Hyperneat forex trading

MetaTrader 4 - Exemplos Usando Redes Neurais no MetaTrader Introdução Muitos de vocês provavelmente consideraram a possibilidade de usar redes neurais em sua EA. Este assunto foi muito quente especialmente após 2007 Automated Trading Championship e a vitória espetacular de Melhor com seu sistema baseado em redes neurais. Muitos fóruns na Internet foram inundados com tópicos relacionados a redes neurais e negociação Forex. Infelizmente, escrever a implementação nativa do MQL4 do NN não é fácil. Isso requer algumas habilidades de programação e o resultado não seria muito eficiente, especialmente se você quiser testar seu resultado final no testador em grande número de dados. Neste artigo, mostro-lhe como você pode usar a Biblioteca de Rede Neural Artificial Rápida (FPL) livremente disponível (em LGPL), em seu código MQL4, evitando certos obstáculos e limitações. Além disso, suponho que o leitor esteja familiarizado com as Redes Neurais Artificiais (ann) e a terminologia relacionada a este assunto, portanto, eu me concentrei em aspectos práticos de usar a implementação particular de ann na linguagem MQL4. Recursos de FANN Para entender completamente as possibilidades de implementação de FANN, é necessário familiarizar-se com sua documentação e as funções mais utilizadas. O uso típico do FANN é criar uma rede feedforward simples, treiná-la com alguns dados e executar. A rede criada e treinada pode então ser salva no arquivo e restaurada mais tarde para uso posterior. Para criar um ann, é necessário usar a função fanncreatestandard (). Vejamos a sua sintaxe: onde numllers representa o número total de camadas, incluindo a entrada e a camada de saída. O nnum e os seguintes argumentos representam o número de neurônios em cada camada começando com a camada de entrada e terminando com a camada de saída. Para criar uma rede com uma camada oculta com 5 neurônios, 10 entradas e 1 saída, um teria que chamá-lo da seguinte maneira: Uma vez que o ann é criado, a próxima operação seria treiná-lo com alguns dados de entrada e saída. O método de treinamento mais simples é o treinamento incremental que pode ser alcançado pela seguinte função: Esta função leva o ponteiro para struct fann retornado anteriormente pelo fanncreatestandard () e vetor de dados de entrada e vetor de dados de saída. Os vetores de entrada e saída são de matriz de tipo de tipo de fanntype. Esse tipo é, na verdade, um tipo duplo ou flutuante, dependendo da forma como o FANN é compilado. Nesta implementação, os vetores de entrada e saída serão matrizes de duplo. Uma vez que o ann é treinado, o próximo recurso desejado seria executar essa rede. A função que implementa é definida da seguinte forma: Esta função leva o ponteiro para a estrutura fann que representa a rede criada anteriormente e um vetor de entrada do tipo definido (matriz dupla). O valor retornado é uma matriz de vetor de saída. Esse fato é importante, pois, para uma rede de utput, sempre obtemos uma matriz de elementos com o valor de saída em vez do próprio valor de saída. Infelizmente, a maioria das funções da FANN usa um ponteiro para uma estrutura fann que representa o ann que não pode ser processado diretamente pelo MQL4, que não suporta estruturas como tipos de dados. Para evitar essa limitação, devemos encerrar isso de alguma forma e ocultar do MQL4. O método mais fácil é criar uma matriz de ponteiros struct fann segurando os valores apropriados e referir-se a eles com um índice representado por uma variável int. Desta forma, podemos substituir o tipo de variável não suportado com o suportado e criar uma biblioteca de wrapper que pode ser facilmente integrada com o código MQL4. Enrolando o FANN em torno do meu melhor conhecimento, o MQL4 não suporta funções com lista de argumentos variáveis, então precisamos lidar com isso também. Por outro lado, se a função C (do comprimento dos argumentos variáveis) é chamada com muitos argumentos, nada de errado acontece, então podemos assumir um número máximo fixo de argumentos na função MQL4 passada para a biblioteca C. A