Объектно-ориентированная нейросеть

Объектно-ориентированная нейросеть - Событийная основа

Любые прогностические модели основываются на некотором предположении. Предположение может быть сделано в отношение событий любой природы: авторегрессы, неподвижные циклы, астрономические параметры... Единственная вещь, о которой мы должны прежде хорошенько подумать - действительно ли существует взаимосвязь между выбранными событиями и процессом, который мы анализируем. Мы можем назвать предположение гипотезой. Если испытания показывают, что при определенных условиях гипотеза верна, это означает, что воображаемая связь между событиями и проанализированным процессом действительно существует. В итоге, мы можем попытаться принять на себя ответственность, чтобы предсказать в будущем все вероятные случаи того же самого ряда.

Как следствие, при выработке прогноза важны: 1) по крайней мере, два различных типа событий (A и B), одно из которых относится к ценовому графику; 2) выявление взаимосвязи между событиями одного и другого ряда. Если мы знаем, что некоторая связь имеет место, мы всегда можем предсказать то, что случится с B, если события некоего плана реализуются в A. Это основная идея относительно любого прогноза. И модель прогноза есть ничто иное, как каркас, выявляющий взаимосвязь между двумя типами событий.

Почему мы применяем для создания прогностических моделей именно Нейросеть? Главная причина этого в том, что все еще много процессов, с которыми мы имеем дело в нашей жизни, и которые не имеют никакого адекватного теоретического объяснения. В этой ситуации, все, что мы можем предпринять, это сделать предположения и проверить их действенность; другими словами, мы должны найти связь между различными типами событий. Любая Нейросеть работает следующим образом: берется некоторое количество начальной информации (мы можем назвать это входом), и сравнивается с некоторыми другими факторами (это называется выходом). Конечная цель - выявить взаимосвязь между двумя этими типами событий. Neural Net в программе Timing Solution особого вида: мы используем в качестве входов именно события, а не числа, как в классической Neural Net. Из-за этого наша Neural Net назвается "Объектно-Ориентируемой Нейросетью", поскольку только события являются объектом нашего интереса.

Создание подобной Нейросети стало возможным вследствие развития нашей оригинальной идеи с Universal Language of Events. Это особая методика записывать и составлять списки значимых событий, когда некие существенные вещи, которые описывают случай и составляют его суть, преподносятся программе в специальной, понятной для нее манере. Эта уникальная методика систематизировать списки универсальных событий, позволяет использовать их в исследовательских нуждах.

Давайте рассмотрим в деталях, как работает наша нейросеть.

Мы начинаем с событийной основы, или со входов,.

Щелкните этой клавишей:, на экране появится следующее окно:

Клавши в данном окне соответствуют различным событийным категориям, которые могут использоваться для созданий прогностических моделей.

Давайте рассмотрим каждое из них по отдельности.

Библиотека Стандартных моделей

Кнопка "Standard Models Library" позволяет загружать в программу созданные и сохраненные ранее модели:

Если какая-либо модель отмечена этим значком с изображением ключа:, это означает, что перед нами защищенная модель. Вы можете работать с этой моделью, но у Вас нет права ее редактировать. Это сделано в целях защиты наших интересов: такие модели были сгенерированы усилиями нашей команды и останутся нашей интеллектуальной собственностью. Они прошли проверку на всех доступных данных и мы планируем продолжить эту работу и в будущем.

Извлечение циклов из Spectrum

Активируйте клавишу:. Сейчас Вы попадаете в главное окно модуля Spectrum, который извлекает из ценовых данных самые действенные неподвижные циклы и далее преобразовывает их в формат ULE (ULE это сокращение от "Universal Language of Events").

Окно выглядит следующим образом:

По умолчанию, программа извлекла важные циклы (см. список в левом нижнем окошке), и поместила их и с дополнительной разбивкой в "Cycles Box". Эта процедура может производится также вручную. Вы можете работать с любой комбинацией циклов: со всеми из них или только с "хорошими". Рассмотрим две иллюстрации:

Первый цикл можно признать "хорошим", в то время как у второго все не столь блестяще; линии, в которой он визуализирован, не помешало бы быть и повыше и поуже, насколько это возможно.

Если Вы захотите отобрать циклы самостоятельно, вручную, сделайте следующее:

Нажмите на кнопку "Clear", чтобы очистить окошко от уже загруженных циклов:
Щелкните на кнопке "+" :
Чтобы выбрать любой цикл, щелкните мышью на пике, который ему соответствует:
Когда все интересующие циклы отобраны, и Вы хотели бы использовать результаты в моделях Neural Net, щелкните на кнопке "Add All Cycles":

Таким образом, Вы помещаете все эти циклы, а также их подразбивку (overtones), в окошко "Cycles Box". Более подробную информации о модуле Spectrum можно прочитать здесь.

Сезонные Циклы

Эта кнопка позволяет Вам использовать различные сезонные циклы для моделирования в Neural Net.

Определите в появившемся окне, какие из них Вы хотели бы видеть в своих моделях:

Астрономические Циклы

Кнопкой открывается блок программы, основанная идея которого состоит в том, что астрономические циклы (то есть, планетарные положения и углы между планетами) имеют определенную долю воздействия на фондовые и товарные рынки.

В подобном предположении нет ничего мистического, наш интерес к этим явлениям чисто математический. Иначе говоря, мы просто рассматриваем планетарные положения и углы между планетами как дополнительную событийную основу для моделей Neural Net.

