습니다. 더 나은 것을 시도합시다. 아래의 결과를 확인하십시오.
분류 문제. CNN.
분류 문제. RNN.
결론.
우리는 회귀 문제가 더 나은 접근 방법이라는 재무 적 시계열 예측을 다룰 수 있다는 것을 알 수 있습니다. 실제 상황에 가까운 경향과 가격을 알 수 있습니다.
나에게 놀라운 점은 MLP가 시퀀스 데이터를 CNN 또는 RNN으로 더 잘 처리한다는 것입니다. 이 시퀀스 데이터는 시계열과 함께 더 잘 작동하도록되어 있습니다. 꽤 작은 데이터 세트로 설명합니다 (
16k 타임 스탬프) 및 더미 하이퍼 매개 변수 선택.
저장소에서 코드를 사용하여 결과를 재현하고 더 효율적으로 사용할 수 있습니다.
기술적 인 지표, 판매량과 같은 다양한 기능 (스케일 된 시계열뿐만 아니라)을 사용하여 회귀 및 분류에서 더 나은 결과를 얻을 수 있다고 생각합니다. 또한 더 자주 데이터를 시도 할 수 있습니다. 분 단위의 틱에 더 많은 교육 데이터가 있다고 가정 해 봅시다. 나중에 할 일들 이니, 계속 지켜봐주세요 :)
더 많이 또는 더 적은 박수를 치기 만하면 어떤 이야기가 실제로 돋보이는 지 우리에게 알릴 수 있습니다.
알렉스 혼차.
기계 및 랩핑 교육.
기계 학습 세계.
기계 학습, 컴퓨터 비전, 딥 학습, 자연 언어 처리 및 기타에 대한 최고

인공 신경망을 이용한 금융 거래 시스템 (정보 과학)
소개.
소프트 컴퓨팅은 물리 과학에서 적응 된 컴퓨팅 영역을 나타냅니다. 이 영역 내의 인공 지능 기법은 물리적 법칙과 프로세스를 적용하여 문제를 해결하려고 시도합니다. 이러한 컴퓨팅 스타일은 특히 부정확하고 불확실성에 강하며, 시끄러운 환경에서 연구하는 사람들에게 매력적입니다. 영역에서 신호 대 잡음비가 매우 낮습니다. 소프트 컴퓨팅은 일반적으로 퍼지 로직, 인공 신경 네트워크 및 확률 론적 추론 (유전 알고리즘, 카오스 이론 등을 포함)의 세 가지 주요 영역을 포함하도록 허용됩니다.
투자 거래의 장은 소음이 많은 데이터가있는 분야입니다. 전통적인 컴퓨팅이 적용되는 엄격한 조건을 충족시키지 못하기 때문에 전통적인 컴퓨팅이 일반적으로 소프트 컴퓨팅에이 영역을 제공합니다. 이것은 입력 조건의 동일한 세트가 다른 결과를 호출하는 것처럼 보일 수도 있고 누락되거나 품질이 떨어지는 데이터가 풍부 할 때 특히 분명합니다.
인공 신경망 (이후 ANN)은 비선형 관계를 결정할 수있는 능력을 보유하고 있으며 특히 잡음이 많은 데이터 집합을 처리하는 데 능숙하므로 소프트 컴퓨팅 트리에서 특히 유망한 지사입니다.
투자 관점에서 볼 때, ANN은 두 가지 이유에서 더 높은 투자 수익률을 달성 할 수있는 가능성을 제공하기 때문에 특히 매력적입니다. 첫째, 보다 저렴한 컴퓨팅 성능의 출현으로 많은 수학적 기법이 상용화되어 도입 된 이점을 효과적으로 최소화하게되었습니다 (Samuel & Malakkal, 1990 참조). 둘째, 첫 번째 문제를 해결하기 위해 많은 기술이 더욱 복잡해졌습니다. 블레이 키 (Blakey) (2002)에 의해 논의 된 바와 같이, 그러한 기법과 관련된 신호 대 잡음비가 낮아질 수있는 실제 위험이있다.
투자 및 금융 거래는 일반적으로 두 가지 주요 분야로 나뉩니다 : 기본 분석 및 기술적 분석. 이 두 분야에 ANN을 적용하는 것에 관한 기사가 검토됩니다.
배경.