função de invólucro resultante seria a seguinte: mudamos o fann líder com f2M (que significa FANN TO MQL), o número de argumentos estático usado (4 camadas) e o valor de retorno agora é um índice para a matriz interna de anns que contém a estrutura Dados fornecidos pela FANN para operar. Desta forma, podemos chamar facilmente essa função do código MQL. O mesmo vale para: Por último, mas não menos importante, é o fato de que você deve destruir o seu ann criado pela chamada para: Para liberar guias de ano, você deve destruir redes em ordem inversa do que foram criadas criadas. Alternativamente, você poderia usar: No entanto, tenho certeza de que alguns de vocês talvez preferem salvar sua rede treinada para uso posterior: Claro que a rede salva pode ser carregada (ou recriada) com: Uma vez que conhecemos as funções básicas, podemos tentar Use isso em nossa EA, mas primeiro precisamos instalar o pacote Fann2MQL. Instalando o Fann2MQL Para facilitar o uso deste pacote criei o instalador msi que contém todo o código-fonte mais as bibliotecas pré-compiladas e o arquivo de cabeçalho Fann2MQL. mqh que declara todas as funções do Fann2MQL. O procedimento de instalação é bastante direto. Primeiro, você está informado de que Fann2MQL está sob licença GPL: Instalação do Fann2MQL, passo 1. Em seguida, escolha a pasta para instalar o pacote. Você pode usar o Program FilesFann2MQL padrão ou instalar diretamente no seu diretório Meta Traderexperts. O mais tarde colocará todos os arquivos diretamente em seus locais, caso contrário você terá que copiá-los manualmente. Instalação do Fann2MQL, etapa 2 O instalador coloca os arquivos nas seguintes pastas: se você optar por instalar na pasta Fann2MQL dedicada, copie o conteúdo de suas subpastas de inclusão e bibliotecas no diretório apropriado do Meta Trader. O instalador também instala a biblioteca FANN na pasta de bibliotecas do sistema (Windowssystem32 na maioria dos casos). A pasta src contém todo o código-fonte do Fann2MQL. Você pode ler o código-fonte que é uma documentação final, se você precisar de mais informações sobre os internos. Você também pode melhorar o código e adicionar recursos adicionais, se desejar. Eu encorajo você a me enviar seus patches se você implementar algo interessante. Usando redes neurais no seu EA Depois que o Fann2MQL estiver instalado, você pode começar a escrever seu próprio EA ou indicador. Possui muito uso possível de NN. Você pode usá-los para prever futuros movimentos de preços, mas a qualidade de tais previsões e a possibilidade de tirar proveito real é duvidoso. Você pode tentar escrever sua própria estratégia usando técnicas de Reforço de Aprendizagem, diga um Q-Learning ou algo parecido. Você pode tentar usar o NN como um filtro de sinal para sua EA heurística ou combinar todas essas técnicas além do que você deseja. Você é limitado apenas por sua imaginação. Aqui vou mostrar um exemplo de usar o NN como um filtro simples para os sinais gerados pelo MACD. Não considere isso como uma EA valiosa, mas como um exemplo de aplicação do Fann2MQL. Durante a explicação da maneira como o exemplo EA: NeuroMACD. mq4 funciona, Ill mostra como o Fann2MQL pode ser efetivamente usado no MQL. A primeira coisa para cada EA é a declaração de variáveis ​​globais, define e inclui a seção. Aqui está o início do NeuroMACD contendo essas coisas: o comando include diz para carregar o arquivo de cabeçalho Fann2MQL. mqh contendo a declaração de todas as funções do Fann2MQL. Depois disso, todas as funções do pacote Fann2MQL estão disponíveis para uso no script. A constante ANNPATH define o caminho para armazenar e carregar arquivos com redes FANN treinadas. Você precisa criar essa pasta, ou seja, C: ANN. A constante NAME contém o nome deste EA, que é usado mais tarde para carregar e salvar arquivos de rede. Os parâmetros de entrada são bastante óbvios e aqueles que não serão explicados mais tarde, bem como variáveis ​​globais. O ponto de entrada de cada EA é a função init (): Primeiro, verifica se a EA é aplicada no período de período de tempo correto. A