Sieci neuronowe - ciąg dalszy

Typy modeli neuronowych

Tak jak wspomniane było wcześniej do najczęściej stosowanych modeli sieci neuronowych przy prognozowaniu szeregów czasowych, którymi są kursy walut są sieci jednokierunkowe wielowarstwowe wykorzystujące wsteczną propagacje błędu do nauki sieci.

Najczęściej stosowane oprogramowanie do budowy modeli neuronowych to profesjonalne pakiety naukowe takie jak Matlab, Statistica, Mathematica, a dla zastosowań enterprise SAS, SPSS. Istnieje również bardzo wiele rozwiązań komercyjnych uproszczonych w swej budowie z uproszczonymi możliwościami obliczeń neuronowych w których zaimplementowane są tylko niektóre typy sieci najbardziej dopasowane do predykcji szeregów czasowych z ukrytymi szczegółami optymalizacji i możliwościami dopasowania do własnych potrzeb i strategii inwestycyjnych.

Zastosowanie sieci neuronowych

Jak było wspomniane wcześniej sieci neuronowe nie są lekarstwem na wszystkie dolegliwości i nie powinny być stosowane w każdej sytuacji. Obszary w których najczęściej wykorzystuje się sieci neuronowe to: aproksymacja i interpolacja, rozpoznawanie i klasyfikacja wzorców, kompresja, predykcja, identyfikacja i sterowanie oraz asocjacja.

Do analizy zachowań rynków terminowych wykorzystuje się najczęściej sieci z obszaru predykcji, których zadaniem jest określenie przyszłych odpowiedzi systemu na podstawie ciągu wartości z przeszłości, gdzie sieć dokonuje estymacji zmiennej aktualnej na podstawie znanych informacji poprzedzających predykcję czyli danych historycznych.

Główną zaletą sieci neuronowych jest zdolność uczenia się i generalizowania nabytej wiedzy, a wytrenowana na określonej grupie danych uczących potrafi skojarzyć nabytą wiedzę i wskazać oczekiwane dane na danych nie uczestniczących w procesie uczenia.

Ogólnie rzecz ujmując można powiedzieć, że sieć neuronowa realizuje funkcje nieliniową wielu zmiennych gdzie maja zastosowanie proste obliczenia matematyczny, tylko z jedną różnicą sieć neuronowa potrafi dokonać skutecznych obliczeń dla dużej ilości zmiennych wejściowych dochodzących do kilkuset, co dla zwykłych obliczeń matematycznych staje się już prawie niewykonalne obliczeniowo dla kilkunastu czy nawet kilku zmiennych.

Podsumowanie

Podczas projektowanie modelu sieci neuronowej musimy odpowiedzieć sobie na szereg pytań, z których każde ma znaczenie, jest powiązane i wpływa na pozostałe parametry modelu. Wybierając zmienną prognozowaną (wyjściową, objaśnianą) musimy zdecydować, co chcemy prognozować w jakie skali czasowej i jaki format ma przyjmować prognozowana wartość. Zapewne każdy inwestor chciałby otrzymać dokładną prognozę w postaci wartości liczbowej z dokładnością do 1 pipsa, w przedziale czasowym co do jednej minuty, a nawet ticku. W tym miejscu muszę ostudzić co niejednego gracza ponieważ sztuczne sieci neuronowe z samej swej natury nie potrafią być precyzyjne, a jedynie szacują wartości prognozowane. Wybierając wartości, którą chcemy prognozować musimy dokonać wyboru odpowiednich zmiennych wejściowych sieci oraz odpowiednio je przetwarzać w celu dopasowania do możliwości sieci neuronowej. Wybór architektury sieci oraz metoda nauki wpływa na dalsze możliwości adaptacyjne i skuteczność prognozowania. Większość czytelników na pewno już zauważyła jak skomplikowany jest proces budowy oraz sam model neuronowy, który nie potrafi precyzyjnie określić wartości. Pytanie nasuwa się samo - po co zadawać sobie tyle trudu na budowę takiego modelu? Odpowiedź jest prosta, gdyż sieci neuronowe należą do działu sztucznej inteligencji bazującego na zdolnościach biologicznych mózgu ludzkiego, a jak wiadomu działania człowieka nie da się opisać wpros zwykłymi wzorami matematycznymi dlatego też same sieci neuronowe po mimo wykorzystywania w swych obszarach funkcji matematycznych stanowią w całości niekonwencjonalny algorytm obliczeniowy i stąd te przybliżone wyniki obliczeniowe. Główną zaletą, której nie posiadają inne techniki obliczeniowe takie jak wskaźniki analizy technicznej, funkcje matematyczne, statystyczne czy nawet modele ekonometryczne jest to, że sieć neuronowa potrafi dokonywać obliczeń na funkcjach wielowymiarowych, czyli obliczyć wartość wyjściową na podstawie bardzo dużej liczby zmiennych. Inaczej mówiąc potrafi dokonać obliczeń i znaleźć prawidłową wartość (przybliżoną) np. dla 50 wskaźników analizy technicznej, które opisują kurs waloru.

Marcin Michalczyk