ANN 기법을 투자 및 거래에 적용하는 방법에는 여러 가지 방법이 있습니다. 이 다른 접근법의 정형화 된 구분이없는 것처럼 보이지만, 이 검토는 문헌을 Tan (2001)이 제안한 주제로 분류하고 이러한 분류를 하나의 범주, 즉 하이브리드로 보완한다. ANN의 이러한 범주는 다음과 같습니다.
• 시계열 : 과거 데이터 세트를 사용하여 미래의 데이터 포인트를 예측합니다. 이 영역에서 검토 된 연구는 일반적으로 일부 시계열의 미래 가치를 예측하려고 시도합니다. 가능한 시계열에는 기본 시계열 데이터 (종가 등) 또는 기본 데이터에서 파생 된 시계열 (예 : 지표 - 기술 분석에 자주 사용됨)이 포함됩니다.
• 패턴 인식 및 분류 : 일반적으로 데이터의 패턴을 학습하여 관찰을 범주로 분류하려고 시도합니다. 이 분야에서 검토 된 연구는 패턴의 탐지 및 기본 데이터의 승자로의 분리와 관련된 것이 었습니다. & # 8221; 패자 & # 8221; 금융 파산 및 파산 예측과 같은 범주에 속합니다.
• 최적화 : 데이터의 패턴을 알 수없는 문제, 종종 비 다항식 (NP)이 아닌 문제를 해결합니다. 이 분야에서 검토 된 연구는 최적의 매개 변수 선택과 거래를 시작할 최적의 지점을 결정하는 방법을 다루었습니다.
• 하이브리드 :이 카테고리는 이전 스타일 중 하나 이상을 결합하여 시너지 효과를 시도한 연구를 구별하는 데 사용되었습니다.
시너지 효과의 이점을 널리 받아들이는 것으로 보이며, 전체가 개별 부분의 합보다 더 큰 것으로 간주됩니다.
또한 기술 분석 기법에 대한 이러한 연구 스타일의 편향은 패턴 인식 및 분류 영역을 추구하는 연구의 3 분의 1로 표에서 분명합니다. 기술적 분석은 특히 이러한 유형의 연구에 적합합니다. 기술적 분석의 큰 초점은 데이터의 패턴 탐지 및 이러한 패턴이 나타날 때 시장 참여자의 행동을 조사하는 데 있습니다.
신경망을 사용하여 거래 시스템 개발
이 절에서는 이전에 설명한 네 가지 주요 범주 각각의 특성을 간략하게 고려합니다. 선정 된 기사는 현재의 연구 방향을 대표하거나이 연구 스타일에 대한 방향의 중요한 변화를 나타내거나 참신한 접근 방식을 나타 내기 때문에 선택되었습니다.
시계열 예측에 대한 연구.
시계열 예측 영역은 일반적으로 다음 두 가지 기본 방법 중 하나를 사용하여 시계열의 미래 값을 예측하려고 시도하는 데 중점을 둡니다.
• 같은 시리즈의 과거 값으로부터 일련의 미래 값을 예측합니다.
• 다른 계열의 데이터를 사용하여 계열의 미래 가치를 예측합니다.
일반적으로이 분야의 현재 연구는 수익 예측 또는 수익 (예 : 수입)과 상관 관계가있는 다양한 변수에 초점을 둡니다. 일부 연구자는 일련의 미래 방향을 예측하려고 시도하는 데 중점을 둡니다 (예 : 마지막으로 알려진 값에서 증가, 마지막으로 알려진 값에서 감소, 변경 없음). 이 성질에 대한 연구는 본질적으로 분류 문제이며, 그 절에서 논의된다.