variável AnnInputs contém o número de entradas de rede neural. Além disso, use 3 conjuntos de argumentos diferentes que queremos que ele seja divisível por 3. AnnPath é calculado para refletir o EA NAME e o MagicNumber. Que é calculado a partir do SlowMA. Os argumentos de entrada FastMA e SignalMA que posteriormente são usados ​​para a sinalização do indicador MACD. Uma vez que conhece o AnnPath, a EA tenta carregar redes neurais usando a função annload () que descrevo abaixo. A metade das redes carregadas destina-se à filtragem de posição longa e a outra metade é para calções. A variável AnnsLoaded é usada para indicar o fato de que todas as redes foram inicializadas corretamente. Como você provavelmente notou este exemplo, a EA está tentando carregar várias redes. Eu duvido que seja realmente necessário neste aplicativo, mas eu queria mostrar-lhe o potencial total do Fann2MQL, que está lidando com múltiplas redes ao mesmo tempo e pode processá-las em paralelo, aproveitando múltiplos núcleos ou CPUs. Para tornar possível Fann2MQL está aproveitando a tecnologia Intel Threading Building Blocks. A função f2Mparallelinit () é usada para inicializar essa interface. Aqui está a maneira como eu costumava inicializar redes: como você pode ver se o f2Mcreatefromfile () falhar, que é indicado pelo valor de retorno negativo, a rede é criada com a função f2Mcreatestandard () com argumentos que indicam que a rede criada deve ter 4 camadas (Incluindo entrada e saída), entradas AnnInput, neurônios AnnInput na primeira camada escondida, neurônios AnnInput21 na 2ª camada oculta e 1 neurônio na camada de saída. F2Msetactfunctionhidden () é usado para configurar a função de ativação das camadas ocultas para SIGMOIDSYMMETRICSTEPWISE (consulte a documentação do Fann de fannactivationfuncenum) e o mesmo se aplica à camada de saída. Depois, há a chamada para f2mrandomizeweights () que é usado para inicializar os pesos de conexão do neurônio dentro da rede. Aqui usei o intervalo de lt-0.4 0.4gt, mas você pode usar qualquer outro dependendo da sua aplicação. Neste ponto, você provavelmente notou a função debug () que usei algumas vezes. É um dos métodos mais simples para alterar o nível detalhado de sua EA. Juntamente com ele e o parâmetro de entrada DebugLevel, você pode ajustar a forma como seu código está produzindo a saída de depuração. Se o primeiro argumento da função debug (), o nível de depuração é superior ao DebugLevel, a função não produz qualquer saída. Se for inferior a igual a cadeia de texto é impressa. Se o nível de depuração for 0, a string ERROR: é anexada ao início. Desta forma, você pode dividir o debug produzido pelo seu código em vários níveis. Os mais importantes são provavelmente erros, então eles são atribuídos ao nível 0. Eles serão impressos, a menos que você baixe seu DebugLevel para abaixo de 0 (o que não é recomendado). No nível 1, serão impressas algumas informações importantes, como a confirmação do carregamento ou criação de rede bem sucedida. No nível 2 ou superior, a importância da informação impressa está diminuindo gradualmente. Antes da explicação detalhada da função start (), que é bastante longa, preciso mostrar-lhe mais algumas funções destinadas a preparar a entrada de rede e executar as redes reais: a função annprepareinput () é usada para preparar o nome de entrada para as redes (Assim o nome). O objetivo disso é bastante direto, mas esse é o ponto em que devo lembrar que os dados de entrada devem ser devidamente normalizados. Não há uma normalização sofisticada neste caso, eu simplesmente usei o MACD principal e os valores de sinal que nunca excedem o alcance desejado nos dados contabilizados. No exemplo real, você provavelmente deve prestar mais atenção a esta questão. Como você provavelmente pode suspeitar de escolher os argumentos de entrada apropriados para entrada de rede, codificá-lo, decompor e normalizar é um dos fatores mais importantes no processamento da rede neural. Como mencionei antes, o Fann2MQL possui a capacidade de estender a funcionalidade normal do MetaTrader, que