Почему мы используем астрономические циклы? Самая привлекательная их особенность - строгая регулярность этих явлений. Подобную цикличность очень трудно провести через спектральный анализ.

Перед Вами окно, в котором устанавливаются параметры для астрономических моделей:

Здесь следует определиться с планетами, циклическое взаимодействие которых Вас интересует. (Примечание: символы на клавишах - это графические обозначения планет. При активации клавиш откроется окошко, в котором Вы увидите фактические наименования планет. Те из них, что активированы "галочкой" проявляются в виде символов на кнопках. Чтобы понять значение некоторых специальных терминов, используемых в этой части программы, см. Глоссарий).

Не беспокойте себя вопросом о временной корреляции загруженных ценовых данных с периодами вовлеченных циклов. Программа решает эту проблему автоматически, во время предварительной обработки котировок (то есть, готовя событийную основу для нейросетевого анализа.

Параметром Step устанавливается шаг обработки событийной астрономической информации, это своеобразное разрешение моделей. Вы можете экспериментировать с этим параметром, но, пожалуйста, не увлекайтесь - если он будет слишком маленьким, что у программы может проявиться эффект "перетренировки". Самые "ходовые" здесь значения - 8, 12, 15 градусов.

Aspects between planets - Этот модуль работает с двумя разновидностью циклов: планетарными положениями (периодическими возвращениями космических тел в какую-либо точку), либо с углами (аспектами) между планетами. См. Глоссарий для получения дополнительной информации об аспектах и планетарных положениях.

Num Copies - (поддерживаемое число копий) иногда мы получаем лучшие результаты, когда используем в модели несколько копий одного и того же феномена. Реализация этой особенности стала возможна благодаря имеющейся в программе процедуре подоптимизации (что означает, что во время обучения нейросети каждая копия феномена будет оптимизирована отдельно).

По умолчанию, здесь используются модели с плавающими углами (Floating Angle Model, данная идея была предложена и развита нашей командой).

Модель авторегресии (Fuzzy+OONN)

Кнопка позволяет создавать прогностические модели на основе явления авторегрессии.

Основная идея здесь в том, что цена сегодняшнего дня является функциональным отражением цены вчерашнего дня, позавчерашнего дня и т.д.

Поскольку самый простой вариант модели регрессии это линейная регрессия (ее еще называют моделью максимальной энтропии), из этого вытекает следующее:

Цена сегодняшнего дня = A1 x Цену вчерашнего дня + A2 x Цену двухдневной давности +....

Timing Solution обеспечивает абсолютно новый подход к моделированию процессов авторегрессии. Прежде всего, к процессу моделирования применяется математика нечеткой логическая. Плюс к этому наша объектно-ориентируемая нейросеть производит специальную процедуру оптимизации (названную подоптимизацией), что увеличивает прогностическую точность модели и уменьшает возможность возникновения "эффекта перетренировки".

Back Testing этой модели определенно указывает на то, что данный подход увеличивает ее прогностические возможности.

В данном окне устанавливаются параметры авторегрессии:

В нижней части окна имеется список индикаторов, которые можно использовать в моделях на основе авторегрессии. Чтобы создать свою модель, необходимо сделать среди них выбор.

Далее мы переходим к настройкам для этих моделей:

- Здесь мы устанавливаем число градуировки, оно используется программой в специфических математических процедурах. Чтобы избежать эффекта перетренировки, не задавайте слишком большое значение.
- Этот параметр необходим для тех индикаторов, в которых есть вероятность проявления структуры тренда. Для таких индикаторов (как, например, Open, High, Low, Close - они все отмечены значком), мы используем не непосредственно данное значение, а скорее, норму его изменений (к примеру, (Close-Close (с лагом в несколько дней))/Close). Таким образом, мы исключаем из данных структуру тренда .
- Этот параметр показывает длительность воздействия на будущее (в барах) любых ценовых движений.

Эти настройки тесно связаны с параметром. Последнее показывает, как долго после LBC работает прогноз, основанный на этой модели.

На экране это будет выглядеть следующим образом:

Мы рекомендуем следующие настройки:

прежде всего, использовать все вовлеченные индикаторы;
в Fuzzy grade (например, =3);
в Autoregression Order (например=20 => горизонт прогноза= 10bars) < /p>

Модели, основанные на пропорциях ценовых баров (Fuzzy Logic+OONN)

Данные модели основаны на идее, что определенные значения конфигураций ценовых баров имеют взаимосвязь с будущими ценовыми изменениями. Они рассчитываются тем же математическим блоком, что и модели авторегрессии (т.е., в расчетах используются Fuzzy Logic + Object Oriented Neural Network).

Активируйте клавишу. Покажется окно установки параметров:

Информация относительно каждого параметра настройки описывается в самом окне. Вы можете поэкспериментировать со всеми из них.

Astrology

Если ваша версия Timing Solution включает в себя астрологический инструментарий, используйте его возможности в качестве событийной основы для Neural Net. Чтобы приступить к работе, активируйте кнопку::

В этом окне перед вами откроется некоторое разнообразие вкладок. Каждая из них соответствует определенной категории астрологического инструментария (планеты в Зодиаке, Аспекты, и т.д.). Для тех, кому интересно данное направление, мы планируем открыть специальные курсы по финансовой астрологии (дополнительная реклама последует). См. Глоссарий для получения дополнительной информации относительно терминов, представленных в этом окне. Впрочем, пользователи, имеющие определенную подготовку, могут использовать весь этот инструментарий уже сейчас - выберите категорию, которую вы хотели бы использовать в работе, и нажмите на кнопку "Add to List".