다음 논문들은 그들이 시계열 예측 (Austin et al., 1997; Chan & Foo, 1995; Falas 외, 1994; Hobbs & Bourbakis, 1995; Quah & amp; Srinivasan, 2000, Wang et al., 2003; Yao & Poh, 1995). 검토 된 기사는 기초 및 기술 데이터를 모두 고려합니다. 예를 들어, Falas et al. (1994)는 ANN을 사용하여보고 된 회계 변수를 기반으로 미래 수익을 예측하려고 시도했습니다. 그들은 로짓 모델에 비해 ANN을 사용하여 상당한 이점을 발견하지 못했으며 선택한 회계 변수가 적절한 수익 예측 자라고 결론 지었다. 이 결론은 ANN으로 작업 할 때 발생하는 주요 문제 중 하나, 즉 존재하지 않는 설명 기능을 나타냅니다. 비 상관이있는 ANN 연구를 잘못 선택 한 입력 변수로보고하는 경우이 유형의 결론을 찾는 것이 일반적이지 않습니다. Quah et al. (2000)은 초과 수익을 예측하기 위해 주로 회계 변수를 사용한다 (제한된 성공으로). Chan et al. (1995)는 주가의 미래 시계열 값을 예측하기 위해 ANN을 사용하고, 미래의 & # 8221; 값을 사용하여 다양한 기술 지표를 계산합니다. ANN은 특히 유망한 결과를 보여 주었고 네트워크 성능 예측을 통해 상인이 정규 기술 지표에 의해 알리기 전에 하루나 이틀 동안 무역에 참여할 수 있으며 네트워크의 잠재적 인 수익 잠재력을 설명 할 수 있다고 결론지었습니다 .
여러면에서이 두 가지 주요 예측 방법론은 기술적 분석 전략과 매우 밀접하게 관련됩니다. 예를 들어 일련의 주가에 대한 이동 평균의 사용 및 예측은 같은 계열의 과거 값에서 계열의 미래 값 (이동 평균)을 예측하는 것으로 간주 할 수 있습니다. 기술적 분석의 지표는 종종 가격, 거래량, 공개 이익 등과 같은 많은 구성 데이터 항목으로 구성됩니다. 이러한 지표는 일반적으로 미래의 가격 방향을 나타 내기 위해 사용됩니다.
패턴 인식 및 분류 연구.
패턴 인식 기술과 분류 기법은 일반적으로 시계열의 미래 가치를 예측하는 것이 아니라 시계열의 미래 방향을 예측하기 위해 함께 그룹화되었습니다. 예를 들어, 차트리스트 (기술 분석가 스타일)의 주 목표는 특정 패턴을 찾아 차트 가격 조치를 연구함으로써 추세 전환점을 예측하려고 시도하는 것입니다. 차타 협상가들은 이러한 패턴이 다시 발생하는 경향이 있으며 가격 추세의 미래 방향에 대한 합리적으로 신뢰할만한 지표라고 인식했습니다. 이러한 차트 패턴에는 많은 부분이 있으며, 다른 분석가는 주어진 패턴의 예측력에 다른 가중치를 부여합니다. 또한 이러한 패턴은 일반적으로 신뢰할 수있는 다른 시간 계열 (볼륨 등)의 값으로 확인해야합니다. & # 8221; 이 영역에 대한 자세한 내용을 보려면 독자는 Pring (1999)을 참조하는 것이 좋습니다. 미래의 시계열 방향을 예측하기위한 비 패턴 매칭 기법 또한 분류 문제이다. 분류 연구는 시계열의 향후 방향을 예측하는 것 외에도 주식을 두 개의 주요 그룹, 즉 '수상자'로 분류하려고합니다. 와 패자들 (& LOSERS & # 8221; 파산 및 재정난 예측 에서처럼.
다음의 논문들은 패턴 인식 및 분류에 관한 현재의 연구를 대표하고 있기 때문에 선택되고 검토되었다 (Baba & Handa, 1995; Baba et al., 2004; Baba & Nomura, 2005; Baba et al., 2001; Baek 2000; Enke & Thawornwong, 2005; Fu 등, 2001; Kamijo & Tanigawa, 1990, Michalak & Lipinski, 2005; Mizuno 외, 1998; Skabar & Cloete, 2001; Suh & amp; amp; LaBarre, 1995; Tan & Quek, 2005). 앞서 설명한 바와 같이 연구는 일반적으로 승자 & # 8221; & # 8220; 패자 & # 8221; 탐지 또는 패턴 일치. Tan et al. (2005), 나중에 Tan과 Dihardjo는 '승자'개념을 사용합니다. & # 8220; 패자 & # 8221; 분류는 Longo et al. (1995) 및 Skabar et al. (2001). 특히, Skabar et al. (2001)는 승자를 예측하지 않습니다. & # 8221; & 패자, & # 8221; 두 가지 카테고리, 즉 & # 8220; up & # 8221;을 예측합니다. & # 8220; 아래로 & # 8221; (반품 방향). Kamijo et al. (1990)은 저자가 삼각형을 식별하기 위해 ANN을 작성하는 패턴 매칭의 훌륭한 예를 제공한다. 주식 시장 데이터의 패턴 (삼각형은 기술 분석에 사용되는 특정 패턴 임).