é o processamento paralelo de várias redes neurais. O argumento global Parallel controla esse comportamento. A função runanns () executa todas as redes inicializadas e obtém as saídas delas e armazena na matriz AnnOutput. A função annsrunparallel é responsável por lidar com o trabalho da maneira multithread. Ele chama o f2mrunparallel () que leva como primeiro argumento o número de redes a processar, o segundo argumento é uma matriz contendo alças para todas as redes que você deseja executar, fornecendo o vetor de entrada como um terceiro argumento. Todas as redes devem ser executadas nos mesmos dados de entrada. Obter o resultado da rede é feito por várias chamadas para f2mgetoutput (). Agora, vejamos a função start (): descreverei-a brevemente, pois é bem comentado. O comercializado () verifica se é permitido o comércio. Basicamente, ele verifica a variável AnnsLoaded indicando que todos os anns foram inicializados corretamente e, em seguida, verifica o equilíbrio da conta mínima do período do período de tempo apropriado e, ao mesmo tempo, permite trocar somente no primeiro tic de uma nova barra. As duas funções seguintes que são usadas para preparar a entrada de rede e executar o processamento da rede foram descritas apenas algumas linhas acima. Em seguida, calculamos e colocamos em variáveis ​​para posterior processamento dos valores de MACD do sinal e da linha principal para a última barra de acumulação e a anterior. A barra atual é omitida, pois não é acumulada ainda e provavelmente será redrapped. O SellSignal e o BuySignal são calculados de acordo com o sinal MACD e crossover da linha principal. Ambos os sinais são usados ​​para um processamento de posição longo e curto, que são simétricos, então eu descrevo apenas o caso para longos. A variável LongTicket mantém o número do ticket da posição atualmente aberta. Se for igual a -1 nenhuma posição é aberta, então, se o BuySignal estiver configurado, isso pode indicar boa oportunidade para abrir a posição longa. Se a variável NeuroFilter não estiver configurada, a posição longa é aberta e esse é o caso sem a rede neural de filtragem de sinais - a ordem é enviada para comprar. Neste ponto, a variável LongInput deve lembrar o InputVector preparado por annprepareinput () para uso posterior. Se a variável LongTicekt conter o número do ticket válido, o EA verifica se esta é ainda aberta ou foi fechada pelo StopLoss ou TakeProfit. Se a ordem não for fechada, nada acontece, no entanto, se a ordem for fechada, o vetor de saída de trem, que tem apenas um otput, é calculado para manter o valor de -1 se a ordem foi fechada com perda ou 1 se a ordem foi fechada com lucro . Esse valor é passado para a função anntrain () e todas as redes responsáveis ​​pela manipulação da posição longa são treinadas com ela. Como o vetor de entrada, a variável LongInput é usada, que mantém o InputVector no momento da abertura da posição. Desta forma, a rede ensina qual sinal traz lucros e qual não é. Depois de ter uma rede treinada, mudar o NeuroFilter para true transforma a filtragem de rede. O annwiselong () está usando a rede neural calculada como uma média de valores retornados por todas as redes destinadas a lidar com a posição longa. O parâmetro Delta é usado como um valor limiar que indica que o sinal filtrado é válido ou não. Como muitos outros valores obtidos através do processo de otimização. Agora, uma vez que sabemos como funciona, eu mostro como ele pode ser usado. O par de teste é, naturalmente, EURUSD. Eu usei os dados da Alpari. Convertido no prazo M5. Utilizei o período de 2007.12.31 a 2009.01.01 para a optimização da formação e 2009.01.01-2009.03.22 para fins de teste. Na primeira execução, tentei obter os valores mais rentáveis ​​para o argumento StopLoss, TakeProfit, SlowMA, FastMA e SignalMA, que eu codifiquei no arquivo NeuroMACD. mq4. O NeuroFIlter foi desligado, bem como SaveAnn. AnnsNumber foi definido como 0 para evitar o processamento neural. Usei o algoritmo genético para o processo de otimização. Uma vez que os valores foram obtidos, o relatório resultante teve o seguinte aspecto: Relatório sobre os dados de treinamento após a otimização básica dos parâmetros. Como você pode ver, executei esta EA na mini conta com o tamanho do Lote de 0,01 e o saldo inicial de 200. No entanto, você pode ajustar esses parâmetros de acordo com as configurações ou preferências da sua conta. Neste ponto, temos bastante lucrativo e perdemos negociações para que possamos ativar o SaveAnn e configurar o AnnsNumber para 30. Uma vez feito, então eu executei o testador mais uma vez. O resultado foi exatamente o mesmo com a exceção do fato de que o processo foi muito mais lento (como resultado do processamento neural) e a pasta C: ANN foi preenchida com as redes treinadas como mostrado na imagem abaixo. Certifique-se de que a pasta C: ANN existia antes dessa execução A pasta C: ANN. Uma vez que temos redes treinadas, é hora de testar como ela se comporta. Primeiro, experimente os dados de treinamento. Mude o NeuroFilter para true e SaveAnn para false e inicie o testador. O resultado obtido é mostrado abaixo. Observe que ele pode variar ligeiramente para você, pois há alguma aleatoriedade dentro de redes em pesos de conexão de neurônio fornecidos no processo de inicialização de rede (neste exemplo eu usei uma chamada explícita para f2Mrandomizeweights () dentro de annload ()). Resultado obtido em dados de treinamento com filtragem neural de sinal ativada. O lucro líquido é pouco maior (20,03 versus 16,92), mas o fator de lucro é muito maior (1,25 versus 1,1). O número de negócios é muito menor (83 vs 1188) eo número médio de perdas consecutivas é reduzido de 7 para 2. No entanto, isso só mostra que a filtragem de sinal neural está funcionando, mas não diz nada sobre como ele opera em dados que não foram usados ​​para Durante o treino. O resultado que obtive do período de teste (2009.01.01 - 2009.30.28) é mostrado abaixo: Resultado obtido a partir de dados de teste com filtragem neural ativada. O número de transações realizadas é bastante baixo e é difícil dizer a qualidade desta estratégia, mas eu não vou mostrar-lhe como escrever a melhor EA rentável, mas para explicar como você poderia usar redes neurais no seu código MQL4. O efeito real do uso de redes neurais neste caso só pode ser visto quando comparados os resultados da EA em dados de teste com NeuroFilter ativados e desativados. Abaixo está o resultado obtido a partir do período de dados de teste sem filtragem de sinal neural: Resultados a partir de dados de teste sem filtragem neural. A diferença é bastante óbvia. Como você pode ver, o filtro de sinal neural transformou a EA perdedora em uma conclusão rentável. Espero que você tenha aprendido com este artigo como usar redes neurais no MetaTrader. Com a ajuda do pacote simples, gratuito e de código aberto Fann2MQL, você pode adicionar facilmente a camada de rede neural a praticamente qualquer Consultor Especialista ou começar a escrever sua própria, que seja total ou parcialmente baseada em redes neurais. O recurso multithreading exclusivo pode acelerar seu processamento muitas vezes, dependendo do número de núcleos da CPU, especialmente ao otimizar determinados parâmetros. Em um caso, reduziu a otimização do meu processamento de EA baseada em reforço baseado em aproximadamente 4 dias para apenas 28 horas em uma CPU Intel de 4 núcleos. Durante a redação deste artigo, decidi colocar o Fann2MQL em seu próprio site: fann2mql. wordpress. Você pode encontrar a versão mais recente do Fann2MQL e, possivelmente, todas as versões futuras, bem como a documentação de todas as funções. Eu prometo manter este software sob a licença GPL para todos os lançamentos, então, se você me enviar comentários, solicitações de recursos ou patches que eu encontrei interessantes, certifique-se de encontrar os próximos lançamentos. Observe que este artigo mostra apenas o uso muito básico do Fann2MQL. Como este pacote não é muito mais do que o FANN, você pode usar todas as ferramentas projetadas para gerenciar redes FANN, como: E há muito mais sobre a FANN na página inicial da Biblioteca de Redes