패턴 매칭을 포함하는 분류는 패턴 구성이 특정 시간 순서대로 이루어져야하고 패턴의 대부분이 시간에 영향을 미치지 않기 때문에 시계열 예측에 대한 이전 섹션에서 적절하게 논의 될 수 있습니다. 이것은 시간 불변 패턴을 확인하거나 패턴이 발생해야하는 고정 된 시간을 결정하려는 연구자의 욕구로 이어집니다. Fu et al. (2001)은 유전자 알고리즘을 사용하여 수정 & # 8221; 패턴의 길이는 ANN을 사용한 학습에 적합합니다.
최적화에 대한 연구.
최적화의 초점은 달리 받아 들여지는 달성 가능한 결과를 최적화하기 위해 특히 소프트 컴퓨팅을 사용하는 연구에 초점을 맞추고 있습니다. 이 스타일의 연구 논문의 전형은 이미 받아 들여진 결과가 논의 된 다음 최적화를 위해 고려됩니다. 최적화는 최적화되지 않은 경우에 비해 초과 수익률에 의해 특징적으로 입증됩니다.
ANN을 사용하는 이러한 스타일의 최적화에 대한 예를 들면, Chen 등이 색인 차수 결정 타이밍을 제안했다. (2001), 짐머만과 그로스 만 (2005). 이 모델은 인덱스 재정렬 위치에 대한 올바른 진입 점 타이밍을 최적화하려고 시도합니다. 현재의 차익 거래 모델은 기회가 발생하면 즉시 차익 거래 포지션을 수립 할 것을 제안합니다. 신경 네트워크 접근법은 차익 거래 가능성을 높이기 위해 차익 거래에 대한 최대 기준 스프레드가있을 때 타이밍을 찾아내는 것을 시도하는 것입니다. 그들의 연구는 신경 모델이 전통적인 접근법보다 훨씬 우월한 것으로 결론 지었다.
앙상블 접근법에 대한 연구.
연구는 다음에 설명 된 영역 중 하나 이상에서 작업을 결합한 경우 앙상블 접근 방식으로 분류되며 개별 구성 요소 각각에서 예상되는 것보다 큰 최종 결과를 달성함으로써 시너지 효과를 효과적으로 활용하려고 시도합니다. 소프트 컴퓨팅 연구 중에서 앙상블 접근법을 분석에 사용하는 경향이 커지고 있습니다.
다음 논문들은 앙상블의 현재 연구를 대표하는 것으로 선택되고 검토되었다 (Abdullah & Ganpathy, 2000; Baba et al., 2002; Chenoweth et al., 1995; Doeksen et al., 2005; Jang et al. Leigh et al., 2002; Liu & Lee, 1997; Wong & amp; Lee, 1993). 대다수의 앙상블은 다양한 소프트 컴퓨팅 방법에서 구성 요소를 끌어냅니다. ANN과 유전자 알고리즘 (GA)을 함께 사용하는 것은 널리 사용되고 있으며에 의해 사용됩니다.
Leigh et al. (2002)는 패턴 인식 기술을 가격 예측과 결합합니다. ANN 및 GA를 결합하는 또 다른 접근법은 Baba 등이 제공한다. (2002) ANN을 사용하여 예측 능력을 측정하고 GA를 사용하여 해당 정보에 반응하는 최선의 방법을 결정합니다. 일부 앙상블은 여러 개의 ANN을 결합합니다 (예 : Jang et al. (1991)는 두 개의 ANN을 결합하는데, 하나는 장기적인 관점에서 시장 이동의 단기적인 관점을 취하는 것이다. 그런 다음 두 모델의 출력의 가중 출력 합계에 반응하는 모델을 작성합니다. Liu와 Lee (1997)와 Abdullah et al. (2000)은 또한 ANN의 앙상블을 사용했고 앙상블 접근법의 예측 능력이 개별 ANN의 예측 능력을 초과한다고 결론 지었다. 다른 연구에서는 ANN과 퍼지 로직 및 전문가 시스템을 결합하여 검토했습니다.
미래의 동향.