Neurais Artificiais Rápidas: leenissen. dkfann Post Scriptum Depois de escrever este artigo, encontrei Um erro insignificante no NeuroMACD. mq4. A função OrderClose () para posição curta foi alimentada com um número de ticket de posição longo. Isso resultou em uma estratégia distorcida que era mais provável para manter shorts e longs longos: na versão correta do script eu corrigi esse erro e removi a estratégia OrderClose (). Isso não alterou a imagem geral da influência da filtragem neural na EA, mas a forma da curva de equilíbrio era bastante diferente. Você pode encontrar ambas as versões desta EA anexadas a este artigo. Rede Neural A Rede Neural é uma das palavras-chave mais recentes na negociação. Parece legal e sofisticado. Muitas pessoas não parecem entender o que são as redes neurais. Neurônios no mundo real Nossos cérebros são fenomenalmente complicados. O que surpreende a maioria das pessoas, no entanto, é que o cérebro é mais ou menos uma enorme caixa de circuitos. Os neurônios são células que atuam como circuitos com fios elétricos, chamados axônios, que se esgotam e se conectam através do corpo humano. Todo movimento, percepção ou ação que você faz é a soma de todos os axônios que disparam impulsos elétricos. A mudança ocorre sempre que a freqüência de impulsos elétricos enviados pelo neurônio varia. Mais impulsos causam uma reação, uma redução provoca outra. As redes neurais tentam imitar processos do cérebro humano através da organização da informação nos neurônios. Ao contrário das células neuronais reais, um neurônio de rede só existe na máquina. É um peso de máquina que contém informações sobre o que está em estudo. Uma rede neural para um sistema comercial pode decidir estudar indicadores comuns como uma média móvel, o oscilador RSI e Stochastics. O valor médio móvel para a barra atual conta como seu próprio neurônio. O RSI é diferente, então ele é um neurônio separado. Se eu tiver dez indicadores na minha caixa de ferramentas, então eu tenho 10 neurônios na minha rede. Os computadores tradicionalmente resolvem problemas simples e lineares. Se você quer saber o resultado das operações matemáticas, como a raiz do cubo de 355, os computadores são perfeitos para a tarefa. Eles calculam rapidamente uma resposta precisa. Como nos cérebros humanos, as redes neurais formam sinapses com outros neurônios. Quando treinados, grupos de neurônios podem aprender a reconhecer padrões. É essa propriedade que torna as redes neurais tão úteis. Isso nos permite criar programas que seriam impossíveis com a computação tradicional. Criar um programa de software para reconhecer um rosto, por exemplo, seria extremamente difícil. É muito mais fácil treinar uma rede para reconhecer um rosto ao mostrar repetidamente os rostos da rede. O cérebro é um tema fascinante por direito próprio. Como uma aparência, minha esposa e eu estamos fazendo um curso de pesquisa em neurociência através de uma série de vídeos de The Great Courses. Se você tem algum interesse no assunto, eu recomendo Compreender o cérebro por Jeanette Norden. Abrange em detalhes como os neurônios se conectam à anatomia em todo o cérebro e todo o corpo. As redes neurais e as redes de negociação Forex Trading entraram em jogo quando a resposta não é tão precisa. Fugindo com este tema de blogs de negociação forex, não há uma resposta correta para o que faz o sistema de negociação perfeito. Um investidor de varejo típico pode dizer que o melhor sistema de negociação é aquele que ganha mais dinheiro. Outro pode dizer que o melhor sistema de negociação é aquele com o maior índice de Sharpe. Muitos querem algo no meio. O melhor problema do sistema comercial é ambíguo, o que o torna um candidato ideal para atacar com redes neurais. O designer delineia conjuntos de regras que, na opinião dos comerciantes, formam uma forma numérica de medir o melhor sistema. Os cérebros humanos acolhem cerca de 100 bilhões de neurônios. Apesar dos melhores esforços de muitos de nossos clientes, ainda tenho que conhecer alguém com 100 bilhões de indicadores de mercado à sua