본질적으로 금융 거래 분야는 전통적인 가격 모델, 효율적인 시장 가설 및 행동 금융에 대한 아이디어 사이의 전환 상태에 있습니다. 금융 거래 가격 결정 모델을 통일하는 것이 최선의 방법입니다. 효율적인 시장 가설의 타당성에 관해서는 많은 논란이 있는데, 기술적 분석과 같은 방법을 사용하여 가격을 예측할 수 없다고 효과적으로 주장한다. 효율적인 시장 가설에 반하는 것으로 보이는 많은 증거가 있으며, 유효한 유효 가격 모델이 존재하지 않는 한 학문적으로 앞으로 나아갈 가능성은 거의 없다. 이것은 소프트 컴퓨팅 연구 기술, 특히 신경 모델을위한 실질적인 기회를 제공합니다. 이 모델은 보편적 인 근사로서 작용할 수 있고 복잡한 비선형 관계를 결정할 수 있습니다. 이 방법의 목표는 시장과 가격의 행동에 대한 새로운 시각을 제시 할 수있는 깊은 관계를 만들어 내려는 시도입니다. 이러한 새로운 관계는 본질적으로 실현 가능하고 효과적인 가격 책정 모델을 개발할 수있는 더 많은 영역을 제공합니다.
결론.
이 기사에서는 투자 및 금융 거래에 인공 신경망을 적용하는 영역에서 최근 및 주요 문헌을 조사했습니다. 투자 규율의 맥락에서이 설문 조사는 이러한 유형의 연구의 대부분이 기술 분석 분야에서 수행되고 있음을 보여줍니다. 이전에 논의 된 바와 같이, 소프트 컴퓨팅은 특히 데이터 집약적이며, 이러한 관찰은 연구에서 이러한 명백한 편견을 설명하는 방향으로 진행될 것을 제안합니다.
소프트 컴퓨팅 스타일 영역 내에서 조사는 대부분의 연구가 하이브리드 시스템과 패턴 인식 및 분류 영역 모두에 있음을 확인했습니다. 그 이유는 기술 분석 접근법이 패턴 인식 및 분류 영역에 도움이된다는 것입니다. 또한 많은 하이브리드 시스템은 패턴 인식과 분류를 구성 요소 중 하나로 포함합니다.
연속 패턴 (Continuation Pattern) : 기술 분석의 패턴으로, 가능성의 균형에 따라 가격 추세가 현재 방향에서 계속 될 것임을 시사합니다.
기본 분석 : 회사의 사용은 보안에 대한 본질적인 (또는 공정한) 가치를 결정하기 위해 재무 데이터를보고했습니다. 미래의 가격 변동으로부터 이익을 얻기 위해 기업이 저평가되어있는 사례를 파악하는 데 사용됩니다. 이 분석 스타일은 일반적으로 장기적입니다.
잡음 데이터 :이 용어는 일반적으로 신호 대 잡음비가 낮은 데이터 및 데이터 세트를 설명하는 데 사용됩니다. 신호를 필터링하려고 시도하는 알고리즘은 잡음을 식별하고 적절하게 처리 할 수 ​​있어야합니다. 이러한 의미에서 노이즈는 데이터의 요소로서 실제 신호를가립니다.
반전 패턴 (Reversal Pattern) : 기술 분석의 패턴으로, 가능성의 균형에 따라 가격 추세가 방향을 바꿀 것이라고 제안합니다.
기술적 분석 : 기술 데이터에 반영된 시장 참가자의 행동 연구. 가격 변동으로부터 이익을 얻기위한 경향 개발의 초기 단계를 파악하는 데 사용됩니다. 이 분석 스타일은 일반적으로 단기적입니다.
기술 데이터 : 기술 데이터는 보안에 대한 가격 이력의 구성 요소를 설명하는 데 사용되는 용어입니다. 이러한 구성 요소는 공개 가격, 저렴한 가격, 높은 가격, 가까운 가격, 거래량 및 미결제입니다.
기술 지표 : 기술 지표는 기술 데이터에 대한 다양한 계산 결과로 생성됩니다. 그들은 주로 가격 행동을 확인하기 위해 고안되었습니다.
삼각형 패턴 : 삼각형은 기술적 분석을 사용하여 관찰 된 특정 패턴입니다. 삼각형이 발생할 수있는 다양한 상황이 있으며 상황에 따라 삼각형은 반전 또는 연속 패턴이 될 수 있습니다.

RSI 재무 지표와 신경망을 이용한 거래 시스템 개선.
알레한드로 로드리게스 곤살레스 페르난도 굴드 스 Iglesias 리카르도 Colomo Palacios 후안 미구엘 고메즈 Berbis Enrique Jimenez-Domingo Giner Alor-Hernandez Rubén Posada-Gomez 길레르모 Cortes-Robles.
무역 및 증권 행동 분석 시스템은 대규모 금융 데이터 세트 (LFD)를 분석하기위한 효율적인 인공 지능 기술을 필요로하며 현재 경제 환경에서 여러 분야의 연구에 중요한 도전 과제가되었습니다. 특히, Chartist 또는 Technical Analysis 상대 강도 지표 (RSI)를 기반으로 한 거래 지향 의사 결정 지원 시스템이 전 세계적으로 발간되고 사용되었습니다. 그러나 이전 결과를 능가 할 수있는 계산 인텔리전스의 한 부분 인 신경 회로망과의 결합은 충분한주의를 기울일 필요가없는 적절한 접근 방법으로 남아 있습니다. 이 논문에서는 무역을위한 Chartist Analysis Platform (CAST, 간단히 말해서) 플랫폼, 개념 증명 (proof-of-concept) 아키텍처 및 RSI와 Feed-Forward Neural Networks (FFNN) 기반의 의사 결정 지원 시스템을 구현합니다. CAST는 인공 지능 기법과 RSI 계산의 결합으로 얻은 상대적으로 정확한 재무 결정 세트를 제공하며 피드 포워드 알고리즘에서 재고 값 데이터 세트로 얻은보다 정교하고 향상된 결과를 제공합니다.
시사.
참조.
저작권 정보.
저자 및 제휴사.
알레한드로 로드리게스 곤살레스 1 페르난도 굴 리즈 이글 레시아 1 리카르도 콜롬보 팔라시오 1 후안 미구엘 고메즈 베르비스 1 엔리케 히메네스 도밍고 1 지니어 알로 에르난데스 2 루벤 포사다 고메즈 2 길레르모 코르테즈로 블즈 2 1. Universidad Carlos III de Madrid Madrid Spain 2. 연구 및 대학원 연구과 Instituto Tecnológico de Orizaba México.
이 백서에 대해서.
개인화 된 권장 사항.
종이를 인용하십시오.
.RIS 논문 참조 관리자 RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
용지를 공유하십시오.
즉시 다운로드 모든 장치에서 읽을 수 있음 영원히 소유 가능 해당되는 경우 현지 판매 세 포함.
종이를 인용하십시오.
.RIS 논문 참조 관리자 RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
용지를 공유하십시오.
손끝에서 천만 가지 이상의 과학적 문서를 제공합니다.
전환 판.
&부; 2017 Springer International Publishing AG. 스프링거 자연의 일부입니다.

인공 신경망 사용.
신경망은 음성 및 필기 인식, 신용 카드 사기 방지, 신용 위험 한도 설정, 대출 신청 처리 및 시장 조사 데이터 분석과 같은 기능을 수행하도록 훈련 될 수 있습니다. 신경망은 발전소 시스템, 자동 언어 번역, 텍스트 음성 변환, 폭탄 탐지, 교통 사고 예측, 의학 진단 및 항공기 레이더 모니터링에도 사용됩니다. 실제로, 신경망 및 칼만 필터는 무작위 또는 잡음에 의해 가려지는 동적 시스템의 알려지지 않은 상태가 추정되어야하는 곳에서 사용됩니다.
금융 시장을 거래하기 위해 인공 신경망을 적용하는 것은이 기술의 흥미로운 실제적인 사용법입니다. 거래자가 거래 경험을 바탕으로 차익 거래 기회의 패턴을 인식 할 수있는 것처럼 인공 신경망은 수익성 높은 거래 기회를 파악하도록 훈련받을 수 있습니다. 이 기술은 탐욕과 두려움과 같은 인간의 감정을 의사 결정 과정에서 완전히 격리 할 수 ​​있다는 점에서 거래자에 비해 특유의 우위를 가지고 있습니다.