disposição. Uma maneira de amplificar o efeito dos neurônios em nossa caixa de ferramentas é criar camadas ocultas. Uma rede é composta por múltiplas camadas, cada uma composta por múltiplos neurônios. Cada neurônio está conectado a cada neurônio na próxima camada. Toda conexão traz seu próprio valor ponderado único. Um neurônio transmitirá seu valor multiplicando o valor do neurônio e pelo peso da conexão de saída. O neurônio no final da conexão de saída irá resumir todas as conexões recebidas e propagar esse resultado na próxima camada através de todas as suas conexões de saída. As imagens tornam a idéia muito mais intuitiva. A Figura 1 contém um pequeno exemplo. Os 2 e 3 à esquerda são as entradas para a rede. Essas entradas são multiplicadas pelo peso da conexão para a próxima camada. O 2 é multiplicado por 0,5 dando-nos 1 e 3 por 2 nos dando 6. A segunda camada contém um nó que resume os resultados da camada anterior, dando-nos 7. O próximo passo seria multiplicar 7 pelos pesos em As conexões de saída e passá-lo para a próxima camada. Figura 1: Um exemplo de uma rede neural que propaga resultados para a frente. O pequeno exemplo acima pode ser repetido e encadeado para formar uma rede maior. Abaixo, na Figura 2, temos um exemplo de uma rede maior. O exemplo de rede tem 3 entradas que estão conectadas a uma camada oculta. A camada oculta é então conectada a uma única saída. As camadas escondidas são para facilitar o treinamento. Quanto mais complexo o problema, mais camadas e nós precisam. Figura 2: Um exemplo de uma rede neural maior. A rede aprende atualizando os pesos de suas muitas conexões. Existem muitos algoritmos de software que são utilizados para realizar a aprendizagem em redes neurais. Eles se dividem em duas categorias, aprendizado supervisionado e aprendizado sem supervisão. A aprendizagem supervisionada é realizada com o usuário informando a rede se suas previsões estão corretas ou não. A rede então calcula seu erro e usa um dos algoritmos para corrigir o erro. Um exemplo disso é a propagação reversa, que calcula o erro de uma previsão de redes. A rede usa então um algoritmo rápido para atualizar cada um dos pesos de conexão com esse erro. A propagação reversa é uma das estratégias de treinamento mais comuns. O aprendizado não supervisionado usa algum tipo de algoritmo de aptidão ou pontuação em que a rede se classificará e tentará melhorar todas as tentativas subsequentes. Um exemplo de treinamento não supervisionado é o algoritmo genético. Este algoritmo cria uma população de redes neurais e usa um algoritmo de pontuação projetado pelo usuário para classificar a população. Depois disso, é a sobrevivência do mais apto. As redes mais bem sucedidas conseguem ficar e se reproduzir, e as classificações mais baixas são descartadas. As redes se reproduzem misturando e combinando pesos de conexão. As redes neurais podem auxiliar substancialmente os comerciantes de sistemas no seu projeto de algoritmo, explorando bilhões de combinações entre uma caixa de ferramentas relativamente pequena. Isso difere da otimização padrão, que envolve a conexão de números em vários indicadores procurando qualquer combinação que retorne mais dinheiro. O fato de que as redes podem considerar medidas múltiplas (saldo, Ratio Sharpe, etc.) para determinar o melhor sistema comercial ajuda a reduzir a probabilidade de enfatizar demais uma determinada medida. Um bom exemplo disso é o saldo da conta. Se um sistema pesa a entrega e a entrega entre o retorno líquido e o retorno ajustado ao risco, ele começa a afastar-se do crunching de números para descobrir os melhores números para usar e dirigir-se para a aprendizagem real e o reconhecimento de padrões. As redes neurais estão se mostrando muito úteis em uma ampla gama de aplicações, desde o reconhecimento facial até as previsões do mercado monetário. Eles são excelentes onde existem padrões que são difíceis de reconhecer. Essa capacidade torna as redes inestimáveis ​​na resolução de problemas difíceis envolvendo múltiplas variáveis. Deixe uma resposta Cancelar resposta