경험 많은 상인은 가격 업데이트로 깜박이는 컴퓨터 화면을 보면서 특정 시장이 입찰되었는지 또는 제공되는지를 쉽게 확인할 수 있습니다. 그러나 상인들은 집중된 작업으로 인해 스트레스를 피하기 위해 커피 휴식이 필요합니다. 인공 신경 네트워크는 24 시간 연중 무휴로 동일한 작업을 수행 할 수 있으며 감정이 없습니다. 거래의 계율 중 하나는, 만약 당신이 포지션을 가지고 있다면, 당신의 감정을 잊어 버리는 것입니다. 이것은 기억하기 쉽지만, 실제로 대부분의 거래자는 시장이 잘못되었다고하더라도 자신의 직책이나 모델에 감정적 인 애착을 갖게됩니다.
시장이 영리하지 않을 수도 있지만, 항상 옳다는 말은 모든 상인에게 가르쳐지는 또 다른 원칙입니다. 이 책에서 <천재가 실패했을 때 : 장기 자본 관리의 상승과 하락>에는 10 억 달러의 거래 손실을 겪은 후에도 그의 거래 모델이 옳았다 고 주장한 로렌스 힐리 브란드에 관한 일화가있다. 똑똑한 사람들이 무한한 자본을 가졌다면 결국에는 항상 옳다는 것을 알 수 있습니다. 그러나, 그것의 부재에서, 무역은 가장 경험 많은 것을 위해조차 겸허 한 경험 일 수있다. 인공 신경 네트워크는 인간 상인에 대한 대안을 제공하고 거래를보다 쉽고 효율적이며 수익성있게 만들 수 있습니다.
인공 신경 네트워크의 구축은 인간의 뇌와 매우 유사합니다. 그들은 서로 연결되어있는 간단한 처리 요소 (인공 뉴런)로 구성된 다중 프로세서를 가지고 있습니다. 인간의 뇌에는 시냅스에 의해 서로 연결되어있는 약 1 천억 개의 뉴런이 있으며, 전기 화학적 인 접촉이 있습니다. 각각의 뉴런은 최대 200,000 개의 다른 뉴런과 연결될 수 있지만 일반적으로 각 뉴런은 1,000-10,000 개의 다른 뉴런과 연결됩니다. 그러나 가장 복잡한 인공 신경망조차도 서로 연결된 수많은 인공 뉴런을 가지고 있지 않습니다.
Anderson과 McNeil은 Rome Laboratory에서 준비한 Art Neural Networks Technology라는 제목의 보고서에서 인공 신경망이 컴퓨터 하드웨어 나 소프트웨어에서 신경 구조를 시뮬레이션하여 인간의 두뇌 기능을 재현 할 수있는 방법을 분명히 밝혔습니다.
입력 레이어, 숨겨진 레이어 및 출력 레이어의 모든 인공 신경망에는 3 개의 레이어가 있습니다. 입력은 나중에 다른 뉴런의 입력을 받아들이는 인간 뉴런의 수상 돌기에 해당합니다. 숨겨진 레이어는 입력을 처리하는 soma에 해당하고, 출력 레이어는 처리 된 입력을 출력으로 변환하는 인간 뉴런의 축삭에 해당합니다. 입력 레이어와 출력 레이어의 노드 수는 고정되어 있으며, 숨겨진 레이어에는 가변 개수의 노드가 있습니다.
뉴럴 네트워크를 기반으로하는 거래 시스템에서, 출력 계층은 일반적으로 신호를 구매, 판매 또는 보유하기 위해 각각 3 개의 노드를 갖습니다.
인간의 두뇌에서 뉴런은 3-D 공간에 함께 모여 있습니다. 인공 신경망의 유사한 클러스터를 생성하는 것은 인공적인 신경을 함께 결합 할 수있는 수많은 방법이 있기 때문에 예술 형태로 간주됩니다. 인간 뉴런의 클러스터링 (clustering)은 어떠한 제약이나 제한도없이 일어나는 것으로 보인다. 그러나 집적 회로 및 마이크로 프로세서는 상호 연결을 제한합니다. 따라서 인공 신경망은 실리콘 칩의 물리적 제약으로 인해 제한을받습니다.
(계속)
Rajat Bhatia는 미국 플로리다의 Neural Capital LLC 설립자 겸 CEO입니다. : rajatneuraltrader.
저작권 및 사본; 2017 인디언 익스프레스 [P] Ltd. All Rights Reserved.